Master- und Abschlussarbeiten Learning Sciences

Foto: Jakob Studnar
 

Sie haben Interesse daran, Ihre Abschlussarbeit an der Forschungsprofessur Learning Sciences unter unserer Betreuung zu schreiben? Dann freuen wir uns darauf, von Ihnen zu hören! Bitte schreiben Sie uns eine E-Mail und schildern Sie kurz, welche Themen Sie interessieren – gerne auch mit eigenen Themenvorschlägen oder mit Bezug zu einer unserer aktuellen Beispiel-Fragestellungen:

 

#1 Thema: Kreative Agency in der Mensch–KI-Kollaboration beim Schreiben von Design Fictions

mehr Infos

Hintergrund und Zielsetzung

Generative KI-Systeme wie ChatGPT werden zunehmend als kreative Kollaborationspartner in Bildungs- und Wissenskontexten eingesetzt. Studierende nutzen solche Systeme beispielsweise zur Ideenfindung, zum Schreiben, zur Reflexion oder zur Entwicklung zukünftiger Szenarien. Dadurch entstehen neue Formen der Zusammenarbeit, in denen kreative Beiträge nicht mehr ausschließlich von Menschen hervorgebracht werden, sondern im Zusammenspiel zwischen Mensch und KI entstehen. Während bisherige Forschung vor allem die Qualität kreativer Ergebnisse oder die Akzeptanz von KI-Systemen untersucht, ist bislang wenig darüber bekannt, wie Menschen ihre eigene kreative Handlungsmacht (Agency) während dieser Zusammenarbeit wahrnehmen und wie sich diese im Verlauf kreativer Prozesse verändert. Insbesondere fehlt es an theoretischen und methodischen Ansätzen, um kreative Agency in Mensch–KI-Kollaborationen systematisch zu erfassen und zu beschreiben.

Die Masterarbeit greift diese Forschungslücke auf und untersucht, wie kreative Agency während der gemeinsamen Entwicklung von Design Fictions mit generativer KI entsteht, wahrgenommen und ausgehandelt wird. Design Fictions sind spekulative Zukunftsgeschichten, die mögliche Entwicklungen von Technologie und Gesellschaft erforschen und sich daher besonders für die Untersuchung kreativer Mensch–KI-Zusammenarbeit eignen.

Ziel der Masterarbeit,

  • erste Dimensionen und Indikatoren verteilter kreativer Agency zu identifizieren,

  • zu untersuchen, wie Studierende ihre eigene Rolle und ihren Einfluss während der Zusammenarbeit mit KI wahrnehmen,

  • Interaktionsmuster zu identifizieren, die mit hoher oder niedriger wahrgenommener Agency verbunden sind,

  • sowie einen ersten Beitrag zur Entwicklung eines Modells verteilter kreativer Agency in Human–AI Co-Creation zu leisten.

Die Arbeit versteht sich als Pilotstudie für weiterführende Forschung zu Human–AI Co-Creative Learning.

Methodisches Vorgehen

Die Arbeit kann als qualitative oder Mixed-Methods-Studie durchgeführt werden.

Mögliche Datengrundlagen sind:

  • Design-Fiction-Schreibaufgaben

  • Think-Aloud-Protokolle während des Schreibprozesses

  • Interaktions- und Chat-Logs

  • Fragebögen zur wahrgenommenen Agency und Beteiligung

  • Stimulated-Recall-Interviews oder Reflexionsberichte

Beispielhafte Forschungsfragen:

  • Wie erleben und beschreiben Studierende ihre kreative Agency während der Zusammenarbeit mit generativer KI beim Schreiben von Design Fictions?

  • Welche Dimensionen verteilter kreativer Agency lassen sich in Mensch–KI-Kollaborationen identifizieren?

  • Welche Interaktionsmuster zwischen Mensch und KI gehen mit hoher beziehungsweise niedriger wahrgenommener kreativer Agency einher?

  • Wie verändert sich kreative Agency über verschiedene Phasen eines kreativen Arbeitsprozesses hinweg?

Quellen

  • Ghajargar, M., Bardzell, J., & Lagerkvist, L. (2022). A Redhead Walks into a Bar: Experiences of Writing Fiction with Artificial Intelligence. Proceedings of the 25th International Academic Mindtrek Conference, 230–241. https://doi.org/10.1145/3569219.3569418

  • Wu, Z., Ji, D., Yu, K., Zeng, X., Wu, D., & Shidujaman, M. (2021). AI Creativity and the Human-AI Co-creation Model. In M. Kurosu (Ed.), Human-Computer Interaction. Theory, Methods and Tools (Vol. 12762, pp. 171–190). Springer International Publishing. https://doi.org/10.1007/978-3-030-78462-1_13

  • Debowski, N., Tavanapour, N., & Bittner, E. (2022). Prototyping a Conversational Agent for AI-Supported Ideation in Organizational Creativity Processes. Hawaii International Conference on System Sciences. https://doi.org/10.24251/HICSS.2022.073

 

#2 Thema: Effekte unterschiedlicher Gestaltungsmerkmale von KI-Agenten auf die User Experience in kollaborativen Lernsettings

mehr Infos

Hintergrund und Zielsetzung

Die Gestaltung der Interaktion zwischen Lernenden und KI-Agenten gewinnt im Zuge KI-gestützter kollaborativer Lernsettings zunehmend an Bedeutung. Insbesondere beim kollaborativen Schreiben können KI-Agenten unterschiedliche Rollen einnehmen, durch ihren Kommunikationsstil variieren und zu unterschiedlichen Zeitpunkten in den Lernprozess eingreifen. Diese Gestaltungsmerkmale beeinflussen die wahrgenommene Rolle des Agenten und ob die Studierenden ihn akzeptieren, als unterstützend, motivierend oder sogar störend erleben. Bisher gibt es wenig empirische Forschung dazu, wie diese Gestaltungsmerkmale von KI-Agenten die Wahrnehmung, Akzeptanz und soziale Präsenz in Bildungskontexten, speziell dem kollaborativen Schreiben, beeinflussen.

Aus einer User-Experience-Perspektive lässt sich diese Wahrnehmung als Zusammenspiel pragmatischer und hedonischer Qualitäten verstehen, wie sie im UX-Modell von Hassenzahl et al. (2003) beschrieben werden. Während pragmatische Qualitäten etwa die wahrgenommene Nützlichkeit und Angemessenheit von Interventionen betreffen, beziehen sich hedonische Qualitäten auf Aspekte wie soziale Präsenz, Identifikation und emotionale Ansprache. Gerade in kollaborativen Lernsettings sind diese Faktoren zentral, da sie Motivation, Engagement und die soziale Dynamik der Zusammenarbeit beeinflussen. Daraus können u.a. folgende Forschungsfragen abgeleitet werden:

  • Wie beeinflusst der Kommunikationsstil (z.B. formell vs. informell) eines KI-Agenten die hedonischen UX-Qualitäten (soziale Präsenz, Identifikation) in kollaborativen Schreibsettings?
  • Welche Effekte hat das Timing von Agenteninterventionen auf pragmatische UX-Qualitäten (wahrgenommene Unterstützung, kognitive Belastung?
  • Wie beeinflusst die wahrgenommene Rolle des KI-Agenten (z.B. Coach vs. Peer vs. Moderator) die Motivation, Akzeptanz und Gesamt-UX?

Genaue Forschungsfragen und Variablen werden gemeinsam mit dem / der Studierenden ausgewählt.

Ziel der Arbeit ist die Identifikation von UX-basierten Designspezifikation für KI-Agenten im kollaborativen Schreiben, basierend auf den einflussnehmenden Gestaltungsmerkmalen.

Methodischer Rahmen

  • Experimentelles oder quasi-experimentelles Design mit mehreren Interaktionsvarianten
  • Datenerhebung: Fragebögen zu beispielsweise Akzeptanz (z.B. Yilmaz et al., 2023), sozialer Präsenz (z.B. Kim, 2011), Motivation (z.B. Duncan & McKeachie, 2005) und UX (z.B. Hassenzahl, Burmester & Koller, 2003)

Der Schwerpunkt der Arbeit liegt auf der Identifikation und Design der Gestaltungselemente, dem Studiendesign, der Datenauswertung und der psychologischen Interpretation. Es sind keine Programmierkenntnisse erforderlich.

Quellen:

Duncan, T. G., & McKeachie, W. J. (2005). The making of the motivated strategies for learning questionnaire. Educational Psychologist, 40(2), 117–128. https://doi.org/10.1207/s15326985ep4002_6

Hassenzahl, M., Burmester, M., & Koller, F. (2003). AttrakDiff: Ein Fragebogen zur Messung wahrgenommener hedonischer und pragmatischer Qualität. In Mensch & computer 2003: interaktion in bewegung (pp. 187-196). Wiesbaden: Vieweg+ Teubner Verlag.

Kim, J. (2011). Developing an instrument to measure social presence in distance higher education. British Journal of Educational Technology, 42(5), 763-777.

Yilmaz, H., Maxutov, S., Baitekov, A., & Balta, N. (2023). Student’s perception of Chat GPT: A technology acceptance model study. International Educational Review, 1(1), 57-83.

 

#3 Thema: Aptitude-Treatment-Interaction in der LLM-gestützten Wissensaneignung: Moderiert Vorwissen die Wirksamkeit unterschiedlicher Prompting-Strategien?

mehr Infos

Hintergrund und Zielsetzung

Large Language Models (LLMs) wie ChatGPT oder Claude werden zunehmend als personalisierte Lernwerkzeuge eingesetzt. Dabei ermöglichen sie es Lernenden, den Stil der Interaktion selbst zu steuern: So kann ein Lernender direkte Erklärungen anfordern, das LLM zu sokratischem Fragen auffordern oder es als Korrektiv für eigene Erklärungsversuche nutzen. Diese Prompting-Strategien unterscheiden sich systematisch in der kognitiven Verarbeitungstiefe, die sie erfordern, und in der Kontrollverteilung zwischen Mensch und Maschine.

Die klassische Aptitude-Treatment-Interaction-(ATI-)Forschung (Cronbach & Snow, 1977) zeigt jedoch, dass instruktionale Methoden nicht universell wirken, sondern in Wechselwirkung mit individuellen Lerneigenschaften stehen. Insbesondere das Vorwissen gilt als zentraler Moderator: Was für Novizen lernförderlich ist, kann für Lernende mit höherem Vorwissen redundant oder sogar hinderlich sein (Expertise-Reversal-Effekt; Kalyuga et al., 2003). Ob und wie dieser Effekt auf die Interaktion mit LLMs zutrifft, ist bisher empirisch kaum untersucht.

Ziel der Arbeit ist es, experimentell zu prüfen, ob das fachliche Vorwissen von Lernenden die Wirksamkeit verschiedener Prompting-Treatments auf Lernzuwachs und kognitive Belastung moderiert, und daraus Empfehlungen für den differenziellen Einsatz von LLMs im Lernkontext abzuleiten.

Beispielhafte Forschungsfragen:

  • Zeigt sich ein ATI-Interaktionseffekt zwischen Vorwissensniveau und Prompting-Treatment (expositiv / sokratisch / generativ) auf den Lernzuwachs?

  • Lässt sich ein Expertise-Reversal-Effekt in der LLM-gestützten Wissensaneignung replizieren?

  • Wie beeinflusst das Prompting-Treatment die kognitive Belastung in Abhängigkeit vom Vorwissen der Lernenden?

  • Welche Interaktionsmuster (z. B. Länge und Struktur der Prompts, Anzahl der Turns) unterscheiden Lernende mit niedrigem und hohem Vorwissen innerhalb der Treatments?

Die genauen Forschungsfragen und Variablen werden gemeinsam mit dem / der Studierenden ausgewählt.

Methodischer Rahmen

  • Experimentelles Design (3 Treatments x 2 Vorwissensniveaus) mit randomisierter Zuweisung

  • Standardisierte System-Prompts zur Umsetzung der Prompting-Treatments über eine einheitliche Chat-Schnittstelle

  • Datenerhebung: Vorwissenstest (MC-Items, selbst entwickelt), Wissensposttest (isomorph), kognitive Belastung (z. B. NASA-TLX; Hart & Staveland, 1988; Leppink et al., 2013), Motivation (z. B. IMI; Ryan, 1982), wahrgenommene Nützlichkeit (z. B. TAM-Adaptation; Davis, 1989)

  • Explorative Analyse der Chat-Logs (Anzahl Turns, Prompt-Länge, Fragetypen)

Der Schwerpunkt der Arbeit liegt auf dem Studiendesign, der Entwicklung und Pilotierung der Lernmaterialien und Messinstrumente, der Datenerhebung und -auswertung sowie der lernpsychologischen Interpretation der Befunde. Grundlegende Programmierkenntnisse sind von Vorteil, aber nicht zwingend erforderlich.

Quellen:

Cronbach, L. J., & Snow, R. E. (1977). Aptitudes and instructional methods: A handbook for research on interactions. Irvington.

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008

Hart, S. G., & Staveland, L. E. (1988). Development of NASA-TLX (Task Load Index): Results of empirical and theoretical research. In P. A. Hancock & N. Meshkati (Eds.), Human mental workload (pp. 139-183). North-Holland. https://doi.org/10.1016/S0166-4115(08)62386-9

Kalyuga, S., Ayres, P., Chandler, P., & Sweller, J. (2003). The expertise reversal effect. Educational Psychologist, 38(1), 23-31. https://doi.org/10.1207/S15326985EP3801_4

Leppink, J., Paas, F., van der Vleuten, C. P. M., van Gog, T., & van Merrienboer, J. J. G. (2013). Development of an instrument for measuring different types of cognitive load. Behavior Research Methods, 45(4), 1058-1072. https://doi.org/10.3758/s13428-013-0334-1

Ryan, R. M. (1982). Control and information in the intrapersonal sphere: An extension of cognitive evaluation theory. Journal of Personality and Social Psychology, 43(3), 450-461. https://doi.org/10.1037/0022-3514.43.3.450

Sweller, J., van Merrienboer, J. J. G., & Paas, F. (2019). Cognitive architecture and instructional design: 20 years later. Educational Psychology Review, 31(2), 261-292. https://doi.org/10.1007/s10648-019-09465-5

 

#4 Thema: How Do Students Decide Whether to Use Adaptive Scaffolds During Self-Regulated Learning?

mehr Infos

Background and Rationale

Adaptive scaffolding in technology-enhanced learning (TEL) environments is proposed to support self-regulated learning (SRL) at critical time points during a task. However, persistent empirical findings demonstrate that students frequently dismiss or engage poorly with scaffolds even when these are delivered at theoretically appropriate moments (e.g., Bannert & Mengelkamp, 2013; Lim et al., 2023). This non- or poor-compliance is often treated as a basis for explaining missing learning effects and areas of improvement for future scaffolds. From an SRL perspective, however, the decision to engage with or dismiss a scaffold is itself a regulatory act which reflects how students monitor their current learning, appraise the scaffold's relevance, and align it with their goals for the learning session. Therefore, understanding why students make these decisions is central to explaining when and for whom adaptive scaffolding supports learning, and to improving scaffold design.

Existing research on scaffold interaction has relied predominantly on behavioral indicators derived from trace data, such as whether students clicked on scaffold options, how long they dwelled on scaffold content, and whether scaffold-suggested activities appeared in subsequent learning paths ((Li et al., 2023; Saint et al., 2024). While trace data can offer fine-grained information about learning behavior, these measures do not access the regulatory processes that drive scaffold engagement decisions. Concurrent think-aloud (CTA) protocols can elicit such process data (Engelmann et al., 2021) but are known to be laborious and less feasible for larger samples. Thus, there is a need to investigate methodologically feasible, process-oriented approaches, such as (cued) retrospective reporting (van Gog et al., 2005) that can capture regulatory thinking at scaffold events without the practical constraints of concurrent verbalization.

Thesis Objective

This thesis investigates how students' regulatory decision-making processes at scaffold events can be captured and characterized using post-learning (cued) retrospective reporting. It examines the qualitative patterns of regulatory thinking that distinguish scaffold engagement from dismissal, and explores the extent to which retrospectively reported regulatory processes correspond with behavioral indicators of scaffold interaction and learning activities.

Example Research Questions

  • How do students retrospectively report their regulatory decision-making at scaffold events, and do these accounts differ systematically between scaffold engagement and dismissal?

  • To what extent do students' retrospective reports at scaffold events correspond with their subsequent learning behavior as captured by trace data (e.g., SRL activity sequences following scaffold interaction)?

  • What qualitative patterns of regulatory thinking characterize students who benefit from scaffolding (in terms of learning outcomes) compared with those who show minimal or no benefit?

  • How consistent are students' retrospective accounts across multiple scaffold events within a single learning session, and what factors (e.g., scaffold content, timing, prior task state) are associated with variation?

Methodological Framework

  • Mixed-methods design combining qualitative retrospective reporting with quantitative behavioral and outcome measures

The focus of the thesis lies on study design, data collection, retrospective reporting facilitation, qualitative coding, and psychological interpretation of results. No programming experience is required. An existing technology-enhanced learning environment with integrated adaptive scaffolds is provided.

References

Engelmann, K., Bannert, M., & Melzner, N. (2021). Do self-created metacognitive prompts promote short-and long-term effects in computer-based learning environments? Research and Practice in Technology Enhanced Learning, 16(3), 1–21. https://doi.org/10.1186/s41039-021-00148-w

Li, T., Fan, Y., Tan, Y., Wang, Y., Singh, S., Li, X., Raković, M., van der Graaf, J., Lim, L., Yang, B., Molenaar, I., Bannert, M., Moore, J., Swiecki, Z., Tsai, Y.-S., Shaffer, D. W., & Gašević, D. (2023). Analytics of self-regulated learning scaffolding: Effects on learning processes. Frontiers in Psychology, 14. https://www.frontiersin.org/articles/10.3389/fpsyg.2023.1206696

Lim, L., Bannert, M., van der Graaf, J., Fan, Y., Rakovic, M., Singh, S., Molenaar, I., & Gašević, D. (2023). How do students learn with real-time personalized scaffolds? British Journal of Educational Technology. https://doi.org/10.1111/bjet.13414

Panadero, E. (2017). A Review of Self-regulated Learning: Six Models and Four Directions for Research. Frontiers in Psychology, 8, 422. https://doi.org/10.3389/fpsyg.2017.00422

Saint, J., Fan, Y., & Gasevic, D. (2024). Analytics of scaffold compliance for self-regulated learning. Proceedings of the 14th Learning Analytics and Knowledge Conference, LAK ’24, 326–337. https://doi.org/10.1145/3636555.3636887

van Gog, T., Paas, F., van Merriënboer, J. J. G., & Witte, P. (2005). Uncovering the Problem-Solving Process: Cued Retrospective Reporting Versus Concurrent and Retrospective Reporting. Journal of Experimental Psychology: Applied, 11(4), 237–244. https://doi.org/10.1037/1076-898X.11.4.237

23.06.2026