Theses and Seminar Papers

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 de

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:

Webmunk ist ein Open‑Source‑Browser‑Plugin, entwickelt von Farronato, Fradkin & Karr (2024), das es erlaubt, Nutzer*innen‑Verhalten im Web zu sammeln und Webseiten gezielt verändert. Ziel der Arbeit ist es, Webmunk dafür zu nutzen, Shadowbanning‑Effekte im Nutzerverhalten empirisch aufzuspüren und zu quantifizieren: etwa ob und wie Inhalte bei bestimmten Nutzergruppen versteckt, gedrosselt oder umgeleitet werden.

Methodischer Schwerpunkt:

• Installation und Anpassung eines Webmunk‑Setups (inklusive möglicher Module zur Shadowbanning‑Erkennung)
• Analyse von Interaktionsdaten (Page Impressions, Scroll‑Verhalten, Click‑Rates) vor und nach gezielten Manipulationen
• Statistische Auswertung zur Signifikanz und Effektstärke

Voraussetzungen:

• Python‑Kenntnisse für Datenanalyse
• Grundkenntnisse in Webtechnologien

Typ:

Bachelor- oder Masterarbeit

Betreuer:

Nils Schlegel de

Einstiegsliteratur:

• Farronato, C., Fradkin, A. & Karr, C. (2024). Webmunk: A New Tool for Studying Online Behavior and Digital Platforms(White Paper)

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 de

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

Generative AI models have shown varying levels of performance in different domains, with some domains, such as creative writing, improving rapidly, while others, such as mathematical reasoning, have evolved more slowly. This different trajectory may have influenced how users interact with and contribute to Wikipedia, the world's largest collaborative knowledge platform. While initial concerns about AI-generated content flooding Wikipedia were widespread, the actual impact may vary significantly across topic areas based on the respective capabilities of AI models.

This thesis aims to analyze the relationship between the evolution of generative AI capabilities and Wikipedia editing patterns in different knowledge domains. By examining editing patterns, contribution quality, and revision histories before and after key developments in generative AI (e.g., the release of GPT-3, GPT-4), the research will investigate whether domains where AI models showed slower progress (such as mathematics and formal logic) experienced different patterns of human contribution compared to domains where AI progressed faster (such as text generation and summarization).

The research will involve collecting and analyzing Wikipedia edit histories in different knowledge domains and mapping them against known developments in AI capabilities. This analysis could reveal whether editors' behavior has changed differently across topics - for example, whether mathematics articles have maintained consistent patterns of human contribution, while articles in domains where AI has excelled have seen different patterns of engagement. The study will also examine the quality and type of contributions, looking for indicators of how editors' behavior may have adapted to the perceived strengths and weaknesses of AI systems.

Understanding these patterns is critical for both Wikipedia's community governance and the broader discourse on the impact of AI on collaborative knowledge creation. The findings could inform strategies for maintaining high-quality human contributions in an era of increasing AI capabilities, while also providing insights into how online communities adapt to technological change.

Methodischer Schwerpunkt
Literaturrecherche, Datenanalyse, statistische Auswertung

Voraussetzungen

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

Typ
Masterarbeit

Betreuer
Michael Wessel de

Einstiegsliteratur

• Alavi, M., & Westerman, G. (2023). How generative AI will transform knowledge work. Harvard Business Review.
• Burtch, G., Lee, D., & Chen, Z. (2024). The consequences of generative AI for online knowledge communities. Scientific Reports, 14(1), 10413.

• Generative Engine Optimization (GEO) im B2B-Commerce: Strategien und Technologien zur Sichtbarkeit von Herstellern und Händlern in KI-gesteuerten Assistenzsystemen
• Der Weg zum autonomen B2B-Commerce: Architektur, Organisation und Use Cases für eine Agenten- und Copilot-gesteuerte Handelsplattform
• Plattformübergreifende Orchestrierung von KI-Agenten im B2B-Commerce: Architektur- und Integrationskonzept für die Intershop Agent Platform
• Return on AI: Wirtschaftliche Bewertung von KI-Agenten im B2B-Commerce am Beispiel der Intershop Agent Platform
• Erweiterung der Intershop Agent Platform durch das Model Context Protocol (MCP) zur Optimierung von Multi-Agenten-Kommunikation im B2B-Commerce

• 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.)