Generative KI-Systeme verändern zunehmend den privaten und beruflichen Alltag von Menschen. Damit rücken nicht nur Fragen der technischen Leistungsfähigkeit, sondern auch der individuellen Akzeptanz und kompetenten Nutzung von KI-Systemen in den Fokus. Das Technologieakzeptanzmodell (TAM) bietet mit Konstrukten wie dem wahrgenommenen Nutzen, der wahrgenommenen Benutzerfreundlichkeit und Nutzungsintention einen etablierten theoretischen Rahmen, um die Akzeptanz neuer Technologien zu erklären. Parallel gewinnt das Konzept der AI Literacy an Bedeutung: Es beschreibt Kompetenzen, die Personen benötigen, um KI-Systeme zu verstehen, kritisch zu bewerten, angemessen einzusetzen und deren Grenzen sowie gesellschaftliche Implikationen zu reflektieren. Bisherige Forschung zeigt, dass die Akzeptanz von KI-Anwendungen stark von subjektiven Einschätzungen, Erfahrungen und Kontextbedingungen geprägt sein kann. Gleichzeitig ist noch unzureichend empirisch geklärt, wie AI Literacy mit klassischen Akzeptanzfaktoren zusammenhängt. Ziel ist es, das Zusammenspiel dieser Variablen näher zu beleuchten.

Generative KI-Systeme verändern zunehmend den privaten und beruflichen Alltag von Menschen. Mit ihrer Verbreitung steigt der Bedarf an Kompetenzen, die Menschen dazu befähigen, KI-Systeme zu verstehen, sachgerecht einzusetzen, ihre Ergebnisse kritisch zu bewerten und mögliche gesellschaftliche, ethische und rechtliche Folgen zu reflektieren. Diese Fähigkeiten werden unter dem Begriff AI Literacy beziehungsweise KI-Kompetenz zusammengefasst. Für das mehrdimensionale Konstrukt AI Literacy bestehen unterschiedliche Konzeptualisierungen, Skalen und Messmethoden. Bislang ist nur unzureichend geklärt, wie diese Komponenten untereinander zusammenhängen und wie sie in eine Reihe benachbarter Konstrukte einzubetten sind. Ziel ist es einen Überblick zu relevanten Prädiktoren, Kriterien, Korrelaten sowie Moderator- und Mediatorvariablen zu erstellen und einen Beitrag dazu zu leisten, AI Literacy in ein umfassenderes nomologisches Netzwerk verwandter Konstrukte einzuordnen.

Generative KI-Systeme verändern zunehmend den privaten und beruflichen Alltag von Menschen. Anwendungen wie KI-basierte Chatbots oder Assistenzsysteme eröffnen vielfältige Möglichkeiten zur Informationsbeschaffung, Texterstellung, Problemlösung und Entscheidungsunterstützung. Gleichzeitig stellen sie Nutzer:innen vor neue Herausforderungen: Um KI-Systeme verantwortungsvoll und zielgerichtet einsetzen zu können, sind neben grundlegenden technischen Kenntnissen insbesondere Fähigkeiten zur kritischen Bewertung von Ergebnissen, zur Formulierung geeigneter Eingaben sowie zur Reflexion ethischer, rechtlicher und gesellschaftlicher Auswirkungen erforderlich. Diese Fähigkeiten werden unter dem Begriff AI Literacy beziehungsweise KI-Kompetenz zusammengefasst. Mit der zunehmenden Verbreitung generativer KI wächst daher der Bedarf an geeigneten Bildungsangeboten, die diese Kompetenzen systematisch und praxisnah vermitteln.

In dieser Thesis soll die Durchführung einer Nutzerstudie in virtueller Realität zur Interaktion zwischen Fußgänger:innen und autonomen Shuttles an ausgewählten Versuchsterminen begleitet und ein Verfahren zur Auswertung der erhobenen Daten entwickelt werden. Grundlage bildet ein bereits entwickeltes und umgesetztes Versuchskonzept. Im Mittelpunkt steht die Zusammenführung und relationale Auswertung verschiedener Datentypen zur Erfassung emotionaler Reaktionen von Fußgänger:innen, insbesondere selbstberichteter Emotionen, physiologischer Messdaten der Shimmer GSR+ Unit sowie Eye-Tracking Daten der VR-Brille Varjo Aero.

Ergebnis der Arbeit ist ein nachvollzieh- und reproduzierbares, auf die Gesamtstudie übertragbares Auswertungsverfahren.

Am Fachgebiet Fahrzeugtechnik (FZD) wird an Methoden zur Analyse und Bewertung der Fahrdynamik geforscht. Ziel ist es, das Fahrerlebnis quantitativ und nachvollziehbar abzubilden. Dadurch soll bereits in der virtuellen Entwicklung eine Beurteilung des Fahrverhaltens und damit eine entsprechende Optimierung ermöglicht werden. Ausgangspunkt für die vorliegende Aufgabenstellung ist die von Paul Olbrich formulierte Hypothese, dass Fahrzeugmodelle, objektive Werte zur Beschreibung des Fahrverhaltens sowie Subjektivbewertungen beispielhafte Formen einer Fahrverhaltensrepräsentation sind, die zueinander in Beziehung stehen. Im Rahmen dieser Arbeit soll eine Methode entwickelt und angewandt werden, mit der der Einfluss ausgewählter Fahrzeugparametervariationen auf das Fahrverhalten untersucht werden kann. Es sind sowohl geeignete Parameter zur Variation, als auch Kenngrößen zur Beschreibung des Fahrverhaltens auszuwählen. Die Methode ist anhand einer geeigneten Simulationsumgebung anzuwenden und zu evaluieren.

Mit der zunehmenden Entwicklung und Einführung automatisierter Fahrzeuge (AV) verschiebt sich der Fokus der Forschung zunehmend von der äußeren Erscheinung und der Kenntlichkeit automatisierter Fahrzeuge hin zu deren tatsächlichem Fahrverhalten. Aktuelle Studien zeigen, dass die Kooperation und Interaktion mit anderen Verkehrsteilnehmenden weniger davon abhängt, ob ein Fahrzeug als automatisiert erkannt wird, sondern vielmehr davon, wie es sich im Straßenverkehr verhält. Fahrverhaltensparameter wie Geschwindigkeit, Beschleunigung, Verzögerung, Spurführung oder Sicherheitsabstände beeinflussen maßgeblich die Wahrnehmung, Vorhersehbarkeit und Akzeptanz automatisierter Fahrzeuge. Obwohl bereits zahlreiche Untersuchungen zu einzelnen Aspekten des Fahrverhaltens existieren, fehlt bislang eine systematische Zusammenführung der relevanten Einflussfaktoren. Ziel dieser Arbeit ist es daher, den aktuellen Stand der Forschung im Rahmen einer systematischen Literaturrecherche aufzuarbeiten und die wesentlichen Fahrverhaltensparameter sowie deren Einfluss auf die Kooperation zwischen automatisierten Fahrzeugen und anderen Verkehrsteilnehmenden zu identifizieren und zu strukturieren.

Ziel dieser Arbeit ist es, zielgruppenspezifische Informationsmaterialien sowohl im Textformat (Handbuchstil) als auch in Form von Kurzvideos zu entwerfen und zu evaluieren.

Beschäftigte in der manuellen Montage sind häufig hohen physischen Belastungen ausgesetzt, die mit muskuloskelettalen Erkrankungen assoziiert werden. Zur Reduktion ungünstiger Gelenkstellungen und Körperhaltungen bietet die automatische Positionierung von Arbeitsobjekten an ergonomisch gestalteten adaptiven Arbeitsstationen einen vielversprechenden Ansatz. Die Auswirkungen eines solchen Demonstrators sollen mithilfe eines Motion-Capture-Systems untersucht werden.

Am Fachgebiet Fahrzeugtechnik (FZD) wird in Kooperation mit Persival GmbH in dem Forschungsprojekt CONTROL an der Simulation von Sensorik für die Umfelderfassung automatisierter Fahrzeuge geforscht. Hierbei stehen besonders die Unsicherheiten von Lidarsensoren im Fokus. Im Rahmen dieser Thesis sollen bestehende Materialklassifikationen analysiert, erweitert und auf klassenspezifische Unsicherheiten bezüglich Reflexionseigenschaften typischer Lidarwellenlängen untersucht werden. Hierfür werden Reflektivitätsmessungen unter Laborbedingungen sowie auf Teststrecken durchgeführt.