Abschluss- und Seminararbeiten

Motivation und Zielsetzung

The emergence of AI-native knowledge platforms like Grokipedia represents a significant shift in how online knowledge repositories are governed and moderated. While Wikipedia has relied on community-based governance and human moderation for over two decades, newer platforms leverage AI systems for content generation, quality control, and moderation. This divergence in platform architectures raises important questions about the effectiveness, transparency, and scalability of different governance models in maintaining knowledge quality and platform integrity.

The goal of this research is to conduct a comprehensive comparative analysis of the platform governance and content moderation mechanisms employed by Wikipedia (community-driven) and Grokipedia (AI-native). The research will systematically investigate how these different approaches impact content quality, moderation effectiveness, update dynamics, and error correction processes. By examining the technical infrastructure, governance rules, moderation workflows, and quality assurance systems of both platforms, this study will reveal the trade-offs between human-centered and AI-centered approaches to knowledge platform management.

The research will involve collecting and analyzing data on content moderation processes, governance structures, quality control mechanisms, and platform APIs from both platforms. This includes analyzing moderation response times, edit workflows, conflict resolution mechanisms, and the transparency of decision-making processes. Through a mixed-methods approach combining quantitative analysis of platform data with qualitative assessment of governance documentation, the study will evaluate how different architectural choices affect key performance indicators such as vandalism detection rates, content accuracy, update latency, and the balance between openness and quality control.

The findings will provide insights into the scalability, resilience, and sustainability of different governance models, informing both platform operators and policymakers about the implications of automated versus community-based moderation. This research contributes to the broader discourse on platform governance, algorithmic transparency, and the role of human oversight in AI-augmented systems.

Methodischer Schwerpunkt
Literaturrecherche, Datenanalyse, API-basierte Datenerhebung, vergleichende Systemanalyse, statistische Auswertung

Voraussetzungen

• Programmierkenntnisse in Python
• Erfahrung mit API-Integration und Web Scraping
• Kenntnisse in empirischen Forschungsmethoden
• Bereitschaft die Abschlussarbeit in englischer Sprache zu verfassen

Typ
Bachelor- oder Masterarbeit

Betreuer
Michael Wessel

Einstiegsliteratur

• Gillespie, T. (2018). Custodians of the Internet: Platforms, content moderation, and the hidden decisions that shape social media. Yale University Press.
• Gorwa, R., Binns, R., & Katzenbach, C. (2020). Algorithmic content moderation: Technical and political challenges in the automation of platform governance. Big Data & Society, 7(1), 2053951719897945.
• Halfaker, A., Geiger, R. S., Morgan, J. T., & Riedl, J. (2013). The rise and decline of an open collaboration system: How Wikipedia’s reaction to popularity is causing its decline. American Behavioral Scientist, 57(5), 664-688.

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

Generative KI verändert die kreative Produktion: Werkzeuge wie ChatGPT, Midjourney oder Suno senken die Hürden, um Texte, Bilder, Musik und Videos zu erzeugen. Auch auf Crowdfunding-Plattformen setzen immer mehr Projektersteller generative KI ein, sei es zur Gestaltung von Produktinhalten, Illustrationen oder Kampagnentexten. Gleichzeitig reagieren Plattformen mit neuen Transparenzpflichten: Kickstarter verlangt seit 2023, dass Projektersteller den Einsatz von KI in ihren Projekten offenlegen.

Diese verpflichtende Offenlegung schafft ein Spannungsfeld. Einerseits kann offengelegter KI-Einsatz als Signal technologischer Kompetenz und Effizienz gelesen werden. Andererseits kann er als Abweichung von der Norm menschlicher Kreativität wahrgenommen werden und Zweifel an Authentizität und Urheberschaft wecken; ein Effekt, der in der Forschung zur Algorithm Aversion insbesondere für subjektive, ästhetische Inhalte dokumentiert ist. Erste Studien deuten darauf hin, dass die Offenlegung von KI-Nutzung mit deutlichen Einbußen bei der Finanzierung von Crowdfunding-Kampagnen einhergehen kann.

Eine zentrale, bislang kaum untersuchte Frage bleibt dabei offen: Bestehende Arbeiten messen meist die offengelegte Nutzung, nicht die tatsächliche Nutzung. Beides fällt jedoch auseinander, denn manche Creator setzen KI ein, ohne dies offenzulegen. Genau hier setzt diese Arbeit an. Ziel ist es, mithilfe vorhandener und zu erweiternder Kickstarter-Daten den Effekt der KI-Nutzung vom Effekt ihrer Offenlegung zu trennen. Dazu werden die plattformseitige Offenlegung und KI-Erkennungstools (für Text und Bild) kombiniert, um drei Gruppen von Projekten zu unterscheiden: solche mit offengelegter Nutzung, solche mit nicht offengelegter, aber detektierbarer Nutzung und solche ohne erkennbare KI-Nutzung. Auf dieser Grundlage wird ökonometrisch analysiert, wie sich KI-Nutzung und ihre Offenlegung auf den Kampagnenerfolg (z. B. eingeworbene Summe, Zahl der Unterstützer, Finanzierungserfolg) auswirken und inwiefern diese Effekte je nach Projekttyp variieren, etwa zwischen Projekten mit eher objektivem, funktionalem Wert (z. B. Technologie) und solchen mit eher subjektivem, ästhetischem Wert (z. B. Kunst).

Methodischer Schwerpunkt
Datenerhebung und -erweiterung, Text- und Bildanalyse, KI-Detektion, ökonometrische und kausale Analyse (z. B. Entropy Balancing, Differenz-von-Differenzen-Schätzung), statistische Auswertung

Voraussetzungen

• Programmierkenntnisse in Python (z. B. Pandas, NumPy)
• Interesse an empirischer Forschung, digitalen Plattformen und generativer KI
• Grundkenntnisse in Statistik und quantitativen Methoden
• Erfahrung mit APIs und Textanalyse von Vorteil, aber nicht zwingend

Typ
Bachelor- oder Masterarbeit

Betreuer
Michael Wessel

Einstiegsliteratur

• Castelo, N., Bos, M. W., & Lehmann, D. R. (2019). Task-dependent algorithm aversion. Journal of Marketing Research, 56(5), 809-825.
• Bai, W., Yao, Z., & Xu, W. (2026). The Transparency Penalty Unraveled: How AIGC Modality Moderates Consumer Responses to AI Disclosure in Crowdfunding. PACIS 2026 Proceedings.

Motivation und Zielsetzung:LLM-Systeme können Feedback auf studentische Arbeiten skalierbar erzeugen, doch die zentrale Schwäche ist das Alignment: Automatisch generiertes Feedback weicht oft von Lernzielen, Terminologie und Bewertungsmaßstäben der Lehrenden ab. Im Zentrum dieser Arbeit steht die Gestaltung eines LLM-Artefakts, das Feedback nicht nur sachlich korrekt, sondern pädagogisch an lehrenden-kuratierten Maßstäben ausgerichtet erzeugt. Schwerpunkt ist der Entwurf des Systems und der Alignment-Mechanismen (z. B. Prompting, Rubric-Grounding oder Präferenzoptimierung); eine anschließende Evaluation dient dazu, die Designentscheidungen zu prüfen. Die konkrete Ausgestaltung wird im Rahmen der Arbeit gemeinsam festgelegt.

Methodischer Schwerpunkt: Artefakt- und Systemgestaltung, LLM-Orchestrierung, Alignment-Verfahren, prototypische Implementierung

Voraussetzungen: Programmierkenntnisse in PythonGrundkenntnisse in empirischen Forschungsmethoden

Typ: Masterarbeit

Einstiegsliteratur:
Scarlatos, A., Smith, D., Woodhead, S., & Lan, A. (2024). Improving the validity of automatically generated feedback via reinforcement learning. In A. M. Olney, I.-A. Chounta, Z. Liu, O. C. Santos, & I. I. Bittencourt (Eds.), Artificial Intelligence in Education. AIED 2024 (Lecture Notes in Artificial Intelligence, Vol. 14829, pp. 280–294). Springer. https://doi.org/10.1007/978-3-031-64302-6_20Externer Link
Sonkar, S., Ni, K., Chaudhary, S., & Baraniuk, R. G. (2024). Pedagogical alignment of large language models (arXiv:2402.05000). arXiv. https://doi.org/10.48550/arXiv.2402.05000Externer Link

Motivation und Zielsetzung: Bestehende LLM-Lernsysteme geben Feedback meist zustandslos: Sie bewerten die aktuelle Antwort, kennen aber weder den Lernverlauf noch die konzeptuellen Voraussetzungen einer Aufgabe. Im Zentrum dieser Arbeit steht der Entwurf eines Feedbacksystems, das über GraphRAG auf einer graphbasierten Repräsentation des Lernstands beruht und so trajektorienbewusstes, personalisiertes Feedback erzeugt. Schwerpunkt sind die Modellierung des Graphen und der Aufbau der GraphRAG-Pipeline; die Arbeit kann auf einem bestehenden KI-Lernsystem und dessen Logdaten aufsetzen. Eine anschließende Evaluation dient dazu, den Mehrwert des gewählten Designs zu prüfen.

Methodischer Schwerpunkt: Artefakt- und Systemgestaltung, LLM-gestützte Knowledge-Graph-Konstruktion, GraphRAG, prototypische Implementierung

Voraussetzungen: Programmierkenntnisse in PythonGrundkenntnisse in empirischen Forschungsmethoden

Typ: Masterarbeit

Einstiegsliteratur:
Edge, D., Trinh, H., Cheng, N., Bradley, J., Chao, A., Mody, A., Truitt, S., Metropolitansky, D., Ness, R. O., & Larson, J. (2024). From local to global: A GraphRAG approach to query-focused summarization (arXiv:2404.16130). arXiv. https://doi.org/10.48550/arXiv.2404.16130Externer Link
Wang, Y., Wei, T., Li, Q., & Zeng, L. (2026). Beyond static question banks: Dynamic knowledge expansion via LLM-automated graph construction and adaptive generation (arXiv:2602.00020). arXiv. https://doi.org/10.48550/arXiv.2602.00020Externer Link

• 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.)