In der Forschung zu Informationssystemen (IS) sind Taxonomien ein wichtiges Mittel zur Strukturierung und Kategorisierung von Wissen. Sie bieten eine Grundlage für systematische Analysen und werden in der Wissenschaft häufig weiterentwickelt, um den Fortschritt in der Forschung abzubilden. Dabei stellt sich die Frage, inwieweit diese Taxonomien kontinuierlich kumulativ weiterentwickelt werden und wie sie zur Basis für nachfolgende Studien dienen. 

Das Ziel dieser Bachelorarbeit ist es, die meistzitierten Taxonomie-Publikationen im Bereich der IS-Forschung aus den Jahren 2015 bis 2019 systematisch zu analysieren. Dabei soll untersucht werden, ob und wie diese Taxonomien in nachfolgenden Studien entweder durch die ursprünglichen Autoren oder durch andere Forscher weiterentwickelt, ob beispielsweise Archetypen genutzt, empirische Zusammenhänge neuer Konstrukte geprüft oder andere Formen der Weiterentwicklung vorgenommen wurden. Es gilt zu analysieren, welche methodischen Ansätze und Strategien zur kumulativen Weiterentwicklung genutzt wurden und wie diese zum Wissensfortschritt in der IS-Forschung beitragen. Durch die Untersuchung dieser Publikationen sollen schließlich Muster in der kumulativen Weiterentwicklung von Taxonomien aufgezeigt und Erkenntnisse für die strukturierte Weiterentwicklung zukünftiger Taxonomien gewonnen werden.

Nickerson, R. C., Varshney, U., & Muntermann, J. (2013). A method for taxonomy development and its application in information systems. European Journal of Information Systems, 22(3), 336-359.

Kundisch, D., Muntermann, J., Oberländer, A. M., Rau, D., Röglinger, M., Schoormann, T., & Szopinski, D. (2021). An update for taxonomy designers: methodological guidance from information systems research. Business & Information Systems Engineering, 1-19.

In der IS-Forschung existieren mittlerweile zahlreiche Geschäftsmodell-Taxonomien, die eine Strukturierung und Klassifizierung unterschiedlicher Geschäftsmodelle ermöglichen. Viele dieser Taxonomien wurden speziell für bestimmte Branchen oder Anwendungsbereiche entwickelt, was jedoch häufig zu Überschneidungen in den Dimensionen und Charakteristika führt.

Ziel dieser Bachelorarbeit ist es, eine umfassende Übersicht bestehender Geschäftsmodell-Taxonomien zu erstellen, diese auf Gemeinsamkeiten und Unterschiede hin zu analysieren und potenzielle Überschneidungen in den verwendeten Dimensionen und Charakteristika zu identifizieren. Auf diese Weise soll eine Grundlage geschaffen werden, die dabei hilft, eine bessere Vergleichbarkeit und Verständlichkeit der verschiedenen Taxonomien zu erreichen und ggf. Potenziale für eine Harmonisierung aufzuzeigen.

Sterk, F., Stocker, A., Heinz, D., & Weinhardt, C. (2024). Unlocking the value from car data: A taxonomy and archetypes of connected car business models. Electronic Markets, 34(1), 13.

Böttcher, T. P., Empelmann, S., Weking, J., Hein, A., & Krcmar, H. (2024). Digital sustainable business models: Using digital technology to integrate ecological sustainability into the core of business models. Information Systems Journal, 34(3), 736-761.

Schoormann, T., Schweihoff, J., Jussen, I., & Möller, F. (2023). Classification tools for business models: Status quo, comparison, and agenda. Electronic Markets, 33(1), 7.

Der AI Act der Europäischen Union und seine Anforderungen an Erklärbare Künstliche Intelligenz (XAI)

Mit dem im letzten Jahr verabschiedeten AI Act der Europäischen Union (EU) wird weltweit erstmals ein umfassender Rechtsrahmen für den Einsatz von KI-Systemen geschaffen. Die KI-Verordnung verfolgt dabei einen risikobasierten Ansatz. Demnach müssen insbesondere hochriskante KI-Systeme strenge Anforderungen an Transparenz, Nachvollziehbarkeit und Erklärbarkeit erfüllen, um für den EU-Markt zugelassen zu werden. Für Anwendungen mit geringerem Risiko gelten geringere Transparenz- und Informationspflichten. Die Fähigkeit eines KI-Systems, Entscheidungen nachvollziehbar zu erklären, stellt mit diesem Regelwerk nicht mehr nur einen technischen oder ethischen Anspruch dar, sondern wird zu einer rechtlichen Anforderung. Entwickler und Anbieter von KI-Systemen müssen sich somit darauf einstellen, ihre Systeme nicht nur performant, sondern auch gesetzeskonform zu gestalten. 

Erklärbare Künstliche Intelligenz (XAI) gewinnt im Rahmen dieser Entwicklungen zunehmend an Bedeutung. XAI umfasst eine Reihe von Methoden und Techniken, die darauf abzielen, das Verhalten und die Entscheidungen von Modellen des maschinellen Lernens für den Menschen nachvollziehbar zu machen. Der Einsatz dieser Methoden und Techniken kann teilweise zur Einhaltung der rechtlichen Anforderungen im Sinne des AI Acts beitragen. Allerdings unterscheidet sich die Definition von Transparenz in der XAI-Forschung von der des AI Acts. Während die XAI-Forschung Transparenz als Verständlichkeit und Zugänglichkeit der Funktionsweise eines Algorithmus beschreibt, versteht der EU AI Act Transparenz als Mittel zum Erreichen weiter gefasster Ziele, wie beispielsweise einer Rechenschaftspflicht, wenn sich das Ergebnis einer KI als falsch herausstellt. Damit geht die gesetzliche Perspektive über die technische Interpretation hinaus und stellt neue Anforderungen an die Gestaltung erklärbarer KI-Systeme.

Die Bachelorarbeit soll daher untersuchen, welche Anforderungen der EU AI Act an XAI stellt und inwiefern aktuelle Forschungsarbeiten im Bereich XAI diesen Anforderungen gerecht werden. Ausgangspunkt ist eine konzeptionelle Analyse des EU AI Acts, ergänzt durch eine systematische Literaturrecherche zu bestehenden XAI-Ansätzen. Im ersten Schritt sollen dafür grundlegende Begrifflichkeiten und Konzepte des EU AI Acts sowie im Bereich XAI identifiziert, definiert und voneinander abgegrenzt werden. In einem zweiten Schritt soll dann das Vorgehen der systematischen Literaturrecherche sowie die daraus gewonnenen Ergebnisse dokumentiert und präsentiert werden. Dabei sollen die identifizierten Forschungsbeiträge durch eine geeignete Kategorisierung voneinander abgegrenzt werden. Basierend auf dieser Kategorisierung soll abgeleitet werden, in welchen Bereichen die bestehende XAI-Forschung den Vorgaben bereits entspricht und wo Entwicklungspotenzial hinsichtlich der Anforderungen des AI Acts besteht. Ziel dieser Bachelorarbeit ist es folglich, auf Basis des aktuellen Gesetzgebungsstands und der XAI-Forschung systematisch herauszuarbeiten, wie der EU AI Act Anforderungen an XAI stellt und in welchen Bereichen bestehende XAI-Ansätze diesen Anforderungen noch nicht vollständig entsprechen bzw. weiteres Entwicklungspotenzial besteht.

Brasse, J., Broder, H. R., Förster, M., Klier, M., & Sigler, I. (2023). Explainable artificial intelligence in information systems: A review of the status quo and future research directions. Electronic Markets, 33(1), p. 26.

Gyevnar, B., Ferguson, N., & Schafer, B. (2023). Bridging the Transparency Gap: What Can Explainable AI Learn from the AI Act? ECAI 2023, pp. 964-971. 

Panigutti, C., Hamon, R., Hupont, I., Fernandez Llorca, D., Fano Yela, D., Junklewitz, H., Scalzo, S., Mazzini, G., Sanchez, I., Garrido, J. S., & Gomez, E. (2023). The role of explainable AI in the context of the AI Act. Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency, pp. 1139-1150.

AI Literacy durch Erklärbarkeit – Vermittlung von AI Literacy mit Erklärbarer Künstlicher Intelligenz (XAI)

Mit der zunehmenden Verbreitung von Künstlicher Intelligenz (KI) im Alltag und in der Arbeitswelt wächst auch die gesellschaftliche Notwendigkeit, grundlegende Kenntnisse und Kompetenzen im Umgang mit KI, die sogenannte AI Literacy, zu fördern. AI Literacy umfasst unter anderem die Fähigkeit mit KI-Systemen zu kommunizieren, effektiv zu interagieren und deren Entscheidungen kritisch zu hinterfragen. 

Besonders im Kontext erklärbarer künstlicher Intelligenz (XAI) eröffnen sich neue Potenziale zur Vermittlung dieser Kompetenzen, da XAI darauf abzielt, Entscheidungen von KI-Systemen sowie deren Funktionsweise für den Menschen nachvollziehbar zu gestalten. Durch geeignete Erklärungen in visueller, textueller oder interaktiver Form kann XAI helfen, komplexe Entscheidungsprozesse verständlicher und zugänglicher zu gestalten und somit auch das technische Verständnis von Nutzern zu fördern. Aus diesem Grund empfehlen bestehende Forschungsarbeiten den Einsatz von XAI bei der Gestaltung von lernfördernden Maßnahmen im Umgang mit KI-Systemen. Dabei sollte jedoch berücksichtigt werden, welche und wie viele Komponenten der KI erklärt werden sollen, da die Erklärung zu vieler Komponenten die Nutzer überfordern kann, während die Erklärung zu weniger Komponenten die Lernwirksamkeit beeinträchtigen kann. Der Einfluss der Erklärungen auf den Lernerfolg kann sich auch über Nutzergruppen mit verschiedenen demographischen Eigenschaften hinweg unterschiedlich auswirken. In der XAI-Forschung gibt es bereits einige Studien, die sich mit diesen Zusammenhängen beschäftigen. Da sich die Forschung zur AI Literacy in diesem Kontext allerdings noch im Anfangsstadium befindet, ist bislang wenig darüber bekannt, unter welchen Bedingungen XAI tatsächlich zum Kompetenzaufbau beiträgt. An dieser Schnittstelle ergibt sich die Fragestellung, welche Voraussetzungen erfüllt sein müssen, damit XAI effektiv zur Förderung von AI Literacy beitragen kann.

Die Bachelorarbeit soll daher systematisch untersuchen, inwiefern XAI als Mittel zur Verbesserung von AI Literacy dienen kann. Dazu soll ein fundierter Überblick über bestehende Forschung im Bereich XAI sowie AI Literacy erarbeitet werden. Im Fokus stehen insbesondere Arbeiten, die untersuchen, wie Erklärungen das Verständnis und die Kompetenz von Nutzern rund um den Umgang mit KI-Anwendungen beeinflussen. Zunächst sollen zentrale Begriffe und Konzepte zum Thema XAI sowie AI Literacy herausgearbeitet, definiert und voneinander abgegrenzt werden. Anschließend erfolgt eine systematische Literaturrecherche, deren methodisches Vorgehen sowie die erzielten Ergebnisse nachvollziehbar dokumentiert und dargestellt werden. Die identifizierten Forschungsbeiträge sollen dabei durch eine geeignete Kategorisierung im Rahmen einer Konzeptmatrix strukturiert werden. Basierend auf dieser Systematisierung soll herausgearbeitet werden, wie XAI zur Förderung von AI Literacy beitragen kann und welche Implikationen daraus für Forschung und Praxis im Bereich digitaler Bildung sowie XAI abgeleitet werden können. 

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. Proceedings of the 2020 CHI conference on human factors in computing systems, pp. 1-16.

Miller, T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial intelligence, 267, pp. 1–38.

Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2.

In der aktuellen Forschung im Bereich der Informationssysteme (IS) wird kritisiert, dass bestehende Taxonomien häufig nicht die optimalen Clusteranalyse-Methoden verwenden. Heumann et al. (2024) hebt diese Problematik hervor und argumentiert, dass die Wahl ungeeigneter Methoden die Validität und Aussagekraft von Taxonomien beeinträchtigt. Um die Qualität und Genauigkeit von Klassifizierungen in der IS-Forschung zu erhöhen, ist es daher essentiell, die vorgeschlagenen verbesserten Methoden der Clusteranalyse anzuwenden und deren Auswirkungen zu untersuchen.

Das Ziel dieser Masterarbeit ist es, zwei bestehende Studien (1. Taxonomie zu Museumseintrittspreisen und 2. Taxonomie zu Geschäftsmodellen von Kultureventplattformen) zu replizieren. Dabei soll die Clusteranalyse jeweils mit der im kritischen Paper vorgeschlagenen Methodik neu durchgeführt werden. Durch die Replikation und den Vergleich mit den ursprünglichen Ergebnissen wird untersucht, inwiefern die verbesserte Clusteranalyse zu präziseren und aussagekräftigeren Taxonomien führt. Dies trägt dazu bei, methodische Lücken in der IS-Forschung zu schließen und liefert wertvolle Erkenntnisse für zukünftige Studien in diesem Bereich.

Gute Englischkenntnisse

Kenntnisse in statistische Analysetechniken und Python von Vorteil

Heumann, M., Kraschewski, T., Werth, O., & Breitner, M. H. (2024). Reassessing taxonomy-based data clustering: Unveiling insights and guidelines for application. Decision Support Systems, 114344.

Althaus, M., Mueller, S. J., & Kundisch, D. (2024). What price culture?–a taxonomy of the admission pricing policy at museums. International Journal of Cultural Policy, 30(3), 392-407.