Themen für Doktor-, Master-, und Bachelorarbeiten

Umfang, methodische Anforderungen und Thementiefe variieren je nach Art der Arbeit (Doktor, Master oder Bachelor)!

KI-generierte Themenvorschläge werden nicht angenommen!

Innovationsökonomie

1. Verschiedene Themen rund um Patentanalysen (Daten sind vorhanden), zum Beispiel:
   1. Netzwerkanalysen zur Verknüpfung von Patenten
   2. Trendanalysen zur Innovation in Gebieten wie PV, Windenergie, o.ä.
   3. Textanalysen mit natural language processing (Software und kurze Einführung sind vorhanden)
   4. … = gerne auch eigene Themen

Sozial-ökologische Systeme

1. Verschiedene Themen rund um sozial-ökologische Systeme, zum Beispiel:
   1. Sammlung von Fallstudien und Extraktion der im Artikel genannten Erfolgsfaktoren
   2. Meta-analyse von Fallstudien
   3. Zuordnung von Erfolgsfaktoren in Artikeln zu einem vorhandenen Framework (Mapping)
   4. Nutzung von LLM, um Informationen aus Artikeln systematisch zu extrahieren
   5. … = gerne auch eigene Themen

Kooperation

1. Verschiedene Themen rund um Kooperation, zum Beispiel:
   1. Wie lassen sich Altruisten von Egoisten abgrenzen und diese Trennlinien über die Zeit aufrechterhalten?
   2. Wie lassen sich Altruisten zuverlässig anhand bekannter Merkmale (z. B. Blutspenden) identifizieren?
   3. Wie lassen sich Egoisten zuverlässig anhand bekannter Merkmale identifizieren?
   4. Welche Vorteile ergeben sich für Gemeinschaften, die nur aus Altruisten bestehen?
   5. Meta-analyse zu Public Goods Games, Diktatorspielen, Ultimatumspielen, oder anderen bekannten verhaltensökonomischen Experimenten
   6. Zusammenstellung untersuchter Einflussfaktoren in Public Goods Games
   7. Experimente auf der Straße zu Altruismus und Egoismus
   8. … = gerne auch eigene Themen

Bionik

1. Verschiedene Themen zu Bionik und Innovation, zum Beispiel:
   1. Zusammenstellung von Kreativitätstechniken und ihrer Bewertung
   2. Systematik bionischer Erfindungen
   3. Literaturanalyse: Zusammenstellung von Systematiken zu evolutionären Anpassungen, bionischen Erfindungen, oder taxonomischen Neuentwicklungen
   4. Entwurf eines Kategoriensystems, das Technik und Biologie verbindet
   5. Systematik evolutionärer Anpassungen und Erstellung einer Taxonomie
   6. Biologische Lösungen für technische Probleme finden
      Die Natur hat für viele technische Probleme bereits Lösungen entwickelt: Geckos haften ohne Klebstoff, Lotusblätter reinigen sich selbst. Diese Lösungen in der biologischen Fachliteratur zu finden, ist aber schwierig, weil Biologie und Technik unterschiedliche Sprachen sprechen. Sie bauen einen Evaluationsdatensatz aus technischen Problemen und passenden biologischen Lösungen auf. Mit Trainingsdaten aus bioinspirierten Patenten und synthetisch generierten Anfragen trainieren Sie ein Embedding-Modell gezielt für diese Übersetzungsleistung. Anschließend wird geprüft, ob das angepasste Modell bessere und überraschendere biologische Analogien findet als Standardverfahren. Methoden: Python, Fine-Tuning von Embedding-Modellen, Annotation, Information-Retrieval-Evaluation.
   7. … = gerne auch eigene Themen

Demokratie, Koordination, Partizipation 

1. Demokratische Versorgungssysteme
   Kooperative Supermärkte, Energiegemeinschaften und Wohnprojekte organisieren die Versorgung von menschlichen Grundbedürfnissen demokratisch, gemeinschaftlich und nachhaltig. Du untersuchst, was erfolgreiche Kooperation in solchen Projekten ermöglicht. Dazu gehört zum Beispiel, wie Teams motiviert bleiben, effektiv zusammenarbeiten, tragfähige Strukturen gestalten und Gemeinschaft aufbauen. Methoden: Fallstudien, Interviews, partizipative Aktionsforschung.
2. Organizing: Wie handeln viele Menschen koordiniert?
   Soziale Bewegungen und Initiativen müssen viele Menschen dazu bringen, gemeinsam zu handeln. Ein Ansatz, der erklärt, wie das gelingen kann, ist Community Organizing. Er betont Beziehungen, Narrative, Strategie und verteilte Führung. Du wählst Fallbeispiele erfolgreicher oder gescheiterter Organizing-Projekte und untersuchst Erfolgskriterien. Methoden: Fallstudien oder Systemmodellierung, um komplexe Zusammenhänge sichtbar zu machen.
3. Living Lab im ehemaligen Leiner-Gebäude Graz
   Im alten Leiner-Gebäude in Graz entsteht ein Ort für Living Labs zu sozial-ökologischen Transformationen. Dort entwickeln und erproben Forschende gemeinsam mit Bürger*innen neue Lösungen im Alltag. Du setzt eine eigene Idee um, etwa ein Reparaturcafé oder eine Tauschbörse. Mit Interviews oder Befragungen untersuchst du, wie sich Kooperation und Praktiken der Teilnehmer*innen verändern. Ergebnis sind Erkenntnisse darüber, unter welchen Bedingungen solche Initiativen gelingen.
4. Demokratische Wirtschaftssysteme
   Es gibt verschiedene Vorschläge, wie eine demokratisch organisierte Wirtschaft aussehen könnte. Beispiele sind Participatory Economics (Parecon), ausgehandelte Koordination oder multikriterielle Entscheidungsverfahren. Du wählst einen dieser Vorschläge aus und analysierst ihn aus systemwissenschaftlicher Perspektive. Dabei fragst du, welche Dynamiken ein solches System entwickeln würde. Methoden: institutionelle Analyse oder Systemmodellierung.

LLMs

1. Codebooks rekonstruieren mit LLMs
   In der qualitativen Forschung werden Texte anhand eines Codebooks codiert. Ob die Codierung das Codebook am Ende tatsächlich widerspiegelt, bleibt aber oft unklar. Du entwickelst ein Verfahren, bei dem ein Large Language Model aus bereits codierten Daten iterativ ein Codebook rekonstruiert, und vergleichst es mit dem Original. So lässt sich prüfen, ob Codierer:innen vom Codebook abgewichen sind, und gleichzeitig erforschen, wie LLMs Kategorien bilden und ordnen. Methoden: LLM-Pipelines (Python), Experimente mit kontrolliert verzerrten Datensätzen, Vergleichsmetriken, qualitative Inhaltsanalyse.
2. Entscheidungsmodelle für qualitative Codierung
   Neue Open-Source-„Decision Models“ wie Cloudflares Clef erzeugen keinen Text. Stattdessen beantworten sie strukturierte Fragen mit Wahrscheinlichkeiten. Damit eignen sie sich ideal, um Texte anhand eines Codebooks zu klassifizieren. Wie gut kodieren solche Modelle qualitative Daten? Lohnt sichFeintuning mit wenigen Beispielen und wie verlässlich sind ihre Konfidenzwerte? Daraus soll klar werden, welche Textstellen das Modell selbst kodieren kann und welche ein Mensch prüfen sollte. Alle Modelle laufen lokal, sensible Daten verlassen also nie den eigenen Server. Methoden: Python, LoRA-Feintuning, Vergleichsexperimente mit generativen LLMs und BERT, Kalibrierungsanalysen.