Themen

Beschreibung: Strukturierte Literaturrecherche zur Frage, wie CTI in der wissenschaftlichen Literatur evaluiert wird. Analyse von Kriterien, Modellen, Metriken und Bewertungsansätzen für CTI-Artefakte, CTI-Prozesse, CTI-Nutzung und CTI-Wirkung. Berücksichtigung technischer, organisatorischer, nutzungsbezogener und menschenzentrierter Perspektiven. (Lern-)Ziele: Systematische Auswahl, Analyse und Kodierung relevanter Literatur. Klassifikation bestehender CTI-Evaluationsansätze. Vergleich technischer, organisatorischer und nutzungsbezogener Bewertungsperspektiven. Identifikation zentraler Forschungslücken in den Bereichen CTI-Qualität, CTI-Nutzen und CTI-Wirkung.

Beschreibung: Strukturierte Literaturrecherche zu Federated Learning im Kontext von Cybersecurity, CTI und Cyber-Supply-Chains. Analyse, wie Organisationen gemeinsam aus CTI-relevanten Daten lernen können, ohne sensible Rohdaten zentral zu teilen. Betrachtung von Datenschutz, Vertraulichkeit, Datenheterogenität, Trust, Governance, Modellqualität und Poisoning-Angriffen. Entwicklung einer Konzeptmatrix bzw. Taxonomie bestehender FL-basierter CTI-Ansätze. (Lern-)Ziele: Verständnis von Federated Learning als Privacy-Preserving-Ansatz für CTI Sharing. Systematische Analyse bestehender Arbeiten aus CTI, FL, Privacy-Enhancing Technologies und Cyber-Supply-Chain Security. Bewertung bestehender Ansätze hinsichtlich Datenbasis, Lernaufgabe, Architektur, Privacy-Mechanismus, CTI-Bezug und Evaluation.

Als Alternative zum klassischen Real-Time Bidding (RTB) im sequenziellen „Waterfall“-Modell hat sich Header Bidding als dominierendes paralleles Auktionsverfahren etabliert. Durch den Einsatz clientseitiger JavaScript-Frameworks (Header-Wrapper wie Prebid.js) im Browser des Endnutzers können Publisher Gebote multipler Werbenetzwerke simultan einholen, bevor der primäre Ad-Server aufgerufen wird. Aus ökonomischer Sicht optimiert dieses Verfahren den Ertrag für Publisher durch fairen Wettbewerb. Wissenschaftlich und methodisch ist Header Bidding von hoher Relevanz: Da die Auktionen clientseitig orchestriert werden, bricht das Verfahren die traditionelle Intransparenz des serverseitigen Werbeökosystems auf. Es ermöglicht Forschern, die Dynamiken des Werbemarktes, die Bietströme sowie den realen Wert von Nutzerdaten direkt zu messen. Das Seminar widmet sich einer systematischen Literaturstudie über die Funktionsweise, Marktverbreitung und die datenschutzbezogenen wie auch transparenzfördernden Eigenschaften dieses Ökosystems. Forschungsfragen 1. Wie läuft der technische Protokoll- und Datenfluss beim Header Bidding ab, und welche Marktsegmente werden durch führende Open-Source- (z. B. Prebid.js) versus proprietäre Wrapper-Infrastrukturen abgedeckt? 2. Wie hoch ist der Stellenwert von Header Bidding im modernen OBA, und welche empirischen Erkenntnisse existieren zu seiner globalen Verbreitung und dem ökonomischen Mehrwert (CPMs) für Publisher? 3. Inwiefern erhöht die clientseitige Natur des Header Biddings die Transparenz und Messbarkeit des Werbemarktes für die akademische Forschung im Vergleich zu traditionellen, serverseitigen RTB-Architekturen? 4. Welche empirischen Befunde und methodischen Ansätze existieren in der Literatur, um Privatsphären-Risiken (z. B. Cookie-Synching, ID-Verkettung) innerhalb von Header-Bidding-Auktionen zu isolieren und zu bewerten? Startliteratur: Pachilakis, M., Papadopoulos, P., Markatos, E. P., & Kourtellis, N. (2019). No More Chasing Waterfalls: A Measurement Study of the Header Bidding Ad-Ecosystem. In Proceedings of the Internet Measurement Conference (pp. 280–293). Association for Computing Machinery. https://doi.org/10.1145/3355369.3355582

Das Online-Werbeökosystem (insb. Real-Time Bidding) basiert traditionell auf umfangreicher Verarbeitung personenbezogener Daten. Neue regulatorische Vorgaben (z. B. Digital Services Act, ePrivacy-Richtlinie, fortlaufende DSGVO-Durchsetzung) sowie plattformseitige Einschränkungen von Tracking (z. B. Third-Party-Cookie-Deprecation) erhöhen den Druck auf datenschutzfreundliche Alternativen. Dieses Seminar untersucht systematisch industrielle Ansätze des Privacy-Preserving Ad Targeting anhand technischer Spezifikationen und Whitepapers. Im Fokus stehen Systemarchitekturen, eingesetzte Privacy-Technologien und deren Auswirkungen auf zentrale Werbefunktionalitäten wie Retargeting, Attribution und Frequency Capping. Forschungsfragen: 1. Identifikation und Klassifikation: Welche industriellen Ansätze für Privacy-Preserving Ad Targeting werden in der grauen Literatur beschrieben, und wie lassen sie sich hinsichtlich Architektur, Datenfluss und Vertrauensmodell systematisieren? 2. Technische Ausgestaltung: Welche Datenkategorien werden verarbeitet bzw. geschützt, und welche technischen Mechanismen (z. B. differentielle Privatsphäre, On-Device Processing, Trusted Execution Environments) kommen zum Einsatz? 3. Funktionale Abdeckung: In welchem Umfang unterstützen die identifizierten Ansätze zentrale Werbefunktionalitäten (z. B. Retargeting, Attribution, Frequency Capping)? 4. Limitationen und Trade-offs: Welche technischen, praktischen und ökonomischen Einschränkungen werden berichtet, insbesondere im Spannungsfeld von Privatsphäre, Messbarkeit und Skalierbarkeit? Startliteratur: Data Clean Rooms, Topics API, Unified ID 2.0, WebKit Privacy-Preserving Ad Click Attribution, Mozilla Anonym

MAIN IDEA & RESEARCH QUESTIONS Interacting with artificial intelligence such as large language models has become an everyday activity, and in doing so people continuously produce rich, personal interaction data, from the texts they write and the questions they ask to the judgments they make with AI support. Such data is, in principle, highly valuable for research serving the common good, and data donation, in which individuals voluntarily share their own data, offers a way to make it accessible. The growing ubiquity of human-AI collaboration thus opens a new and largely unexplored space for data donation. Not every human-AI collaboration task, however, is equally suited to serve as a vehicle for data donation. The central goal of this thesis is to identify which tasks fit the criteria that make donated data useful, such as the richness, quality, and sensitivity of the data generated and whether genuine effort can be credibly rewarded. As a second lens, the thesis would consider feasibility from the donor's side, namely whether people would actually be willing to share the resulting data given the privacy concerns and uncertainty that disclosure entails. Grounded in the privacy calculus and data donation, the thesis could develop a typology of human-AI collaboration tasks and a set of assessment criteria, resulting in a framework that informs the design of future data donation studies. Possible research questions include but are not limited to: Which types of human-AI collaboration tasks exist in the LLM context, and what kinds of donatable data do they generate? By which criteria should a task's suitability for data donation be assessed, in terms of the value and quality of the resulting data? Which of these tasks would also be feasible given individuals' willingness to share, considering privacy concerns and uncertainty? Which tasks appear most promising overall, and what trade-offs would they entail? LITERATURE Schnurr, D., Hartl, P., Manzke, L., Schmidbauer, E., Haßler, J., & Tiefenbeck, V. (2026). Data donations: Data disclosure for the common good. Business & Information Systems Engineering. Zieglmeier, A., Kranz, J., & Alashoor, T. (2024). How uncertainty and AI reciprocity shape data disclosure decisions in AI health services. ICIS 2024 Proceedings. Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8(12), 2293–2303.

MAIN IDEA & RESEARCH QUESTIONS Economic games like the Ultimatum Game, Public Goods Game, and Dictator Game are vital tools in behavioral and experimental economics. This project seminar focuses on developing a platform for running these standard economic games, utilizing oTree, a Python-based framework for online experiments. The goal is to create flexible, user-friendly interfaces for both participants and researchers, allowing seamless game execution, real-time data collection, and integration of advanced features like dynamic feedback, surveys or interactive nudging elements. Possible research questions may include but are not limited to: How can we design user-friendly interfaces for economic games that ensure ease of use for participants across diverse demographics? What are the best practices for implementing real-time feedback and data visualization within economic game platforms? What are the technical challenges of implementing dynamic, multi-player economic games in real-time using oTree? Prerequisites for the project seminar include knowledge of oTree development and necessary familiarity with Python programming languages, as well as a basic understanding of behavioral or experimental economics. LITERATURE Thielmann, I., Böhm, R., Ott, M., & Hilbig, B. E. (2021). Economic games: An introduction and guide for research. Collabra: Psychology, 7(1), 19004. Chen, D. L., Schonger, M., & Wickens, C. (2016). oTree—An Open-Source Platform for Laboratory, Online, and Field Experiments. Journal of Behavioral and Experimental Finance, 9, 88-97. https://doi.org/10.1016/j.jbef.2015.12.001 Thaler, R. H., & Sunstein, C. R. (2009). Nudge: Improving decisions about health, wealth, and happiness. Penguin.

Business Process Management (BPM) is facing a paradigm shift driven by advancements in Artificial Intelligence: The trend is moving from pure process automation to autonomous, goal-oriented AI agents ("Agentic AI"). The aim of this seminar is to provide a structured overview of this emerging field based on current research literature. Guiding questions include: Which AI architectures and foundation models are proposed for process control? How is "autonomy" defined in a process context? What methodological challenges (e.g., verification, governance) arise when AI systems are allowed to alter process paths independently?

Im Rahmen dieses Theorieseminars wird untersucht, wie ethische Werte im Business Process Management (BPM) berücksichtigt werden können. Hierzu werden bestehende Methoden zur Darstellung von Werten analysiert. Anschließend werden die Potenziale und Grenzen der verschiedenen Ansätze für das BPM herausgearbeitet. Zur Beantwortung dieser Fragen wird eine strukturierte Literaturanalyse durchgeführt. Die identifizierten Ansätze werden eingeordnet, um Zusammenhänge und Überschneidungen sichtbar zu machen.

Traditionelles BPM konzentriert sich stark auf Effizienz und Zeit. Durch die Digitalisierung und regulatorische Verschärfungen verschiebt sich der Fokus jedoch drastisch: Unternehmen müssen Compliance-, Sicherheits- und zunehmend auch ethische Risiken (z. B. durch KI-gestützte Prozesse) direkt in ihre Geschäftsprozesse integrieren. Ziel dieses Seminars ist es, den aktuellen Forschungsstand an dieser Schnittstelle systematisch aufzuarbeiten, um langfristig ein Framework zu entwickeln, das Ethik und Security Compliance im Prozessmanagement als Risiken verzahnt. Einstiegsliteratur: - Rosemann, M., & vom Brocke, J. (2015): The six core elements of business process management. - zur Muehlen, M., & Ho, D. T. Y. (2005): Risk management in business process management. - Kern, C. J., et al. (2024): Navigating the moral maze: a literature review of ethical values in business process management.

In recent years, Transformer architectures have dominated the processing of sequential data. However, modern State Space Models (SSMs, e.g., Mamba) are currently emerging as a highly promising, linearly-scaling alternative. The aim of this seminar is to conduct a systematic literature review to elaborate on the mathematical foundations of SSMs and investigate their potential application to sequential process data (such as event logs and time-series).

Innerhalb dieses Seminars, soll die aktuelle Entwicklung im Bereich Agentic AI im Kontext von reaktiver Incident Response Prozesse aufbereitet werden. Diese Autonomen KI basierten Systeme kontrollieren funktionsgebundene Agents, die selbstständig Tasks im Security Bereich ausführen.

Das Management von Security Risiken innerhalb von Unternehmen wir oft in der Theorie beschrieben. Wie gehen Unternehmen mit Bedrohungslagen um, bewerten die entstehenden Risiken und treffen dementsprechend relevante Entscheidungen. Diese Entscheidungen sind Teil unternehmerischer Risikomanagementprozesse. Doch wie können diese Security Prozesse in der Anwendung in die unternehmerischen Prozesse eingegliedert werden. Dieses Theoretisches Seminar soll relevante Arbeiten innerhalb einer strukturierten Literaturrecherche aufarbeiten.

Systematic analysis and review of literature for the use of AI in retail and commerce.

Weitere Informationen zum Masterseminar finden Sie unter: https://www.uni-regensburg.de/wirtschaftswissenschaften/fakultaet/org/statistik-und-risikomanagement/lehre/master/masterseminar