Für Studierende

Die Einführung und Akzeptanz neuartiger Technologien ist ein vielschichtiger Prozess, der sowohl kognitive als auch affektive und ethische Aspekte umfasst. Gängige Modelle wie das Technology Acceptance Model (TAM; Venkatesh & Bala, 2008), welches auf der Theory of Planned Behavior (TPB; Ajzen 2020) aufgebaut wurde, fokussieren sich vor allem auf kognitive Faktoren, wie die Wahrnehmung von Nützlichkeit und Benutzerfreundlichkeit. In vielen Kontexten spielen jedoch auch affektive Dimensionen, wie emotionale Reaktionen, und normative Überlegungen, wie ethische Akzeptanz, eine zentrale Rolle (Huijts et al., 2012).

Empirische Ethik als Grundlage für die Untersuchung der Akzeptanz

Empirische Ethik bietet einen vielversprechenden Ansatz, empirische Daten und normative Prinzipien zu verbinden, um fundierte Erkenntnisse über soziale Praktiken zu gewinnen. Durch die Verknüpfung von deskriptiven und normativen Ansätzen ermöglicht sie eine umfassende Analyse der Akzeptanz neuer Technologien. So können nicht nur bestehende Meinungen und Emotionen erfasst, sondern auch ethische Leitlinien für die Entwicklung und Einführung dieser Technologien formuliert werden. Diese Perspektive erlaubt es, Empfehlungen für eine ethisch reflektierte und gesellschaftlich akzeptierte Implementierung neuer Technologien zu entwickeln. Hierzu haben wir die Ethics Scale for Technology Assessment (ESTA; Fenn et al., in prep.) entwickelt. Diese standardisierte Skala basiert auf verschiedenen normativen Theorien und ermöglicht es, Technologien systematisch und multidimensional aus ethischer Sicht zu bewerten.

Einsatz von „Cognitive-Affective Maps“ (CAMs)

Cognitive-Affective Maps (CAMs) sind visuelle Werkzeuge, die sowohl die kognitiven Überzeugungen als auch die emotionalen Bewertungen von Konzepten systematisch darstellen. In einer CAM werden zentrale Konzepte (z. B. „Nachhaltigkeit“, „Innovationskosten“) als Knotenpunkte visualisiert, die durch Verbindungen miteinander in Beziehung stehen. Die Farben und Linienbreiten der Knoten zeigen die affektive Bewertung – positiv, negativ, neutral oder ambivalent. Diese Methode ermöglicht es, kognitive und emotionale Aspekte der Technologieakzeptanz in einer intuitiven, leicht interpretierbaren Form zu erfassen.

Dadurch wird ein detailliertes Verständnis der mentalen Modelle und emotionalen Einstellungen von gesellschaftlichen Gruppen ermöglicht, das über rein kognitive Ansätze hinausgeht. Hierzu haben wir die sogenannten CAM Tools (Fenn et al., 2024) entwickelt, welche es ermöglichen CAM Daten zu erheben und zu analysieren (siehe auch: https://drawyourminds.de/).

Potenzial für empirische und normative Erkenntnisse

Die kombinierte Anwendung von CAMs und ESTA in Verbindung mit einem empirisch-ethischen Ansatz könnte entscheidende Fragen beantworten:

• Welche kognitiven und affektiven Faktoren beeinflussen die Akzeptanz neue Technologien?
• Welche ethischen Bedenken äußern verschiedene gesellschaftliche Gruppen, und wie könnten diese überwunden werden?

Mit diesem Ansatz wird nicht nur ein tieferes Verständnis der Wahrnehmung und Bewertung neuartiger Technologien geschaffen, sondern auch ein wertvoller Beitrag zur ethischen Gestaltung und erfolgreichen Einführung dieser Technologien geleistet. So lassen sich Erkenntnisse gewinnen, die eine nachhaltige, gesellschaftlich akzeptierte Implementierung ermöglichen.

Deutschland seine Klimaziele einhalten kann, bedarf es einer drastischen Reduzierung der Treibhausgasemissionen im Verkehrssektor. Verschiedene Studien zeigen, dass der Verlagerung von Mobilität vom PKW auf öffentliche Verkehrsmittel große Bedeutung zukommt (z.B. Blanck & Zimmer, 2016; Hentschel et al., 2020; Rudolph et al., 2017). Dabei gilt es die Einstellungen und Normen zu berücksichtigen, die die Entscheidung von Mens

Interaktionsstudie mit Sprachmodellen – Wahrnehmung von Vertrauenswürdigkeit und Nützlichkeit

Diese Arbeit untersucht, wie Menschen die Vertrauenswürdigkeit und Nützlichkeit von Antworten bewerten, die von Large Language Models (LLMs) generiert werden. Der Fokus liegt auf dem Vergleich zwischen LLMs, die nur spezifizierte Fachquellen nutzen, und solchen mit unbeschränktem Internetzugang. Im Rahmen interaktiver Aufgaben (z. B. Prüfungsvorbereitung oder Informationsbewertung) bewerten die Teilnehmenden die Qualität und Vertrauenswürdigkeit der Antworten. Ziel ist es, Faktoren zu identifizieren, die die Akzeptanz und Wahrnehmung von LLMs in Bildungs- und Informationskontexten beeinflussen.

Voraussetzungen:

• Programmierkenntnisse in Python, insbesondere für die Arbeit mit Sprachmodell-Schnittstellen (z. B. OpenAI API; Hugging Face).
• Idealerweise Vorerfahrung mit Sprachmodellen und Prompt-Engineering.

Ziele:

• Analyse der wahrgenommenen Vertrauenswürdigkeit und Nützlichkeit von LLM-Antworten.
• Entwicklung von Empfehlungen zur Optimierung der Interaktion mit LLMs in spezifischen Anwendungsszenarien.

Automatisierte Textgenerierung für Cognitive-Affective Maps (CAMs)

In diesem Projekt wird die automatische Erstellung von Textbeschreibungen für Cognitive-Affective Maps (CAMs) untersucht. CAMs visualisieren kognitive und affektive Beziehungen zwischen Konzepten. Ziel ist es, mithilfe von Sprachmodellen wie GPT strukturierte, präzise und interpretierbare Textzusammenfassungen von CAMs zu generieren. Dies ermöglicht eine skalierbare und standardisierte Interpretation von CAM-Daten und erleichtert Anwendungen in der Psychologie und Entscheidungsforschung.
eine neue Technologie akzeptiert wird bzw. welche begleitenden Maßnahmen für eine breite Einführung evtl. erforderlich sind, wird häufig mit verschiedenen Varianten des Technology Acceptance Models (TAM; Venkatesh & Bala, 2008) oder der Unified Theory of Acceptance and Use of Technology (UTAUT; Venkatesh, Thong & Xu, 2012) untersucht.

Diese Modelle wurden schwerpunktmäßig für IT-Anwendungen entwickelt und konzentrieren sich i.w. auf kognitive Faktoren; in vielen Bereichen spielen jedoch affektive Komponenten ebenfalls eine wichtige Rolle.
Mit sog. CAM (Cognitive Affective Maps; Thagard, 2010; Kreil, 2018) können kognitive und affektive Attribute und Zusammenhänge gleichberechtigt in Form von visueller Darstellungen erfasst werden.
Diese relativ neue Methode soll in einer kleinen Pilotstudie angewandt werden, um erste Erkenntnisse im Umfeld der Entwicklung und Akzeptanz neuartiger Materialsysteme zu liefern.

Voraussetzungen:

• Programmierkenntnisse in Python, insbesondere für die Arbeit mit Sprachmodell-Schnittstellen (z. B. OpenAI API; Hugging Face).
• Idealerweise Vorerfahrung mit Sprachmodellen und Prompt-Engineering.

Ziele:

1. Entwicklung einer Pipeline, die CAM-Daten in visuelle und textuelle Repräsentationen übersetzt.
2. Erstellung und Optimierung von Prompts zur Generierung präziser Textbeschreibungen von CAM-Strukturen.
3. Evaluation der Ergebnisse durch Expert:innenfeedback und Vergleich verschiedener Sprachmodelle.

Erweiterungsmöglichkeiten:

• Vergleich unterschiedlicher Dateiformate (z. B. PNG vs. SVG) für die Textgenerierung.
• Integration von Rohdaten (z. Badjacency matrices) direkt in die Textgenerierungspipeline.

Diese Arbeiten bieten die Möglichkeit, fortschrittliche Sprachmodelle und innovative Methoden wie CAMs zu nutzen, um neue Erkenntnisse über Technologieakzeptanz, visuelle Datenrepräsentationen und automatisierte Textgenerierung zu gewinnen.

In dieser Abschlussarbeit soll untersucht werden, wie sich ein möglicher impliziter Gewichtsbias (weight bias) in Abhängigkeit vom eigenen Body-Mass-Index (BMI) verhält. Gewichtsbias bezeichnet unbewusste negative Einstellungen gegenüber übergewichtigen Personen (weight bias), die häufig automatisch und ohne reflektierte Kontrolle ablaufen.

In einer ersten Studie mit einem normalgewichtigen Sample konnten wir einen Gewichtsbias in den Reaktionszeiten eines Affektiven Priming Paradigmas finden.

Diesen Bias konnten wir in einer zweiten Studie mit überwiegend übergewichtigen Teilnehmenden jedoch nicht replizieren. Auf dieser Grundlage steht nun die Analyse eines neuen Datensatzes mit Teilnehmenden unterschiedlicher BMI-Gruppen im Fokus. Ziel ist es, systematisch zu untersuchen, ob und wie sich der Bias in Abhängigkeit vom eigenen BMI manifestiert.

Die Analyse kann auf Reaktionszeitdaten basieren; optional ist auch der Einsatz kognitiver Modellierung möglich.

In dieser Abschlussarbeit soll ein neuartiger Trainingsansatz zur Reduktion von implizitem Gewichtsbias weiterentwickelt und empirisch überprüft werden. Gewichtsbias bezeichnet unbewusste negative Einstellungen gegenüber übergewichtigen Personen (weight bias), die häufig automatisch und ohne reflektierte Kontrolle ablaufen.

Der Trainingsansatz basiert auf unseren eigenen Vorarbeiten, in denen wir mithilfe kognitiver Modellierung zentrale kognitive Prozesse identifizieren konnten, die maßgeblich zur Entstehung des Bias beitragen. Erste Trainingskonzepte, die gezielt an diesen Prozessen ansetzen, wurden bereits entwickelt. Im Rahmen der Abschlussarbeit sollen diese weiter verfeinert, methodisch angepasst und im Rahmen einer empirischen Studie getestet werden.

In dieser Abschlussarbeit geht es um die Analyse von Assoziationen, die mit übergewichtigen Personen verbunden werden. Dazu bearbeiten Teilnehmende einen Word Association Task, in dem sie spontan Begriffe nennen, die ihnen zu bestimmten Personengruppen – beispielsweise übergewichtigen Personen – einfallen.

Ziel ist es, die auf diese Weise erhobenen Assoziationen systematisch auszuwerten, um Einblicke in verbreitete Stereotype zu gewinnen. Zum Einsatz sollen dabei Large Language Models (LLMs) kommen, die helfen, inhaltliche Muster, thematische Schwerpunkte und semantische Strukturen in den Assoziationen zu erkennen und zu interpretieren. Ähnliches wurde bspw. bereits zum Begriff „Risiko“ durchgeführt (Wulff & Mata, 2022).