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 2023 systematisch zu analysieren. Dabei soll ein KI-gestützter Analyseansatz zur Untersuchung der kumulativen Weiterentwicklung von Taxonomien in der Informationssystemforschung entwickelt und angewendet werden. Es 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.

Der Eintritt digitaler Plattformen in den Markt hat in den vergangenen Jahren erhebliche Auswirkungen auf unsere Gesellschaft gehabt. Forschungsergebnisse haben gezeigt, dass Ride-Sharing-Plattformen wie Uber oder Lyft sowie Freelancer-Plattformen wie Fiverr und Upwork sowohl beabsichtigte als auch unbeabsichtigte Folgen mit sich bringen. Die Auswirkungen auf Trunkenheit am Steuer, Verkehrsstaus und die Nutzung öffentlicher Verkehrsmittel durch den Markteintritt von Uber verdeutlichen beispielsweise die vielschichtigen Konsequenzen solcher Plattformen. Während bereits zahlreiche Plattformen erfolgreich in den Markt eingetreten sind, zeichnet sich in verschiedenen Bereichen derzeit ein vermehrtes Aufkommen neuer Plattformen ab, wie beispielsweise im Bereich der Lebensmittelverschwendung-Apps. Dadurch wird die anhaltende Bedeutung deutlich und die Relevanz, (un)beabsichtigte Folgen zu untersuchen und im Blick zu behalten.

Das Ziel dieser Bachelorarbeit ist es, eine systematische Literaturrecherche zu den beabsichtigten und unbeabsichtigten Folgen von Markteintritten von digitalen Plattformen durchzuführen. Die Arbeit soll sich darauf konzentrieren, Forschungsarbeiten zu identifizieren und zu analysieren, die die (un)vorhersehbaren Folgen von Markteintritten von digitalen Plattformen auf die Gesellschaft in verschiedenen Kontexten durchleuchtet. Die relevanten Publikationen sollen systematisch recherchiert und identifiziert werden, und die Forschungsstrategie verständlich dargestellt werden. Darüber hinaus sollen die grundlegenden Begriffe in diesem Forschungsbereich bestimmt und voneinander abgegrenzt werden. Darauf aufbauend sollen die identifizierten Forschungsbeiträge sowie deren zentrale Aspekte durch eine geeignete Kategorisierung systematisch dargestellt werden. Außerdem sollen mögliche Schwerpunkte der bereits vorhandenen Literatur vorgestellt und mögliche Forschungslücken aufgezeigt werden

Laitenberger, U., Viete, S., Slivko, O., Kummer, M., Borchert, K., and Hirth, M.. (2023). “Unemployment and online labor: Evidence from microtasking,” MIS Quarterly 47 (2), 771-802.

Burtch, G., Carnahan, S., and Greenwood, B. N. (2018) “Can you gig it? An empirical examination of the gig economy and entrepreneurial activity,” Management Science 64 (12), 5497-5520.

Babar, Y. and Burtch G. (2020). “Examining the heterogeneous impact of ride-hailing services on public transit use,” Information Systems Research 31 (3), 820-834.

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.

Erklärbare Künstliche Intelligenz als Instrument zur Förderung von AI Literacy

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.

Ein Jahr EU-AI Act: Inwieweit schulen Unternehmen ihre Mitarbeitenden hinsichtlich Künstlicher Intelligenz?

Artikel 4 des EU AI-Acts verlangt von Unternehmen, dass alle Mitarbeitenden, die mit Künstlicher Intelligenz (KI) in Berührung kommen, über ein hinreichendes Maß an KI-Kompetenz verfügen. KI-Tools sind mittlerweile zentraler Bestandteil vieler Standardsoftware (z.B. Microsoft Copilot). Hierdurch kommen viele Angestellte automatisch in Kontakt mit KI. Ein Jahr nach in Kraft treten des Artikels 4 im EU AI-Act stellt sich daher die Frage, inwieweit Unternehmen dieser Pflicht nachgekommen sind und ihre Mitarbeitenden hinsichtlich KI schulen.

Ziel dieser Bachelorarbeit ist es, mit Unternehmensvertretern in Kontakt zu treten (z.B. über den SICP) und mittels Interviews oder Umfragen zu erfassen, inwieweit die Unternehmen ihre Mitarbeiter bereits hinsichtlich KI schulen. Da KI-Kompetenzen (”AI-Literacy”) nicht eindeutig definiert sind und sich das Verständnis je nach Kontext unterscheidet, soll nicht nur der aktuelle Stand von Schulungen (nicht geplant/ geplant/ andauernd/ abgeschlossen) erfasst werden, sondern insbesondere auch Charakteristika der Schulungen (z.B. welche Mitarbeitenden geschult werden und worin).

European Union. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council. Article 4. https://eur-lex.europa.eu/eli/reg/2024/1689/oj.

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI conference on human factors in computing systems, New York, USA, 1–16. https://doi.org/10.1145/3313831.3376727.

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(100041), 1–11. https://doi.org/10.1016/j.caeai.2021.100041.

Inwieweit fühlen sich Lehrende fit für Künstliche Intelligenz?

Ein kompetenter Umgang mit KI (”AI Literacy”) ist eines der zentralen Zukunftsthemen in Bildungsinitiativen wie der Agenda “Education 2030” der UNESCO. Doch was tun, wenn Technologien sowohl für Schüler als auch Lehrende gleich neuartig sind? Die rasante Entwicklung von künstlicher Intelligenz stellt insbesondere Lehrende vor die Herausforderung, eigene KI-Kompetenzen zu erwerben, um KI sachgerecht anzuwenden und bei der Entwicklung von Kompetenzen zu unterstützen. Das KI-Kompetenzen Rahmenwerk für Lehrende der UNESCO liefert eine theoretische Grundlage, über welche Kompetenzen Lehrende verfügen sollten. Doch wie sieht deren Umsetzung in der Praxis aus?

Ziel dieser Bachelorarbeit ist es, mit Lehrenden aus verschiedenen Bereichen des Bildungssektors (z.B. Hochschullehrer, Lehrer, Kursleiter) in Kontakt zu treten und mittels Interviews oder Umfragen zu erfassen, inwieweit sie ihre KI-Kompetenzen hinsichtlich des KI-Kompetenz Rahmenwerks für Lehrende einschätzen. Außerdem soll erfasst werden welche Unterstützungsbedarfe bei Lehrenden ausstehen bzw. durch welche Unterstützungsangebote Kompetenzen erfolgreich erworben wurden.

UNESCO. (2024). AI competency framework for teachers. 1-52. https://doi.org/10.54675/ZJTE2084.

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI conference on human factors in computing systems, New York, USA, 1–16. https://doi.org/10.1145/3313831.3376727.

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(100041), 1–11. https://doi.org/10.1016/j.caeai.2021.100041.

Erste Eindrücke spielen eine zentrale Rolle in zwischenmenschlichen Interaktionen, da sie maßgeblich den weiteren Verlauf einer Begegnung prägen. Ähnlich gilt dies zunehmend auch für die Interaktion zwischen Menschen und Chatbots. Die erste Nutzereingabe beeinflusst den Verlauf einer Konversation mit einem Chatbot maßgeblich. Dieses Prinzip bildet unter anderem die Grundlage des Prompt Engineerings, das darauf abzielt, Dialoge mit Chatbots gezielt zu lenken. Gleichzeitig ist davon auszugehen, dass viele Nutzende über kein ausgeprägtes intuitives Verständnis darüber verfügen, wie sie eine Interaktion mit Chatbots initiieren sollten. Beispielsweise könnten unterschiedliche Vorstellungen von Künstlicher Intelligenz (z.B. AI Literacy) zu erheblichen Unterschieden im Umgang mit solchen Systemen führen.

Ziel dieser Masterarbeit ist es daher, explorativ zu untersuchen, wie Nutzende ihre Konversationen mit Chatbots initialisieren sowie erste Erklärungsansätze zu identifizieren. Zur Beantwortung dieser Fragestellung verfolgt die Arbeit einen Multi-Methoden Ansatz. Zum einen werden mithilfe von natural language processing Muster in öffentlich verfügbaren Datensätzen zu Mensch-KI-Dialogen identifiziert. Zum anderen werden eigene Daten mit initialen Nutzereingaben und Daten für mögliche Erklärungsansätze erhoben. Mittels dieser Daten sollen informative Interaktionsmuster identifiziert, wie: Initiieren Nutzende eine Chatbot Interaktion strategisch?, Lässt sich parasoziales erkennen?

Zhao, W., Ren, X., Hessel, J., Cardie, C., Choi, Y., & Deng, Y. (2024). Wildchat: 1m chatgpt interaction logs in the wild. arXiv preprint arXiv:2405.01470, 1-16. https://doi.org/10.48550/arXiv.2405.01470.

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI conference on human factors in computing systems, New York, USA, 1–16. https://doi.org/10.1145/3313831.3376727.

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(100041), 1–11. https://doi.org/10.1016/j.caeai.2021.100041.

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.

Die Kultur- und Veranstaltungsbranche ist in Deutschland die sechstgrößte Wirtschaftsbranche. Insgesamt werden 6,5 Milliarden Euro jährlich im Bereich Kulturveranstaltungen (ohne öffentliche Kulturträger) erwirtschaftet. Die Suche nach passenden Veranstaltungen aus einem vielfältigen Kulturangebot kann für Kulturinteressierte jedoch mitunter schwierig sein. Digitale Plattformen der Kultur- und Veranstaltungsbranche bieten Kulturinteressierten die Möglichkeit, sich über dem Kulturinteressierten bereits bekannte Veranstaltungen genauer zu informieren (z.B. Eintrittspreis, Veranstaltungsort, Veranstaltungsdauer), aber auch interessante, bisher unbekannte, Veranstaltungen zu entdecken. Auf der einen Seite können Kulturinteressierte also davon profitieren, dass sie über eine digitale Kulturplattform mit einer größeren Anzahl von Kulturschaffenden interagieren können. Auf der anderen Seite können Kulturschaffende davon profitieren, dass Sie ihre Veranstaltungen einer potenziell größeren Kundengruppe über eine solche digitale Kulturplattform präsentieren und zugänglich machen können.

Für Kulturinteressierte, die nach interessanten Veranstaltungen suchen, können Kulturplattformen durch mögliche zusätzliche Mehrwertdienste, wie z.B. datenbasierte Empfehlungen, Ticketsysteme oder die Einbindung von externen Diensten, einen zusätzlichen Nutzen schaffen.  Jedoch ist es für die Betreiber der Kulturplattformen nicht offensichtlich, welche Präferenzen und Zahlungsbereitschaften Kulturinteressierte für die zusätzlichen Mehrwertdienste aufweisen. Die aus der Marktforschung stammende Conjoint-Analyse ermöglicht ein besseres Verständnis der Nutzerpräferenzen durch einen gleichzeitigen Vergleich verschiedener Attribute. Dadurch können die Präferenzen von Nutzern hinsichtlich verschiedener Attribute von Kulturplattformen erforscht werden. Zudem eignet sich die Conjoint-Analyse auch zur Unterstützung bei der Entwicklung von Geschäftsmodellen, indem sie wirtschaftliche Attribute und Zahlungsbereitschaften einbindet, und dadurch das Kaufverhalten besser prognostizieren kann.

Das Ziel der Masterarbeit ist deshalb die Anfertigung einer Conjoint-Analyse zu Nutzerpräferenzen von Attributen auf digitalen Kulturplattformen. In einem ersten Schritt sollen die relevanten Begrifflichkeiten und (theoretischen) Grundlagen erarbeitet werden. In einem zweiten Schritt soll dann eine Conjoint-Analyse durchgeführt werden. Dafür müssen zum einen die Attribute und Attributsebenen definiert und daraus Attributsprofile abgeleitet werden. Zum anderen müssen die Attributsprofile von potenziellen Nutzern in einer Umfrage bewertet und diese anschließend ausgewertet werden. In einem dritten Schritt sollen dann die Ergebnisse der Conjoint-Analyse aufbereitet und übersichtlich präsentiert werden, um einen Überblick über die Nutzerpräferenzen auf digitalen Kulturplattformen zu geben. In einem vierten Schritt gilt es dann die Ergebnisse kritisch zu diskutieren sowie Handlungsempfehlungen für die Gestaltung von Kulturplattformen zu entwickeln.

Gute Englischkenntnisse

Kenntnisse in Marketingmethoden sind von Vorteil, aber nicht unbedingt erforderlich

Naous, D., & Legner, C. (2021). Leveraging market research techniques in IS: a review and framework of conjoint analysis studies in the IS discipline. Communications of the Association for Information Systems, 49(1), 10.

Giessmann, A., & Stanoevska, K. (2012). Platform as a Service–A conjoint study on consumers’ preferences. ICIS 2012 Proceedings.

Nikou, S., Bouwman, H., & de Reuver, M. (2014). A consumer perspective on mobile service platforms: A conjoint analysis approach. Communications of the Association for Information Systems, 34(1), 82.

Giessmann, A., Naous, D., & Legner, C. (2016, June). User-Oriented Cloud Service Design based on Market Research Techniques. ECIS 2016 Proceedings.

Rao, V. R. (2014). Applied conjoint analysis. Springer Science & Business Media.

Die Digitalisierung der Wertschöpfung und die zunehmende Bedeutung von Datenökosystemen, wie Catena-X, stellen kleine und mittlere Unternehmen (KMU) vor neue Herausforderungen. Datenökosysteme wie Catena-X versprechen Effizienzsteigerungen, neue Geschäftsmodelle und die Erfüllung regulatorischer Anforderungen. Für KMU stellt die Teilnahme jedoch auch Herausforderungen dar, die zu einer abwartenden Haltung führen können. Bisherige Forschungsarbeiten identifizieren zwar Motive und Barrieren, jedoch noch nicht zum Verständnis bei, warum KMU trotz des Drucks vonseiten der Regulierungsbehörden und Kunden zögern, aktiv an solchen Ökosyxstemen teilzunehmen.

Ziel dieser Masterarbeit ist es daher, die Ursachen für die Zurückhaltung von KMU bei der Adoption von Catena-X zu identifizieren. Konkret können folgende Fragen beantwortet werden:

1. Wie erleben KMU den Druck, sich an Catena-X anzuschließen? Wird dieser als Einladung zur Zusammenarbeit oder als Zwang empfunden?
2. Wie verstehen KMU die Komplexität des Datenökosystems Catena-X und seine zugrundeliegenden Prinzipien (z.B. Datensouveränität)?
3. Welchen Einfluss hat dieses Verständnis auf die Entscheidung, an Catena-X teilzunehmen, eine abwartende Haltung einzunehmen oder abzulehnen?

Die Datenerhebung wird primär durch qualitative Methoden erfolgen. Denkbar sind beispielsweise:

• Leitfadeninterviews: Mit Entscheidungsträgern aus KMU, die sich mit der Frage der Teilnahme an Catena-X auseinandersetzen.
• Dokumentenanalyse: Von öffentlich zugänglichen Materialien zu Catena-X und KMU-Strategien.

Brechtel, M. (2025). From hesitation to participation in industrial data ecosystems: Analysis of motives and incentives in the automotive industry. Electronic Markets 35, 73 (2025). 10.1007/s12525-025-00818-3

Gelhaar, Joshua & Müller, Paul & Bergmann, Nils & Dogan, Rojda. (2023). Motives and Incentives for Data Sharing in Industrial Data Ecosystems: An Explorative Single Case Study. 10.24251/HICSS.2023.454. 

Hutterer, Andreas & Krumay, Barbara. (2024). The adoption of data spaces: Drivers toward federated data sharing. 10.24251/HICSS.2024.542. 

Möller, Frederik & Jussen-Lengersdorf, Ilka & Springer, Virginia & Gieß, Anna & Schweihoff, Julia & Gelhaar, Joshua & Guggenberger, Tobias & Otto, Boris. (2024). Industrial data ecosystems and data spaces. Electronic Markets. 34. 1-17. 10.1007/s12525-024-00724-0.