Aktuelle Ausschreibungen zu Abschlussarbeiten

Wir freuen uns über Ihr Interesse an einer Abschlussarbeit an unserem Lehrstuhl!

Zurzeit können wir vor allem Abschlussarbeiten von Studierenden betreuen, die unsere lehr-lern-bezogenen Schwerpunkte gewählt und damit bereits entsprechende Vorkenntnisse erworben haben (Bachelor: Psychologie des Lehrens und Lernens; Master: Medienbasierte Wissenskonstruktion).

Allgemeine Anfragen

Für generelles Interesse an einer Abschlussarbeit an unserem Lehrstuhl, wenden Sie sich bitte an unser Sekretariat. Selbstverständlich können Sie gerne auch eigene Themenwünsche, die mit unseren Forschungsschwerpunkten korrespondieren, einbringen. Bitte geben Sie bei Ihrer Mail an das Sekretariat folgende Informationen mit an:

  1. Interessiert Sie einer unserer drei Forschungsschwerpunkte besonders? (Multimediales Lernen, Kognitive Group Awareness und soziale Navigation, Analysemethoden sozialer Interaktionsprozesse)
  2. Gibt es bestimmte Lernorte, die Sie besonders interessieren? (z.B. Schule, Universität, Bibliothek, Museum, Internet)
  3. Interessieren Sie sich eher für individuelle oder für soziale Lernprozesse?
  4. Haben Sie bestimmte Interessen in Bezug auf die Umsetzung Ihrer Abschlussarbeit? (z.B. Programmieranteil, Durchführen eines Experiments, Einsatz einer bestimmten Analysemethode)

Sofern Sie noch keine konkreten Themenvorstellungen haben sollten, helfen Ihnen diese Überlegungen vielleicht auch bei der Konkretisierung Ihrer Ideen.

Aktuelle Ausschreibungen

Das Personengedächtnis beim kollaborativen Lernen (BA/MA)

Kollaboratives Lernen bestimmt zunehmend den Lernalltag: Egal, ob Lernende zusammen für eine Klausur lernen oder sich gegenseitig auf Onlineplattformen (z. B. Moodle oder Diskussionsforen) Fragen stellen. In vielen verschiedenen Lernszenarien (z. B. Auswahl von Lernpartner*innen, gemeinsame Prüfungsvorbereitung oder nachträgliche Hilfesuche) werden sogenannte Group Awareness Tools genutzt, welche Verknüpfungen zwischen anderen Personen und deren Wissen darstellen. Diese Verknüpfungen werden aber nicht nun im Moment selbst genutzt, sondern müssen manchmal im Langzeitgedächtnis gespeichert werden:

  • „Ich habe letztens mit Tim für die Sozialpsychologie-Klausur gelernt und will jetzt mit ihm über den fundamentalen Attributionsfehler reden. Aber wie war das nochmal: Kennt er sich gut aus, sodass ich ihm Fragen dazu stellen könnte? Oder kennt er sich nicht so gut aus, sodass ich Fragen beantworten müsste?“ (Partner Modelling)
  • „Ich selbst hatte mich bei dem Gruppenprojekt in klinischer Psychologie nur mit Angststörungen beschäftigt, aber nicht mit Schizophrenie. Welches meiner Gruppenmitglieder kennt sich nochmal mit Schizophrenie aus?“ (Transactive Memory)
  • „Irgendjemand hat beim Lernen letztens gesagt, dass multinomiale Verarbeitungsbaummodelle statistische Analysemethoden sind. Aber wer hat das nochmal gesagt: War es eine kompetente Person? Kann ich der Aussage also vertrauen?“ (Quellengedächtnis)

Im Rahmen von Abschlussarbeiten können die verschiedenen kognitiven Konstrukte (Partner Modelling, Transactive Memory, Quellengedächtnis) in verschiedenen Lernkontexten untersucht werden. Für die Analyse werden multinomiale Verarbeitungsbaummodelle (aus der mathematischen Psychologie) genutzt, zu denen es eine Einführung durch mich und gemeinsame Auswertung mit mir geben wird. Mögliche (grobe) Fragestellungen sind z. B.:

  • Wie sollten Tools gestaltet werden, damit sich Hilfesuchende besonders gut merken, welche Personen sich mit bestimmten Themen auskennen?
  • Können Instruktionen dabei helfen, dass sich Lernende Quellen von Informationen besser merken und hat das einen negativen Einfluss auf den Wissenserwerb?
  • Welche Rollen spielen das eigene Vorwissen, lernbezogene Ziele oder individuelle Persönlichkeitseigenschaften bei den verschiedenen kognitiven Konstrukten?

Es können Paradigmen und Literatur zur Hypothesengenerierung aus anderen Forschungsbereichen genutzt werden, in denen einige dieser kognitiven Konstrukte typischerweise untersucht werden, wie z. B. der Werbepsychologie, Psychologie der Aussagen von Augenzeug*innen, Evolutionspsychologie (Entdeckung von Betrüger*innen) oder Organisationspsychologie. Zu diesen Themen können Abschlussarbeiten als Bachelor- oder Masterarbeit geschrieben werden. Das genaue Thema (z. B. Ergänzung der möglichen Fragestellungen mit Ihren Vorschlägen und Interessen) erfolgt in Absprache.

Ansprechpartner: Bei Interesse oder Fragen zu der Ausschreibung: Melden Sie sehr gerne per E-Mail bei Oktay Ülker (oktay.uelker@uni-due.de).

Weiterführende Literatur:

Group Awareness und Group Awareness Tools:

Bodemer, D., Janssen, J., & Schnaubert, L. (2018). Group awareness tools for computer supported collaborative learning. In F. Fischer, C. E. Hmelo-Silver, S. R. Goldman, & P. Reimann (Eds.), International Handbook of the Learning Sciences (pp. 351–358). Routledge/Taylor & Francis. https://doi.org/10.4324/9781315617572-34

Schnaubert, L., & Bodemer, D. (2022). Group awareness and regulation in computer-supported collaborative learning. International Journal of Computer-Supported Collaborative Learning, 17, 11–38. https://doi.org/10.1007/s11412-022-09361-1

Partner Modelling:

Dillenbourg, P., Lemaignan, S., Sangin, M., Nova, N., & Molinari, G. (2016). The symmetry of partner modelling. International Journal of Computer-Supported Collaborative Learning, 11, 227–253. https://doi.org/10.1007/s11412-016-9235-5

Quellengedächtnis und multinomiale Verarbeitungsbaummodelle:

Bröder, A., & Meiser, T. (2007). Measuring source memory. Zeitschrift für Psychologie/Journal of Psychology, 215(1), 52–60. https://doi.org/10.1027/0044-3409.215.1.52

Nadarevic, L., & Erdfelder, E. (2013). Spinoza’s error: Memory for truth and falsity. Memory & cognition, 41, 176–186. https://doi.org/10.3758/s13421-012-0251-z

 

Digitale Indikatoren für Lernen im Citizen Science Kontext (BA/MA)

Lernen kann an vielerlei Orten stattfinden – egal ob im Klassenzimmer, im Vorlesungssaal oder zu Hause. Dabei ist Lernen heutzutage nicht mehr zwangsläufig an physische Orte gebunden, da die Digitalisierung die Art und Weise, wie wir lernen, in den letzten Jahren erheblich verändert hat. Online-Lernplattformen wie Moodle, Online-Foren und Massive Open Online Courses (MOOCs) gewinnen zunehmend an Bedeutung und bieten eine Vielzahl von Vorteilen, die das traditionelle Lernen im Klassenzimmer ergänzen oder sogar ersetzen können. Verschiedene Frameworks können Lernen in solchen Settings beschreiben, wie bspw. das ICAP-Framework von Chi & Wylie (2014). Zu solchen Settings können nicht nur formalere Settings (Moodle, MOOCs) gehören, sondern auch informellere Settings wie bspw. Citizen-Science Plattformen.

Citizen Science beschreibt dabei die Beteiligung von Bürger:innen an wissenschaftlichen Forschungsprojekten. Auf Citizen Science Plattformen wie bspw. Zooniverse können Freiwillige dabei an solchen Projekten teilnehmen, indem sie Daten analysieren und mit anderen Freiwilligen darüber diskutieren. Während die Beteiligung an solchen Projekten zweifelsfrei die Wissenschaft voranbringt, stellt sich die Frage nach dem Nutzen für die Freiwilligen und speziell, inwiefern dabei auch ein Lerneffekt stattfindet.

An dieser Stelle ist besonders relevant, dass die Aktionen von Nutzenden digitale Spuren hinterlassen, welche wir sammeln und auswerten können. Durch Aggregation bzw. Betrachtung im zeitlichen Verlauf können wir Änderungen im Verhalten nachweisen, sowie den Nutzenden verschiedene Rollen zuschreiben, um daraus auf Wissenszuwachs bzw. Lerneffekte zu schließen. Je nach Setting können wir dann Fragestellungen beantworten wie bspw:

  • Was sind angebrachte Methoden, Wissenszuwachs und Lernen durch verschiedene Verhaltensindikatoren (bspw. Kommentare in Diskussionsforen) nachzuweisen?
  • Können wir Wissenszuwachs und Lernen in Citizen Science Projekten nachweisen?
  • Wie anwendbar sind Frameworks wie bspw. das ICAP-Modell auf solche Settings?

Um mithilfe digitaler Spuren diese Fragen zu beantworten, bieten sich vor allem automatisierte Verfahren wie soziale Netzwerkanalyse mit Tools wie Gephi oder NetworkX an, oder die Klassifizierung von Forenposts, welche entweder automatisiert oder manuell stattfinden kann. Dabei ist es nicht zwingend notwendig zu programmieren, jedoch kann es sich im Rahmen einer automatisierten Analyse natürlich anbieten, zumindest in Teilen mit Programmiersprachen wie R oder Python zu arbeiten. Generell ist es aber auch denkbar, einen geringeren informatischen Fokus bei der Beantwortung der obigen Fragestellungen zu setzen. Zu diesen Themen können Abschlussarbeiten als Bachelor- oder Masterarbeit geschrieben werden. Das genaue Thema (z. B. Ergänzung der möglichen Fragestellungen mit Ihren Vorschlägen und Interessen) erfolgt in Ansprache.

Ansprechpartner: Bei Interesse oder Fragen zu der Ausschreibung: Melden Sie sich sehr gerne per E-Mail bei Simon Krukowski (simon.krukowski@uni-due.de).

Weiterführende Literatur:

ICAP Framework

Chi, M. T., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational psychologist49(4), 219-243.

Citizen Science & Learning

Rohden, F., Kullenberg, C., Hagen, N., & Kasperowski, D. (2019). Tagging, pinging and linking–User roles in virtual citizen science forums. Citizen Science: Theory and Practice4(1).

Kloetzer, L., Lorke, J., Roche, J., Golumbic, Y., Winter, S., & Jõgeva, A. (2021). Learning in citizen science. The science of citizen science283.

Social Network Analysis & Learning

Chen, B., & Poquet, O. (2022). Networks in learning analytics: Where theory, methodology, and practice intersect. Journal of Learning Analytics9(1), 1-12.

Hecking, T., Chounta, I. A., & Hoppe, H. U. (2017). Role modelling in MOOC discussion forums. Journal of Learning Analytics4(1), 85-116.

Analysis of online forum messages

Farrow, E., Moore, J., & Gašević, D. (2020, March). Dialogue attributes that inform depth and quality of participation in course discussion forums. In Proceedings of the tenth international conference on learning analytics & knowledge(pp. 129-134).

Ahmad, M., Junus, K., & Santoso, H. B. (2022). Automatic content analysis of asynchronous discussion forum transcripts: A systematic literature review. Education and Information Technologies27(8), 11355-11410.

 

Abschlussarbeit im Themenbereich „Künstliche Intelligenz in der Lern- und Arbeitswelt“ (BA/MA)

In den letzten Jahren hat die Bedeutung von künstlicher Intelligenz (KI) in verschiedenen Bereichen stark zugenommen. Auch im Arbeits- und Lernkontext rücken KI-basierte Technologien immer stärker in den Fokus und unterstützen Menschen bei von lern- und arbeitsrelevanten Prozessen. Wichtige Aspekte, die hier adressiert werden, sind das Vertrauen in KI, das Verstehen von KI und die Zusammenarbeit mit KI.

Typische Fragen sind hier: 

  • Was macht ein "gesundes" Maß an Vertrauen gegenüber KI aus und wie kann es gefördert werden? 
  • Wie können Menschen mit unterschiedlichen Verstehensbedürfnissen unterstützt werden? 
  • Wie wirkt sich das Verstehen von KI (z.B. wie eine KI zu ihrer Empfehlung kam) auf das Vertrauen aus? Welche personenbezogenen Aspekte wirken dabei einflussnehmend?
  • Inwiefern lassen sich Erkentnnisse aus der Mensch-Mensch Interaktion und Erkenntnisse aus dem Bereich des (computerunterstützten) kollaborativen Lernens auf die Mensch-KI Interaktion übertragen? 
  • Inwiefern wird KI als "Interaktionspartner" wahrgenommen und wie verändern sich dadurch Lernen und Arbeiten?

Die genaue Fragestellung und die methodische Vorgehensweise kann im Rahmen eines Orientierungsgesprächs gemeinsam besprochen werden, so dass Abschlussarbeit sowohl als Bachelor- als auch als Masterarbeit durchgeführt werden können. Beispielsweise können experimentelle Studien zur systematischen Untersuchung von Effekten in der Mensch-KI Interaktion, im Labor durchgeführt werden, aber auch im Unternehmenskontext (z.B. Felduntersuchung in Zusammenarbeit mit einem Unternehmen).

Ansprechpartnerin:  Melden Sie sich gerne bei Interesse oder weiteren Fragen bei Lydia Harbarth (lydia.harbarth@uni-due.de)

 

Der Zusammenhang zwischen Group Awareness und Gedächtnisprozessen (MA)

Group Awareness (GA) bezeichnet die Verarbeitung und Interpretation sozialer Informationen beim gemeinsamen Lernen. GA kann sich dabei auf verschiedene, in der Lernsituation relevante Charakteristika der Lernpartner oder der sozialen Gruppe beziehen, beispielsweise auf deren aktuelle Motivation, Emotionen, (Meta-)Kognition, Verhalten oder auch auf stabile Personeneigenschaften. GA im Lernkontext ist dabei eine wichtige Voraussetzung für zielgerichtete soziale Interaktionsprozesse. Aufbauend auf der Verarbeitung sozialer Informationen während des Lernprozesses können dabei weiterhin nachhaltig nutzbare, stabil(er)e Gedächtnisstrukturen über Lernpartner (Partnermodelle) gebildet werden.

Die Verarbeitung sozialer Informationen ist dabei als kognitiver Prozess zu verstehen, darum wird davon ausgegangen, dass für den Aufbau und die Aufrechterhaltung von GA sowie die Integration in Langzeitgedächtnisstrukturen (im Sinne eines Aufbaus stabiler Partnermodelle) Arbeitsgedächtnisressourcen benötigt werden. Allerdings ist der Zusammenhang zwischen Arbeitsgedächtnisressourcen bzw. -belastung und dem Aufbau von GA und Partnermodellen bisher empirisch wenig untersucht. In der hier ausgeschriebenen Bachelor- oder Masterarbeit soll darum experimentell untersucht werden, inwiefern sich kognitive Belastung auf GA und die Bildung von Partnermodellen auswirkt. Wenn die Arbeit als Masterarbeit durchgeführt werden soll, kann zusätzlich beispielsweise untersucht werden, inwiefern im Vorfeld bestehende Partnerschemata arbeitsgedächtnisentlastend wirken. Grundlage der Arbeit bildet dabei die GA-Konzeption von Schnaubert und Bodemer (2022) und die hier angenommenen Zusammenhänge zwischen GA und dem Arbeitsgedächtnis.

Schnaubert, L., & Bodemer, D. (2022). Group Awareness and Regulation in Computer-Supported Collaborative Learning. International Journal of Computer-Supported Collaborative Learning, 17(1), 11–38. https://doi.org/10.1007/s11412-022-09361-1

Diese Arbeit wird (extern) in Kooperation mit Frau Dr. Lenka Schnaubert, Assistant Professor in Learning Sciences, University of Nottingham (UK), betreut. Die Arbeit kann wahlweise auf Deutsch oder Englisch verfasst und betreut werden. Bei Interesse wenden Sie sich bitte per Mail an Frau Dr. Schnaubert: Lenka.Schnaubert@nottingham.ac.uk

 

Group Awareness: Entwicklung und Validierung eines Erfassungsinstruments (MA)

Group Awareness (GA) bezeichnet die Verarbeitung und Interpretation sozialer Informationen beim gemeinsamen Lernen. GA kann sich dabei auf verschiedene, in der Lernsituation relevante Charakteristika der Lernpartner oder der sozialen Gruppe beziehen, beispielsweise auf deren aktuelle Motivation, Emotionen, (Meta-)Kognition, Verhalten oder auch auf stabile Personeneigenschaften. GA im Lernkontext ist dabei eine wichtige Voraussetzung für zielgerichtete soziale Interaktionsprozesse. Darum wird GA beim kollaborativen Lernen häufig mit spezifisch dafür entwickelten Tools unterstützt, die entsprechende Informationen erfassen, verarbeiten und bereitstellen. Ein Defizit existierender GA-Forschung ist dabei, dass Erkenntnisse über GA oftmals nur über Tool-bezogenen Studien gewonnen werden, jedoch vergleichsweise wenig Erkenntnisse über den Aufbau und die Aufrechterhaltung von GA in nicht-unterstützten Settings existieren. Ein Grund dafür ist, dass es bisher wenig Ansätze gibt, GA zu erfassen. Bis auf wenige Ausnahmen werden existierende Instrumente häufig ad hoc für spezifische Studien entwickelt und sind damit bzgl. zentraler Kernelemente von GA nicht validiert. In der hier ausgeschriebenen Masterarbeit soll diese Lücke im Ansatz geschlossen werden und ein Instrument zur Erfassung von GA entwickelte und mit Bezug auf Kernkonzeptbestandteile von GA validiert werden. Grundlage der Arbeit bildet dabei die GA-Konzeption von Schnaubert und Bodemer (2022).

Schnaubert, L., & Bodemer, D. (2022). Group Awareness and Regulation in Computer-Supported Collaborative Learning. International Journal of Computer-Supported Collaborative Learning. Advance online publication. https://doi.org/10.1007/s11412-022-09361-1

Diese Arbeit wird (extern) in Kooperation mit Frau Dr. Lenka Schnaubert, Assistant Professor in Learning Sciences, University of Nottingham (UK), betreut. Die Arbeit kann wahlweise auf Deutsch oder Englisch verfasst und betreut werden. Bei Interesse wenden Sie sich bitte per Mail an Frau Dr. Schnaubert: Lenka.Schnaubert@nottingham.ac.uk

Abschlussarbeiten betreut von Herrn Professor Nils Köbis

Sind Sie Bachelor- oder Masterstudent mit einem ausgeprägten Interesse an den ethischen Implikationen und gesellschaftlichen  Auswirkungen künstlicher Intelligenz? Dann können Sie sich auch gern auf eine Bachelor- oder Masterarbeit direkt bei Herrn Professor Nils Köbis am Research Center Trustworthy Data Science and Security bewerben. 

Mögliche Themen umfassen:

  • Die Auswirkungen von KI auf Bildung und Lernprozesse.
  • Ethische Chancen und Risiken im Zusammenhang mit KI-Interaktionen.
  • Die Implikationen synthetischer Beziehungen zwischen Menschen und LLM-basierten KI-Agenten.
  • Einsatz von KI-Tools zur Bekämpfung von Korruption.
  • Ansätze zur Bekämpfung von Falschinformationen und zur Verbesserung der Erkennung von Deepfakes.

Die Arbeiten berücksichtigen ein Gleichgewicht zwischen theoretischer Erforschung und praktischer Anwendung. Sie können entweder eine der oben genannten Ideen auswählen oder Ihre eigene Idee, die sich mit KI und menschlichem Verhalten befasst, entwickeln und einen kurzen Thesenvorschlag einreichen (nicht mehr als 300 Wörter).