Abschluss- und Seminararbeiten

Motivation und Zielsetzung

Im E-Commerce werden zunehmend Produktbeschreibungen und -bilder durch KI generiert oder optimiert. Parallel dazu führen kommende Regulierungen zur verpflichtenden Kennzeichnung KI-generierter Inhalte. Diese Entwicklung stellt Online-Händler vor eine zentrale Frage: Wie reagieren Konsumenten auf die explizite Offenlegung von KI-Nutzung bei Produktpräsentationen?

Aktuelle Forschung zeigt, dass Konsumenten einen "Algorithm Discount" bei KI-generierten digitalen Produkten anwenden (Rix et al., 2025) und Service-Bots negativer bewerten als menschliche Agents (Castelo et al., 2023). Unklar ist jedoch, wie sich diese Erkenntnisse auf die Produktpräsentation im E-Commerce übertragen lassen und ob der Effekt je nach Produkttyp variiert.

Diese Arbeit untersucht systematisch, wie KI-Labeling die Konsumentenwahrnehmung bei verschiedenen Produktkategorien beeinflusst. Dabei wird zwischen Such- und Erfahrungsgütern sowie hedonistischen und utilitaristischen Produkten unterschieden. Die Studie analysiert Kostensparmotiv-Attributionen als zentralen Mediator und testet, ob Preisreduzierungen negative Effekte kompensieren können. Ziel ist es, praxisrelevante Erkenntnisse für die strategische KI-Integration im Online-Handel zu generieren.

Methodischer Schwerpunkt
Literaturrecherche, Online-Experiment

Voraussetzungen

• Bereitschaft zur Durchführung von Online-Experimenten
• Kenntnisse in quantitativen Forschungsmethoden
• Interesse an KI-Themen und deren gesellschaftliche Implikationen

Typ
Bachelor- oder Masterarbeit

Betreuer
Michael Wessel

Einstiegsliteratur

• Castelo, N., Boegershausen, J., Hildebrand, C., & Henkel, A. P. (2023). Understanding and improving consumer reactions to service bots. Journal of Consumer Research, 50(4), 848-863.
• Longoni, C., & Cian, L. (2022). Artificial intelligence in utilitarian vs. hedonic contexts: The “word-of-machine” effect. Journal of Marketing, 86(1), 91-108.
• Rix, J., Berger, B., Hess, T., & Rzepka, C. (2025). The Algorithm Discount: Explaining Consumers’ Valuation of Human-versus Algorithm-Created Digital Products. Journal of Management Information Systems, 42(2), 633-668.

Motivation und Zielsetzung

Website-Morphing ist die automatische Anpassung von Website-Design und -Inhalten an die kognitiven Stile verschiedener Nutzertypen (Hauser et al., 2009). Das System basiert auf Clickstream-Analysen und Bayesian Updating, analysiert dabei das Nutzerverhalten in Echtzeit und wählt aus vordefinierten Website-Varianten die passende aus – beispielsweise eine eher analytische Darstellung für rational orientierte Nutzer oder eine emotionalere Gestaltung für gefühlsbetonte Zielgruppen.

Generative KI ermöglicht nun eine Weiterentwicklung dieses Ansatzes: Statt zwischen fertigen Varianten zu wählen, generiert KI individuell angepasste Headlines, Produktbeschreibungen und Layouts für jeden einzelnen Nutzer in Echtzeit. Dies erweitert das Spektrum möglicher Personalisierungsansätze erheblich. Daraus ergeben sich zentrale Forschungsfragen: Kann KI-generierte Inhaltsanpassung die bewährten Ergebnisse des klassischen Morphings mit vordefinierten Varianten übertreffen? Rechtfertigt der technische Aufwand die möglichen Conversion-Gewinne? Und wo liegen die praktischen Grenzen beider Ansätze in der realen E-Commerce-Anwendung?

Methodischer Schwerpunkt
Literaturrecherche, Online-Experiment

Voraussetzungen

• Programmierkenntnisse in Python
• Erfahrung mit empirischen Forschungsmethoden

Typ
Bachelor- oder Masterarbeit

Betreuer
Michael Wessel

Einstiegsliteratur

• Hauser, J. R., Liberali, G., & Urban, G. L. (2014). Website morphing 2.0: Switching costs, partial exposure, random exit, and when to morph. Management Science, 60(6), 1594-1616.
• Hauser, J. R., Urban, G. L., Liberali, G., & Braun, M. (2009). Website morphing. Marketing Science, 28(2), 202-223.
• Matz, S. C., Teeny, J. D., Vaid, S. S., Peters, H., Harari, G. M., & Cerf, M. (2024). The potential of generative AI for personalized persuasion at scale. Scientific Reports, 14(1), 4692.

Motivation und Zielsetzung

Shadow Banning – die verdeckte Reduzierung der Sichtbarkeit von Inhalten ohne explizite Benachrichtigung – stellt Content Creator vor das Problem, mit einem unsichtbaren und undurchsichtigen algorithmischen Prozess umgehen zu müssen. Obwohl Plattformen wie YouTube, TikTok oder Instagram solche Praktiken oft bestreiten, entwickeln Creator Theorien darüber, wie diese Algorithmen funktionieren könnten. Sie tauschen sich über ihre Erfahrungen aus, entwickeln Strategien und passen ihr Verhalten entsprechend ihrer Vorstellungen an.

Diese Arbeit untersucht das Phänomen des Shadow Banning durch die Linse des "algorithmic imaginary" (Schulz, 2023) – dem Konzept, das beschreibt, wie Nutzer sich algorithmic Prozesse vorstellen und darauf reagieren. Die Arbeit analysiert, wie Creator durch "algorithmic gossip" (Bishop, 2019) kollektiv Theorien über Shadow Banning entwickeln, wie sie durch "algorithmic improvisation" (Abel et al., 2022) spontan Erklärungen konstruieren, und wie sich diese Imaginaries in konkrete Handlungsstrategien übersetzen. Besondere Aufmerksamkeit gilt dabei den Machtasymmetrien zwischen Plattformen und Creators sowie den Mechanismen der Wissensproduktion in Creator-Communities.

Methodischer Schwerpunkt
Literaturrecherche, Online-Experiment

Voraussetzungen

• Programmierkenntnisse in Python
• Erfahrung mit empirischen Forschungsmethoden
• Grundkenntnisse in Machine Learning und NLP
• Bereitschaft die Abschlussarbeit in englischer Sprache zu verfassen

Typ
Bachelor- oder Masterarbeit

Betreuer
Michael Wessel

Einstiegsliteratur

• Abel, C., Pei, L., Larson, I., Olgado, B. S., & Turner, B. (2022, January). " Tinder Will Know You Are A 6": Users' Perceptions of Algorithms on Tinder. In HICSS (pp. 1-10).
• Bishop, S. (2019). Managing visibility on YouTube through algorithmic gossip. New Media & Society, 21(11-12), 2589-2606.
• Schulz, C. (2023). A new algorithmic imaginary. Media, Culture & Society, 45(3), 646-655.

Motivation und Zielsetzung

This thesis investigates the impact of AI bot integration on user behavior within a Q&A platform, focusing specifically on how human participants respond to the presence of AI-generated answers. The introduction of AI bots on such platforms has raised important questions about user engagement and the evolving dynamics between human and artificial intelligence. As Q&A platforms increasingly adopt AI to automate responses, understanding how users react—whether they withdraw from contributing answers or improve the quality of their answers—becomes crucial.

The research will involve data collection from an existing Q&A platform that has introduced an AI bot to provide answers to some user-generated questions. The core objective is to explore whether users feel discouraged from participating, fearing that AI will outperform them, or if they are motivated to refine their responses in the face of AI competition. Additionally, the thesis will analyze whether these behavioral changes vary across different question categories, such as technology, personal advice, or niche topics.

This research is significant as it addresses the potential impacts AI bots may have on user contributions and content quality on crowdsourcing platforms. While AI may help streamline responses and enhance efficiency, it also risks diminishing the role of human users and reducing engagement if users feel their input is less valued. Understanding the nuances of user behavior in response to AI can inform better integration strategies for platforms, ensuring that human users remain motivated and actively engaged. By examining the balance between human and AI contributions, this thesis aims to provide insights into fostering a healthy coexistence between AI systems and human participants in online communities.

Methodischer Schwerpunkt
Literaturrecherche, Datenanalyse, ggf. Experiment

Voraussetzungen

• Programmierkenntnisse in Python
• Erfahrung mit empirischen Forschungsmethoden
• Bereitschaft die Abschlussarbeit in englischer Sprache zu verfassen

Typ
Masterarbeit

Betreuer
Michael Wessel

Einstiegsliteratur

• Lysyakov, M., & Viswanathan, S. (2023). Threatened by AI: Analyzing Users’ Responses to the Introduction of AI in a Crowd-sourcing Platform. Information Systems Research, 34(3), 1191-1210.

Motivation und Zielsetzung

Retrieval-Augmented Generation (RAG) ist eine Schlüsseltechnologie für KI-Lernsysteme. In dieser Arbeit sollen verschiedene Segmentierungsstrategien systematisch untersucht werden. Ziel ist es, zu ermitteln, wie durch optimale Aufteilung möglichst informationsdichte Chunks erzeugt werden können, die die Antwortqualität des RAG-Systems maximieren und gleichzeitig das Risiko von Halluzinationen reduzieren.

Methodischer Schwerpunkt

Empirische Evaluation, experimentelles Design

Voraussetzungen

• Programmierkenntnisse (vorzugsweise Python).
• Interesse an Künstlicher Intelligenz und Natural Language Processing.

Typ

Bachelor- oder Masterarbeit

Betreuer
Jonas Niemeyer

Einstiegsliteratur

• Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., Dai, Y., Sun, J., Wang, M., & Wang, H. (2024). Retrieval-Augmented Generation for Large Language Models: A Survey. http://arxiv.org/abs/2312.10997Externer Link
• Nguyen, H. T., Nguyen, T. D., & Nguyen, V. H. (2025). Enhancing Retrieval Augmented Generation with Hierarchical Text Segmentation Chunking. http://arxiv.org/abs/2507.09935

Motivation und Zielsetzung

Sprachmodelle werden zunehmend als "Richter" zur Bewertung von KI-generierten Inhalten eingesetzt. Ihre Urteile können jedoch inkonsistent sein. Diese Arbeit befasst sich mit Methoden, um die Zuverlässigkeit und Objektivität dieser KI-Bewertungen zu erhöhen und ihre Übereinstimmung mit menschlichen Expertenurteilen zu maximieren.

Methodischer Schwerpunkt

Empirische Evaluation, experimentelles Design

Voraussetzungen

• Programmierkenntnisse (vorzugsweise Python).
• Interesse an Künstlicher Intelligenz und Natural Language Processing.

Typ

Bachelor- oder Masterarbeit

Betreuer
Jonas Niemeyer

Einstiegsliteratur

• Gu, J., Jiang, X., Shi, Z., Tan, H., Zhai, X., Xu, C., Li, W., Shen, Y., Ma, S., Liu, H., Wang, S., Zhang, K., Wang, Y., Gao, W., Ni, L., & Guo, J. (2025). A Survey on LLM-as-a-Judge. http://arxiv.org/abs/2411.15594Externer Link
• Zheng, L., Chiang, W.-L., Sheng, Y., Zhuang, S., Wu, Z., Zhuang, Y., Lin, Z., Li, Z., Li, D., Xing, E. P., Zhang, H., Gonzalez, J. E., & Stoica, I. (2023). Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena. http://arxiv.org/abs/2306.05685

Motivation und Zielsetzung

Diese Arbeit widmet sich der Untersuchung und Evaluation von Methoden und Architekturen Generativer KI zur automatisierten Erstellung von Lernaufgaben. Im Fokus steht die Frage, welche Ansätze sich am besten eignen, um didaktisch fundierte Aufgaben zu generieren, die sich an etablierten didaktischen Frameworks (z.B. Bloom's Taxonomy, SOLO Taxonomy) orientieren und verschiedene kognitive Niveaus abdecken.

Methodischer Schwerpunkt

Empirische Evaluation, experimentelles Design

Voraussetzungen

• Gute Programmierkenntnisse in Python.
• Interesse an Künstlicher Intelligenz und Natural Language Processing.

Typ

Bachelor- oder Masterarbeit

Betreuer
Jonas Niemeyer

Einstiegsliteratur

• Krathwohl, D. R. (2002). A Revision of Bloom’s Taxonomy: An Overview. Theory Into Practice, 41(4), 212–218. https://doi.org/10.1207/s15430421tip4104_2Externer Link
• Scaria, N., Dharani Chenna, S., & Subramani, D. (2024). Automated Educational Question Generation at Different Bloom’s Skill Levels Using Large Language Models: Strategies and Evaluation. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 14830 LNAI, 165–179. https://doi.org/10.1007/978-3-031-64299-9_12

Motivation und Zielsetzung

Diese Arbeit widmet sich der Entwicklung automatisierter Verfahren, um unstrukturierte Lehrmaterialien (Skripte, Aufzeichnungen) in hochwertige Datensätze zu konvertieren. Ziel ist die Schaffung einer Pipeline, die strukturierte Daten erzeugt, welche sowohl für das Fine-Tuning spezialisierter Modelle als auch als Wissensbasis für Retrieval-Augmented Generation (RAG) Systeme geeignet sind.

Methodischer Schwerpunkt

Empirische Evaluation, experimentelles Design

Voraussetzungen

• Programmierkenntnisse in Python.
• Interesse an Künstlicher Intelligenz und Natural Language Processing.

Typ

Bachelor- oder Masterarbeit

Betreuer
Jonas Niemeyer

Einstiegsliteratur

• Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., Dai, Y., Sun, J., Wang, M., & Wang, H. (2024). Retrieval-Augmented Generation for Large Language Models: A Survey. http://arxiv.org/abs/2312.10997Externer Link
• Hoang, T. T. U., & Nguyen, V. A. (2025). PDF Retrieval Augmented Question Answering. http://arxiv.org/abs/2506.18027

• Dynamic Pricing: (teil-)automatisierte Marktüberwachung und automatisierte Pricing-Empfehlungen unter Berücksichtigung weiterer Sales-KPI (Abverkauft, Marge, Reichweite etc.)
• Nachhaltigkeit im E-Commerce: Einsatz von Green Nudging & Green Claims unter berücksicgtigung aktueller EU-Gesetze & -Richtlinien (DMA, Green Claims etc.)