Problemstellung:
Immer mehr Studierende nutzen generative KI, um das Lernen zu unterstützen. Mithilfe von Systemen wie ChatGPT bereiten sich Studierende beispielsweise auf Prüfungen vor, schreiben Hausarbeiten oder wiederholen Vorlesungsinhalte. Dadurch verändert sich die Art und Weise, wie Studierende sich Wissen aneignen, reflektieren und vertiefen. Diese Entwicklung bietet Chancen für flexibles, personalisiertes Lernen, birgt jedoch zugleich Risiken wie oberflächlichen Wissenserwerb, Abhängigkeit von KI-generierten Inhalten oder die Schwächung kritischer Kompetenzen. Aufgrund der jüngsten technologischen Fortschritte im Bereich der natürlichen Sprachverarbeitung (NLP) wächst das Interesse, KI nicht nur allgemein, sondern gezielt als personalisierte Lernunterstützung einzusetzen. Obwohl Lernende bereits intensiv große Sprachmodelle (LLMs) nutzen, um Inhalte zu erstellen, Texte zu verfassen oder sich komplexe Sachverhalte erklären zu lassen, fehlen bislang Lösungen, die den individuellen Lernfortschritt gezielt berücksichtigen. Zwar liefern vorhandene Studien erste Einblicke in Chancen und Risiken des KI-Einsatzes, allerdings bleiben dabei die meisten explorativ und bieten keine konsolidierte Übersicht. Ebenso wenig gibt es prototypische Umsetzungen, die sich nicht nur auf die Inhaltsgenerierung beschränken, sondern auch den kontinuierlichen und lehrveranstaltungsspezifischen Wissensaufbau dokumentieren und steuern. Somit bleibt unklar, wie eine KI-basierte Lösung die Lernenden bei der Vor- und Nachbereitung von Lehrmaterialien individuell begleiten kann. Vor diesem Hintergrund hat die vorliegende Projektarbeit das Ziel, im Rahmen einer systematischen Literaturrecherche bestehende Forschungsergebnisse zur Nutzung generativer KI im Selbststudium zu konsolidieren und kritisch zu bewerten. Darauf aufbauend sollen Gestaltungsprinzipien für die Konzeption eines didaktisch fundierten und verantwortungsvollen Einsatzes generativer KI abgeleitet werden. Auf dieser Grundlage wird im Rahmen eines DSR-Prozesses nach Hevner (2017) ein Prototyp eines KI-gestützten Werkzeugs entwickelt, das Lernende individuell unterstützen soll. Dieser Lernhelfer soll nicht nur flexibel aufbereitete Materialien (beispielsweise Karteikarten, Beispielaufgaben usw.) bereitstellen, sondern durch die Erfassung des individuellen Lernstands auch eine gezielte Steuerung des Wissensaufbaus ermöglichen. Der Prototyp soll im Rahmen unserer BA-Veranstaltung „Datenbanken“ entwickelt werden. Die prototypische Realisierung wird durch eine Evaluation mittels qualitativer Interviews oder einer quantitativen Umfrage mit Studierenden überprüft, um Chancen, Risiken und Einflussgrößen der Akzeptanz zu erfassen. Auf diese Weise verbindet das Projekt die wissenschaftliche Konsolidierung mit der praktischen Erprobung einer innovativen Lösung, die das Potenzial hat, die Lernbereitschaft und den Wissenszuwachs nachhaltig zu fördern.

Anforderungen an das Projektteam:
Die konkrete Ausgestaltung der Aufgabenstellung obliegt dem Projektteam. Dabei sind die folgenden Anforderungen zu berücksichtigen und umzusetzen: Zunächst erstellt das Team einen umfassenden Projektplan, der eine klare Aufgabenverteilung sowie eine strukturierte Zeit- und Ressourcenplanung umfasst. Anschließend erfolgen die Anforderungserhebung, die Konzeption und die prototypische Entwicklung des virtuellen Tutors. Dabei ist eine fundierte Auswahl geeigneter generativer KI-Technologien vorzunehmen. Zudem sind relevante Informationen für das Training des KI-Modells auszuwählen und aufzubereiten. Die Realisierung und Evaluation des Prototyps erfolgt unter Anwendung des DSR-Ansatzes. Darüber hinaus ist eine sachgerechte Verwaltung des Quellcodes sicherzustellen. Abschließend präsentiert das Projektteam die erzielten Ergebnisse und dokumentiert den gesamten Entwicklungsprozess in einer abschließenden Projektdokumentation.

Voraussetzungen:
Teilnahmeberechtigt sind Studierende (B.Sc.) ab 90 CP oder Studierende (M.Sc.) der angewandten Informatik bzw. Wirtschaftsinformatik. Von den Teilnehmenden wird ein grundlegendes Interesse an der Einarbeitung in ein neues Fachgebiet sowie an der Entwicklung digitaler Anwendungen erwartet. Grundkenntnisse in der Programmierung sind dabei von Vorteil, jedoch keine zwingende Voraussetzung. Die Projektsprache kann wahlweise deutsch oder englisch sein.

Projektbeschreibung

Problemstellung:
Derzeit verändern generative KI-Systeme wie ChatGPT die Art und Weise, wie Wissen erstellt, vermittelt und reflektiert wird. Während Studierende KI-basierte Tools zunehmend zur Prüfungsvorbereitung, Aufgabenbearbeitung oder Wissensvertiefung einsetzen, stehen Lehrende vor der Herausforderung, diese Technologien didaktisch sinnvoll in den Lehrkontext zu integrieren. Zugleich steigt der organisatorische und kognitive Aufwand im Lehralltag, da Lehrmaterialien regelmäßig aktualisiert, Feedback individuell erstellt und der Lernfortschritt kontinuierlich überprüft werden müssen. Hier eröffnen generative KI-Systeme neue Möglichkeiten, da die Systeme unter anderem Lehrprozesse optimieren, Lehrende bei Routineaufgaben entlasten und Freiräume für individuelle Betreuung und Reflexion schaffen können. Erste Studien zeigen, dass KI-Systeme die Lehrkräfte beim Erstellen von Prüfungsfragen, beim Strukturieren von Lehrinhalten oder beim Verfassen von Rückmeldungen unterstützen können. Bislang existieren weder umfassende Konzepte noch systematisch geprüfte Lösungen dafür, wie generative KI gezielt zur Unterstützung von Lehrenden in unterschiedlichen Lehrphasen, sei es bei der Vorbereitung, Durchführung oder Nachbereitung von Lehrveranstaltungen, eingesetzt werden kann. Bestehende KI-Anwendungen sind meist auf Lernende fokussiert und vernachlässigen die spezifischen didaktischen, ethischen und organisatorischen Anforderungen des Lehralltags. Doch Lehrende benötigen Werkzeuge, die nicht nur inhaltlich korrekte, sondern auch didaktisch konsistente und verantwortungsvolle Unterstützung bieten. Zudem ist unklar, welche Aufgabenbereiche tatsächlich sinnvoll automatisiert oder teilautomatisiert werden können, ohne die pädagogische Qualität, die akademische Integrität oder den individuellen Lehrstil zu beeinträchtigen. Vor diesem Hintergrund hat die vorliegende Projektarbeit das Ziel, im Rahmen einer systematischen Literaturrecherche bestehende Forschungsarbeiten zur Nutzung generativer KI im Lehrkontext zu konsolidieren und kritisch zu bewerten. Darauf aufbauend sollen Gestaltungsprinzipien für die Konzeption eines didaktisch fundierten und verantwortungsvollen Einsatzes generativer KI im Lehralltag abgeleitet werden. Auf dieser Grundlage wird im Rahmen eines DSR-Prozesses nach Hevner (2017) ein Prototyp eines KI-gestützten Werkzeugs entwickelt, das Lehrende in unterschiedlichen Phasen der Lehrveranstaltung individuell unterstützen soll. Der Lehrassistent soll nicht nur flexibel aufbereitete Lehrmaterialien (beispielsweise Vorlesungsunterlagen, Übungsaufgaben oder Prüfungsfragen) bereitstellen, sondern auch durch die Analyse von Lehrzielen und Lernzuwächsen eine gezielte Steuerung des didaktischen Aufbaus ermöglichen. Der Prototyp soll im Rahmen unserer BA-Veranstaltung „Datenbanken“ entwickelt werden. Die prototypische Realisierung wird durch eine Evaluation mittels qualitativer Interviews oder einer quantitativen Umfrage mit Studierenden überprüft, um Chancen, Risiken und Einflussgrößen der Akzeptanz zu erfassen.

Anforderungen an das Projektteam:
Die konkrete Ausgestaltung der Aufgabenstellung obliegt dem Projektteam. Dabei sind die folgenden Anforderungen zu berücksichtigen und umzusetzen: Zunächst erstellt das Team einen umfassenden Projektplan, der eine klare Aufgabenverteilung sowie eine strukturierte Zeit- und Ressourcenplanung umfasst. Anschließend erfolgen die Anforderungserhebung, die Konzeption und die prototypische Entwicklung des virtuellen Assistenten. Dabei ist eine fundierte Auswahl geeigneter generativer KI-Technologien vorzunehmen. Zudem sind relevante Informationen für das Training des KI-Modells auszuwählen und aufzubereiten. Die Realisierung und Evaluation des Prototyps erfolgt unter Anwendung des DSR-Ansatzes. Darüber hinaus ist eine sachgerechte Verwaltung des Quellcodes sicherzustellen. Abschließend präsentiert das Projektteam die erzielten Ergebnisse und dokumentiert den gesamten Entwicklungsprozess in einer abschließenden Projektdokumentation.

Voraussetzungen:
Teilnahmeberechtigt sind Studierende (B.Sc.) ab 90 CP oder Studierende (M.Sc.) der angewandten Informatik bzw. Wirtschaftsinformatik. Von den Teilnehmenden wird ein grundlegendes Interesse an der Einarbeitung in ein neues Fachgebiet sowie an der Entwicklung digitaler Anwendungen erwartet. Grundkenntnisse in der Programmierung sind dabei von Vorteil, jedoch keine zwingende Voraussetzung. Die Projektsprache kann wahlweise deutsch oder englisch sein.

Projektbeschreibung

Problemstellung:
Eltern spielen eine zentrale Rolle im Bildungsprozess, denn der Bildungserfolg von Kindern hängt maßgeblich von der Qualität der elterlichen Begleitung sowie der Haltung gegenüber technologischen Innovationen ab. Während sich die Forschung bislang überwiegend auf Lehrenden und Lernende konzentrierte, wurde die Perspektive der Eltern weitgehend vernachlässigt. Mit dem Aufkommen generativer KI verändern sich Lern- und Lehrprozesse deutlich: KI-Systeme unterstützen schulische Aufgaben, fördern individuelles Lernen und beeinflussen die Rolle von Lehrkräften. Vor diesem Hintergrund gewinnt das Verständnis elterlicher Wahrnehmungen, Informationsbedürfnisse und Unterstützungsanforderungen an Bedeutung, um die Rolle der Eltern im Bildungsdiskurs zu generativer KI besser einordnen zu können. Der aktuelle Forschungsstand zur Rolle von Eltern im Kontext generativer KI ist fragmentiert und bislang kaum systematisch konsolidiert. Es gibt nur wenige empirische oder theoretisch fundierte Arbeiten, welche die Einstellungen, Wahrnehmungen und Informationsbedürfnisse von Eltern umfassend untersuchen. Insbesondere fehlen Erkenntnisse darüber, wie Eltern mit schulpflichtigen Kindern den Einsatz generativer KI im Bildungswesen bewerten und welche Faktoren ihre Haltung beeinflussen. Darüber hinaus mangelt es an konzeptionellen Ansätzen, die elterliche Informations- und Unterstützungsbedürfnisse strukturiert erfassen und vergleichbar machen. Diese Forschungslücke erschwert die Entwicklung praxisorientierter Orientierungshilfen für eine aktive Einbindung von Eltern in Bildungsdiskurse über den Einsatz generativer KI. Vor diesem Hintergrund zielt die vorliegende Projektarbeit darauf ab, im Rahmen einer systematischen Literaturrecherche den bestehenden Forschungsstand zur Rolle von Eltern im Kontext generativer KI im Bildungswesen zu konsolidieren und kritisch zu bewerten. Aufbauend darauf soll eine Taxonomie entwickelt werden, welche die zentralen Informations- und Unterstützungsbedürfnisse von Eltern im Umgang mit generativer KI strukturiert und klassifiziert. Das Ziel besteht darin, Chancen, Risiken und Einflussgrößen der Akzeptanz aus elterlicher Sicht systematisch zu erfassen, um diese bislang wenig berücksichtigte Akteursgruppe stärker in den Bildungsdiskurs über generative KI einzubeziehen. Das Projekt ist so konzipiert, dass die wissenschaftliche Konsolidierung durch eine Literaturrecherche mit der konzeptionellen Entwicklung einer Taxonomie verbunden wird. Durch die iterative Ausarbeitung und theoretische Validierung der Taxonomie können zentrale Strukturen und Kategorien der elterlichen Informations- und Unterstützungsbedürfnisse im Umgang mit generativer KI systematisch erfasst und analytisch eingeordnet werden. So werden sowohl theoretische Erkenntnisse als auch praktische Orientierungshilfen für zukünftige Forschungs- und Anwendungsfelder gewonnen. Auf diese Weise leistet das Projekt einen Beitrag zur Stärkung der Orientierung und Informationssicherheit von Eltern und fördert zugleich die Akzeptanz generativer KI im Bildungswesen.

Anforderungen an das Projektteam:
Die konkrete Ausgestaltung der Aufgabenstellung obliegt dem Projektteam. Dabei sind die folgenden Anforderungen zu berücksichtigen und umzusetzen: Zunächst erstellt das Team einen umfassenden Projektplan, der eine klare Aufgabenverteilung sowie eine strukturierte Zeit- und Ressourcenplanung umfasst. Im nächsten Schritt erfolgt die konzeptionelle Entwicklung der Taxonomie auf Basis der in der Literatur identifizierten Befunde. Dabei sind die zentralen Kategorien, Merkmale und Dimensionen der elterlichen Informations- und Unterstützungsbedürfnisse systematisch zu definieren und zu strukturieren. Für die Ausarbeitung der Taxonomie sind geeignete Klassifikationskriterien fundiert auszuwählen und die Zuordnungslogik transparent zu begründen. Zur Gewährleistung der wissenschaftlichen Nachvollziehbarkeit muss die Entwicklung nachvollziehbar dokumentiert und theoretisch validiert werden. Darüber hinaus sind eine sachgerechte Verwaltung und Aufbereitung der verwendeten Quellen und Daten sicherzustellen. Abschließend präsentiert das Projektteam die erzielten Ergebnisse und dokumentiert den gesamten Entwicklungsprozess in einer abschließenden Projektdokumentation.

Voraussetzungen:
Teilnahmeberechtigt sind Studierende (B.Sc.) ab 90 CP oder Studierende (M.Sc.) der angewandten Informatik bzw. Wirtschaftsinformatik. Von den Teilnehmenden wird ein grundlegendes Interesse an der Einarbeitung in ein neues Fachgebiet sowie an der Entwicklung digitaler Anwendungen erwartet. Grundkenntnisse in der Programmierung sind dabei von Vorteil, jedoch keine zwingende Voraussetzung. Die Projektsprache kann wahlweise deutsch oder englisch sein.

Projektbeschreibung

Problemstellung:
Datenbasierte Entscheidungsprozesse gewinnen in nahezu allen Branchen zunehmend an Bedeutung. Um aus Rohdaten verwertbare Erkenntnisse zu gewinnen, bedarf es eines strukturierten und durchgängigen BI-Prozesses, der alle Phasen von der Datenhaltung bis zur Analyse abdeckt. Hierbei spielen relationale Datenbanken, ETL-Prozesse (Extraktion, Transformation, Laden), Visualisierungstools sowie moderne Verfahren der prädiktiven Analyse eine zentrale Rolle. Insbesondere durch den ergänzenden Einsatz von maschinellem Lernen können neue Potenziale für die automatisierte Vorhersage, Klassifikation und Mustererkennung erschlossen werden. Obwohl in der Unternehmenspraxis zunehmend datenbasierte Entscheidungsprozesse etabliert werden, zeigt sich eine deutliche Fragmentierung zwischen klassischen BI-Lösungen und modernen Verfahren des maschinellen Lernens. BI-Systeme dienen primär der Aufbereitung, Visualisierung und Analyse großer Datenmengen, während ML-Modelle auf prädiktive Erkenntnisse abzielen. In vielen Organisationen existieren diese Systeme jedoch isoliert voneinander, wodurch Medienbrüche, redundante Datenbestände und ineffiziente Prozesse entstehen. Zudem fehlen häufig integrierte Konzepte und praxisnahe Implementierungen, die eine durchgängige Datenverarbeitung, von der Erfassung über die Transformation bis zur Analyse und Vorhersage, sicherstellen. Insbesondere kleinere und mittlere Unternehmen verfügen oftmals nicht über die methodischen oder technischen Kompetenzen, um BI- und ML-Komponenten effizient zu verknüpfen. Darüber hinaus ist bislang unzureichend untersucht, welche technischen und methodischen Voraussetzungen erfüllt sein müssen, um eine nahtlose Integration von BI- und ML-Ansätzen zu realisieren. Diese Lücke bildet den Ausgangspunkt des vorliegenden Projekts. Das Ziel des Projekts besteht in der Konzeption und prototypischen Umsetzung eines integrierten End-to-End-Prozesses, der BI-Methoden und ML-Verfahren in einem durchgängigen Arbeitsablauf vereint. Auf dieser Grundlage soll ein systematischer Ansatz entwickelt werden, der sämtliche Phasen eines datengetriebenen Entscheidungsprozesses abbildet. Hierzu wird zunächst eine relationale SQL-Datenbank als zentrale Datengrundlage aufgebaut. Im nächsten Schritt wird ein geeignetes Datenmodell (z. B. Star- oder Snowflake-Schema) modelliert und ein ETL-Prozess zur Integration der Daten in ein BI-Tool implementiert. Darauf aufbauend werden interaktive Dashboards erstellt, die eine Analyse ermöglichen. Parallel dazu wird ein ML-Modell zur prädiktiven Analyse (z. B. Prognose oder Klassifikation) entwickelt, trainiert und evaluiert. Die Ergebnisse des Modells werden in das BI-Dashboard integriert, sodass eine einheitliche Sicht auf Analysen entsteht. Die Projektdokumentation umfasst neben der technischen Implementierung auch die Reflexion methodischer Entscheidungen, die Evaluation der Modellleistung und Handlungsempfehlungen für die Integration solcher Systeme in der Praxis.

Anforderungen an das Projektteam:
Die konkrete Ausgestaltung der Aufgabenstellung obliegt dem Projektteam. Dabei sind die folgenden Anforderungen zu berücksichtigen und umzusetzen: Zunächst erstellt das Team einen umfassenden Projektplan mit einer klaren Aufgabenverteilung sowie einer strukturierten Zeit- und Ressourcenplanung. Im nächsten Schritt erfolgt die Konzeption der Datenarchitektur sowie die Auswahl geeigneter BI-Tools. Auf dieser Grundlage ist eine relationale SQL-Datenbank mit einem strukturierten Datensatz aufzubauen. Darauf aufbauend wird ein geeignetes Datenmodell modelliert, beispielsweise in Form eines Star- oder Snowflake-Schemas. Im weiteren Verlauf ist ein ETL-Prozess zu implementieren, um die Daten in das ausgewählte BI-Tool zu integrieren. Auf Basis der integrierten Daten entwickelt das Team ein interaktives Dashboard, das eine explorative und analytische Auswertung der aufbereiteten Informationen ermöglicht. Ergänzend wird ein ML-Modell zur prädiktiven Analyse entwickelt und in das BI-Dashboard integriert. Abschließend sind die erzielten Ergebnisse zu validieren und eine Dokumentation zu erstellen. Den Abschluss des Projekts bilden eine Präsentation der Ergebnisse und die Einreichung der vollständigen Projektdokumentation.

Voraussetzungen:
Teilnahmeberechtigt sind Studierende (B.Sc.) ab 90 CP oder Studierende (M.Sc.) der angewandten Informatik bzw. Wirtschaftsinformatik. Von den Teilnehmenden wird ein grundlegendes Interesse an der Einarbeitung in ein neues Fachgebiet sowie an der Entwicklung digitaler Anwendungen erwartet. Grundkenntnisse in der Programmierung sind dabei von Vorteil, jedoch keine zwingende Voraussetzung. Die Projektsprache kann wahlweise deutsch oder englisch sein.

Projektbeschreibung