Bachelorarbeiten/Projektarbeiten

Allgemeines

Die Betreuung von Bachelorarbeiten/Projektarbeiten ist an unserem Lehrstuhl an einen sequenziell strukturierten Prozess gebunden, der sich halbjährlich wiederholt. Abweichungen von den damit einhergehenden Fristen sind nicht möglich. Die Bewerbungsfrist beginnt jeweils drei Wochen vor Beginn der Vorlesungszeit des jeweiligen Semesters und beträgt zwei Wochen. Innerhalb der ersten Vorlesungswoche finden die Auswahlgespräche statt, in deren Folge Sie entweder eine Zu- oder Absage erhalten.

Bewerbungsprozess

Sollten Sie Ihre Abschlussarbeit Sommersemester 2021 an unserem Lehrstuhl anfertigen wollen, so beachten Sie bitte den Bewerbungszeitraum: 22.03.2021 – 05.04.2021

  • Bekanntgabe der Themen voraussichtlich ab 01.03.2021
  • Auswahlgespräche 12.04.2021 – 17.04.2021
  • Seminar zur Bachelorarbeit 21.04.2021 – 07.07.2021
  • Spätester Termin für die Anmeldung der Arbeit 14.07.2021

Bleiben Sie während des Verfassens der Bachelorarbeit unbedingt regelmäßig mit Ihrem Betreuer in Kontakt, um sich abzustimmen.

Seminar zur Bachelorarbeit

Unser Lehrstuhl bietet ein Seminar zur Bachelorarbeit an, welches sich speziell an Studierende der Wirtschaftsinformatik und Interessenten anderer Studiengänge, die am Schöller-Stiftungslehrstuhl für Wirtschaftsinformatik eine Bachelorarbeit schreiben oder schreiben möchten, richtet. Die Teilnahme an dem Seminar ist für alle unsere Bacheloranden verpflichtend.

Voraussetzungen

 

Studiengang Voraussetzung
International Business Studies Vertiefungsmodul am Lehrstuhl belegt oder Ausnahmeantrag
International Production Engineering and Management Modul am Lehrstuhl belegt
Sozialökonomik Vertiefungsmodul am Lehrstuhl belegt oder Ausnahmeantrag
Wirtschaftsinformatik keine
Wirtschaftsingenieurwesen Modul B24, B25 oder B26 am Lehrstuhl belegt
Wirtschaftswissenschaften mit Schwerpunkt Wirtschaftsinformatik keine
Wirtschaftswissenschaften mit anderen Schwerpunkten Vertiefungsmodul am Lehrstuhl belegt oder Ausnahmeantrag

Offene Themen

Bei Interesse bewerben Sie sich bitte mit Hilfe des Bewerbungsformulars und fügen der Bewerbung Ihren Lebenslauf, einen aktuellen Notenauszug sowie bereits vorhandene Abschlusszeugnisse bei. Im Falle von Initiativbewerbungen bitten wir Sie zusätzlich, Ihr Vorhaben im Text Ihrer E-Mail kurz aber aussagekräftig zu beschreiben.

Bitte senden Sie die kompletten Bewerbungsunterlagen an wiwi-wi-dwg@fau.de.

Thema Sprache Betreuer

Empfehlungssysteme (sog. Recommender-Systems) finden in zahlreichen Unternehmen Anwendung, da sie Benutzern effektiv zu besseren und schnelleren Ergebnissen führen und ihnen so den Entscheidungsprozess erleichtern. Recommender-Systeme lassen sich häufig im Bereich E-Commerce (z.B. Amazon oder Zalando) oder Streaming-Dienste wie Netflix oder Spotify finden.
Ein ähnliches Empfehlungssystem oder KI-basierte Beratungssystem kann entwickelt werden, um Studierende während ihres Studiums bei der Auswahl geeigneter Lehrveranstaltungen zu unterstützen. Beispielsweise können basierend auf Bewertungen und identischen Präferenzen, die Studierende für Kurse abgeben, individuelle Kursempfehlungen gegeben und frühzeitige Vorhersagen getroffen werden. Ein weiteres Kriterium bei der Auswahl von Wahlmodulen können Anforderungsprofile von Stellenanzeigen sein. Dadurch lassen sich Kurse finden für die sich ein Student vielleicht einschreiben möchte, an die er/sie aber vorher nicht gedacht hat oder für die Gestaltung der Karriere erforderlich sind.
Eine weiteres Szenario ist die Unterstützung und Empfehlung bei der Auswahl eines Studiengangs. Die Friedrich-Alexander-Universität verfügt derzeit über 261 Studiengänge davon 77 Bachelor-, 92  Master- und 92 Staatsexamenstudiengänge. Ein Empfehlungssystem kann dazu verwenden werden, um Studieninteressierte basierend auf Ihren persönlichen Interessen und schulischen Leistungen bei der Auswahl eines geeigneten eines Studiengangs zu unterstützen und dabei gleichzeitig die Anzahl von Studienabbrecher oder Studiengangswechsler zu reduzieren.
Die Idee ist es, ein Empfehlungssystem zu entwickeln, das es den Studierenden oder Studieninteressierten ermöglicht, bessere Entscheidungen bei der Wahl ihrer Lehrveranstaltung oder ihres Studiengangs zu treffen.
Zu diesem Zweck sollen Empfehlungs-/Bewertungsdaten und eine geeignete Filtertechnik (z.B. content-based, collaborative oder hybrid) identifiziert und darauf aufbauend ein Prototypen modelliert oder alternativ Fragen der Akzeptanz analysiert werden.
DE + ENG Daniel Schömer

Algorithmusaversion (engl. algorithm aversion) beschreibt das Phänomen, dass Individuen dazu neigen Empfehlungen abzulehnen, die auf komplexen algorithmischen Modellen basieren. Obwohl bereits frühe Forschungsarbeiten aus den 1950er Jahren gezeigt haben, dass selbst grundlegende statistische Algorithmen (z. B. lineare Regression) menschliche Experten bei der Vorhersage geeigneter Alternativen übertreffen, zögern oder weigern Individuen sich häufig KI-basierte Empfehlungen in ihre Entscheidungs ndung einzubeziehen.
Ziel der Arbeit ist es, anhand einer systematischen Literaturanalyse den Forschungsstand zu diesem ablehnenden Verhalten aufzuarbeiten.
DE + ENG Jessica Ochmann

Die HR-Branche steht vor der herausfordernden Aufgabe, bei zunehmend komplexeren Kandidatenprofilen und stark umkämpften, knappen Talenten auf dem Arbeitsmarkt Vakanzen zu besetzen. Im Rahmen der Bachelorarbeit sollen anhand von explorativen Interviews die Anforderungen der Kandidaten sowie die individuelle Akzeptanz innovativer Technologien im Personalmanagement (z. B. Chatbots, datengetriebenen Rekrutierung) betrachtet werden.
DE + ENG Jessica Ochmann

Durch den zunehmenden Einsatz von KI in Organisationen ergeben sich zahlreiche ethische Fragestellungen. Wie genen wir damit um, wenn KI Entscheidungen im privaten und beruflichen Alltag übernehmen soll? Agiert eine KI tatäschlich faierer als der Mensch? Welche Auswirkungen hat die Einbeziehung von KI in Entscheidungsprozesse auf den Menschen? Ziel der Arbeit ist es, anhand einer systematischen Literaturanalyse den Forschungsstand zu ethischen Fragestellungen im Kontext von künstlicher Intelligenz aufzuarbeiten.
DE + ENG Jessica Ochmann

Der Schwerpunkt der Studierenden liegt auf der digitalen Studienberatung, die den Einsatz von künstlicher Intelligenz und Datenanalyse zur Unterstützung der Studierenden während des Studiums umfasst. Die Idee ist es, ein Frühwarnsystem zu entwickeln, das es den Studierenden und den Studienberatern ermöglicht, Herausforderungen während des Lebenszyklus der Studierenden frühzeitig zu erkennen. Zu diesem Zweck können Nutzungsszenarien für verschiedene aus dem eigenen Studium bekannte Kontexte (z.B. Bewerbung für einen Studiengang, Grundstudium, Aufbaustudium) untersucht, eine Literaturrecherche durchgeführt, konkrete Herausforderungen durch Prototypen gelöst oder Fragen der Akzeptanz analysiert werden.
DE + ENG Prof. Sven Laumer, Daniel Schömer

Die Studierenden konzentrieren sich auf verschiedene Fragen zum „digitalen Lernen“. Dazu können aus der eigenen Studie bekannte Nutzungsszenarien für verschiedene Kontexte (z.B. Online-Tutorials, Online-Tests, Online-Prüfungen, Chatbots für Q&A) untersucht, eine Literaturrecherche durchgeführt, konkrete Herausforderungen durch Prototypen gelöst oder Fragen der Akzeptanz analysiert werden.
DE + ENG Prof. Sven Laumer

„Digital Nudging ist die Verwendung von User-Interface-Design-Elementen, um das Verhalten von Menschen in digitalen Auswahlumgebungen zu lenken“ (Weimann et al. 2016). Die Studierenden können sich auf verschiedene Fragestellungen zum Digital Nudging in unterschiedlichen Kontexten (Lernen, Beratung, Sport, Gesundheit, etc.) konzentrieren. Dazu kann eine Literaturrecherche durchgeführt werden, konkrete Herausforderungen können durch Prototypen gelöst oder Fragen der Akzeptanz analysiert werden.
DE + ENG Prof. Sven Laumer

Die Künstliche Intelligenz ist derzeit in aller Munde. In vielen nicht-wissenschaftlichen Formaten und Diskussionen wird sie als revolutionäre Lösung für eine Vielzahl verschiedenster Probleme betrachtet, unter anderem in den Bereichen Healthcare, Retail oder Manufacturing. Dahinter stecken oftmals kommerzielle Interessen, z.B. der Wunsch, Beratungsleistungen für die Konzeption und die Implementierung von KI-Strategien und -systemen zu verkaufen. Doch wie wird das Thema KI in der Wissenschaft dargestellt? Das Ziel der Arbeit ist es, die Betrachtung des Themas KI in den führenden wissenschaftlichen Zeitschriften seit dem Jahr 2010 systematisch zu analysieren und darzulegen. Dabei steht insbesondere im Vordergrund, in welchen Themenbereichen die Nutzung von KI vorrangig diskutiert wird und welche KI-Methoden und Algorithmen primär im Zentrum des Interesses stehen.
DE + ENG Quirin Demlehner

Der Einsatz von Künstlicher Intelligenz (KI) setzt in den allermeisten Fällen enorme Mengen an strukturierten Daten voraus. Um diese zu erlangen, benötigt es üblicherweise ein systematisches und strategisches Vorgehen, d.h. eine Datenstrategie. Ziel dieser Abschlussarbeit ist es, anhand der bestehenden Literatur herauszuarbeiten, was die Wissenschaft bis jetzt schon zum Thema Datenstrategie im Bezug auf die Verarbeitung der Daten mit KI-Algorithmen weiß und publiziert hat. Diskutiert soll in der Arbeit außerdem werden, ob und ggf. wie sich eine KI-orientierte Datenstrategie von einer konventionellen Datenstrategie unterscheidet.
DE + ENG Quirin Demlehner

Die Studierenden fokussieren in ihren Arbeiten die Frage, wie Apps zur Kommunikation in Forschungsprojekten und zu Studierenden eingesetzt werden können. Ziel ist es, eine Kommunikationsplattform zu entwickeln, welche App-basierte Kommunikationen zu bestimmten Zielgruppen unterstützt.
DE + ENG Prof. Sven Laumer

Ziel ist mit Hilfe von unterschiedlichen methodischen Ansätzen zu erforschen, wie digitale Technologien im Change Management zum Einsatz kommen können. Es steht somit nicht die digitale Transformation im Mittelpunkt, sondern die Frage wie diese Transformation digital gestaltet werden kann.
DE + ENG Prof. Sven Laumer

Die Studierenden fokussieren in ihren Arbeiten unterschiedliche Fragestellungen aus dem Bereich „People Analytics“. Hierzu könnten unterschiedliche methodischen Herangehensweisen gewählt werden.
DE + ENG Prof. Sven Laumer

Die Gesellschaft verlässt sich zunehmend auf datengesteuerte Modelle für automatisierte Entscheidungsprozesse. Die Algorithmen, hinter diesen Modellen, und die Daten, mit denen sie arbeiten, sind aufgrund der Natur historischer Daten und der Unschärfe in den Beobachtungen oft verzerrt. Daher suchen Praktiker und Forscher zunehmend nach Möglichkeiten, die Verzerrungen in Algorithmen und Daten abzuschwächen. In dieser Arbeit sollen zwei verschiedene Forschungsfragen im Mittelpunkt stehen: „Was ist Diskriminierung und wie kann sie identifiziert werden?; „WIe lässt sich Diskriminierung messen und abschwächen?“. Als Methodik ist die systematische Literaturanalyse zu wählen.
DE + ENG Florian Meier

In dieser Arbeit soll die datengetriebene Unterstützung des Human Resources Management (HRM) in verschiedenen Bereichen analysiert werden. Studierende sollen hier der Frage nachgehen, in welchen Bereichen des HRM welche methodischen Ansätze zur Analyse herangezogen werden. Hierbei soll neben den verwendeten Technologien auch die Datengrundlage betrachtet werden.
DE + ENG Florian Meier

Der Einsatz von künstlicher Intelligenz hat in verschiedenen Bereichen, insbesondere in der Fertigungsindustrie, eine erhebliche Dynamik erreicht. Ziel dieser Arbeit ist es, anhand der vorhandenen Literatur verschiedene Anwendungsbereiche von KI in der Fertigung zu identifizieren und aufzuzeigen, welche Probleme dabei gelöst oder nicht gelöst wurden und welche Faktoren (z. B. Kosten, Zeit, Qualität) verbessert werden konnten.
DE + ENG Daniel Schömer

Trotz des enormen Potenzials von künstlicher Intelligenz (KI) zögern viele Unternehmen, diese produktiv einzusetzen. Ein grundlegendes Problem ist dabei das Verständnis und Vertrauen in KI-Technologie, welches vor allem durch immer komplexere Modelle des maschinellen Lernens erschwert und gehemmt wird. Ziel dieser Arbeit ist es, (1) Ursachen und Faktoren zu analysieren und darzustellen, die die Erklärbarkeit, Transparenz und das mangelnde Vertrauen in diese Technologien hemmen. Darüber hinaus sollen (2) Strategien/Methoden aus der Literatur identifiziert werden, die die Erklärbarkeit und Transparenz verbessern und das Vertrauen fördern können.
DE + ENG Daniel Schömer

Künstliche Intelligenz ist derzeit in aller Munde und birgt ein enormes Potenzial für neue und verbesserte Produkte und Dienstleistungen. Ziel dieser Arbeit ist es, Geschäftsmodelle aus der Prozessindustrie und der diskreten Industrien mithilfe von KI und Verfahren des maschinellen Lernens auf der Grundlage der vorhandenen Literatur zu analysieren und zu präsentieren. Der Schwerpunkt sollte hier auf dem Vetrieb in der Wertschöpfungskette liegen, d. h. welche neuen oder verbesserten Produkte und Dienstleistungen können durch den Einsatz dieser Technologien geschaffen und Endkunden angeboten werden.
DE + ENG Daniel Schömer

Während weite Teile des Webs durch große kommerzielle Konzerne dominiert werden, erfreuen sich jedoch auch einige Plattformen wie Wikipedia oder OpenStreetMap großer Beliebtheit, deren Inhalte ohne kommerzielle Interessen entstanden und frei zugänglich sind („Open Data“). Allerdings zeigen Fälle aus der jüngeren Vergangenheit (z.B. https://www.brianckeegan.com/2018/03/implications-of-the-bulgarian-national-anthem-for-information-security/), dass Probleme mit der Datenqualität von Open Data intransparente Auswirkungen auf das Verhalten von Endanwendungen haben können. Somit stellt sich die Frage, welche Faktoren für die Nutzung von Open-Data-Plattformen bedeutend sind und welche Maßnahmen unternommen werden, um die Qualität der Daten und damit das Vertrauen der AnwenderInnen in entsprechende Dienste sicherzustellen. Im Rahmen dieser Bachelorarbeit sollen Antworten zu eine dieser Fragestellungen anhand einer systematischen Literaturanalyse und/oder einer empirischen Untersuchung gefunden werden.
DE + ENG Kian Schmalenbach

Datengetriebene Anwendungen wie Empfehlungsdienste (Recommender Systems) oder Entscheidungsunterstützungssysteme (Decision Support Systems) erfreuen sich zunehmender Beliebtheit sowohl im betrieblichen als auch im privaten Anwendungsbereich. Dies kann jedoch problematisch sein, wenn die Algorithmen ihr Verhalten durch Auswertung von Trainingsdatensätzen erlernt haben, die diskriminierende oder anderweitig irreführende Verzerrungen beinhalten. Dieses Phänomen wird in der Literatur als „Algorithmic Bias“ bezeichnet und kann negative ethische oder wirtschaftliche Auswirkungen haben, wenn beispielsweise Personalentscheidungen auf Basis solcher Algorithmen getroffen werden. Ziel dieser Arbeit ist es daher, anhand einer strukturierten Literaturanalyse und/oder empirischen Datenauswertungen Fälle von Algorithmic Bias und deren Auswirkungen zu identifizieren oder Maßnahmen zur Lösung von Problemen im Zusammenhang mit Algorithmic Bias zu entwickeln und zu überprüfen.
DE + ENG Kian Schmalenbach

In einem Zeitalter, wo digitale Medien und Plattformen für einen Großteil der Informationsbeschaffung und -verarbeitung verantwortlich sind, gewinnt die Frage der Vertrauenswürdigkeit dieser Medien und Plattformen zunehmend an Bedeutung („Digital Trust“). So stellt sich beispielsweise die Frage, wie es sein kann, dass bei der Entwicklung von Technologien zur Pandemiebekämpfung häufig eine große Skepsis in Bezug auf Fragen des Datenschutzes und damit der Vertrauenswürdigkeit vorherrscht, während kommerzielle Social-Media-Applikationen oft eher unreflektiert im Alltag genutzt werden. Anhand solcher Beobachtungen wird deutlich, dass auch Unternehmen Wert auf die Vertrauenswürdigkeit ihrer digitalen Anwendungen legen müssen, wenn sie eine hohe Akzeptanz und damit Effektivität der Anwendungen gewährleisten wollen. Ziel dieser Arbeit ist daher, anhand einer strukturierten Literaturanalyse und/oder empirischer Erhebungen Faktoren zu identifizieren, die für die Herstellung von Digital Trust ursächlich oder hinderlich sind, und durch welche Maßnahmen diese begünstigt oder gehemmt werden können.
DE + ENG Kian Schmalenbach