Topics for Bachelor, Diploma and Master Theses in WOW / WIINF

Aktuelle Themen für Bachelor- und Masterarbeiten an der Professur für Web Science und Digitalisierung

Prof. Dr. Martin Hepp
Stand 01.05.2021
Die Professur bietet gegenwärtig folgende Themen als Masterarbeiten im Studiengang WOW an. Zu flexiblen Terminen betreuen wir auch jederzeit Seminar-, Bachelor- und Masterarbeiten im Studiengang Wirtschaftsinformatik.

Andere Themen sind nach Absprache möglich. Eigene Themenvorschläge sind willkommen.

Termine

Master-Arbeiten WOW im FT 2021

• 11.03.2021: Bekanntgabe der Themen
• 11.-26.03.2021: Reservierung eines Themas durch Studierende (formlos per Email an martinDOTheppATunibwDOTde)
• 26.03.2021: Verbindliche Zusage eines Themas durch die Professur
• 01.04.2021: Offizieller Bearbeitungsbeginn
• 01.04.2021: 18:00 - 20:00 - Einführung ins wissenschaftliche Arbeiten als virtuelle Vorlesung über DFNconf/BBB
• 27.04.2021: Finale Gliederung per eMail an die Professur
• 28.04.2021: 10:00 - 13:00 - Präsentationen: Gliederung und Stand der Forschung als virtuelle Veranstaltung über DFNconf/BBB
  • je 20 Minuten 12 - 16 Folien + 10 Minuten Diskussion
• 10.05.2021: 16:00 - 18:00 - bilaterale Gespräche über DFNconf/BBB
• 08.06.2021: Aktuelle Gliederung und Präsentationsfolien als PDF per Email an die Professur
• 09.06.2021: 10:00 - 12:30 - Präsentationen: Eigener Beitrag: Methode, Datenquellen und Zwischenergebnisse als virtuelle Vorlesung über DFNconf/BBB
  • je 20 Minuten 12 - 16 Folien + 10 Minuten Diskussion
• 25.06.2021: 10:15 - 12:00 - Abschlusspräsentationen: Ergebnisse und Würdigung als virtuelle Vorlesung über DFNconf/BBB
  • je 20 Minuten 10 - 16 Folien + 10 Minuten Diskussion
• 30.06.2021 Abgabe der Arbeit (voraussichtlich)

Kontakt

• Prof. Dr. Martin Hepp, martin.hepp@unibw.de

Laufende Arbeiten

• Social Bots: Systematische Analyse von Funktionsweise und gesellschaftlicher Wirkung (Masterarbeit WOW)

Zu vergebende Themen im FT 2021

Vorab ein Hinweis: Viele Studierende suchen ein Thema, von dem sie nach Studium des Titels glauben, die "Antwort" bereits zu wissen bzw. zumindest alle Begriffe und Themen zu kennen. Das sollten Sie nicht tun! Spannende Themen handeln fast immer von neuen Techniken und Fragestellungen, mit denen Sie in Ihrem Studium bisher nicht in Kontakt gekommen sind. Wir helfen Ihnen dabei, sich in die Themen einzuarbeiten. Was Sie mitbringen müssen, sind vor allen Dingen Neugier und Basiskenntnisse aus den einschlägigen Grundlagenvorlesungen.

Hinweis zur Literaturanalyse: Die meisten wissenschaftlichen Arbeiten erfordern (Masterarbeit, Dissertation) eine oder bestehen überwiegend aus (Seminararbeit, Bachelorarbeit) einer systematischen Analyse der vorhandenen Literatur zu einem Thema. Eine gute Einführung dazu finden Sie z.B. hier:

• https://web.njit.edu/~egan/Writing_A_Literature_Review.pdf
• https://link.springer.com/article/10.1007/s11576-006-0057-3
• https://pdfs.semanticscholar.org/9ca0/b98ad136a2f328b9c71fba35aa12097d20bf.pdf
• Denyer, D., & Tranfield, D. (2009). Producing a systematic review. In D. A. Buchanan & A. Bryman (Eds.), The SAGE handbook of organizational research methods (pp. 671–689). Los Angeles: Sage.

Themen

• Visualisierung von sozialen Netzwerken mit Hilfe von Social Network Analysis
  • Ein soziales Netzwerk wie z.B. Twitter ist ein Netzwerk sozialer Interaktionen und persönlicher Beziehungen. Man kann das Twitter-Netzwerk als einen gerichteten Graphen verstehen. Die Twitter-Konten sind die Knoten und die Interaktionen zwischen Twitter-Benutzern die Kanten. Indem wir untersuchen, inwieweit Menschen in sozialen Netzwerken vernetzt sind, können wir besser verstehen, wie Informationen verteilt werden. Dieser Ansatz der Social Network Analysis soll in Form einer Fallstudie in Python validiert werden.
    • Quellen zum Einstieg:
    • E. Otte; R. Rousseau. Social network analysis: a powerful strategy, also for the information sciences. In: Journal of Information Science, 28(6), S. 441–453, 2002.
    • Y. Yamaguchi; T. Takahashi; T. Amagasa; H. Kitagawa. TURank: Twitter User Ranking Based on User-Tweet Graph Analysis. In: L. Chen; P. Triantafillou; T. Suel (Hrsg.). Web Information Systems Engineering – WISE 2010, Springer Berlin Heidelberg, Berlin, Heidelberg, 2010, S. 240–253.
    • L. Hagen; T. Keller; S. Neely; N. DePaula; C. Robert-Cooperman. Crisis Communications in the Age of Social Media: A Network Analysis of Zika-Related Tweets. In: Social Science Computer Review, 36(5), S. 523–541, 2018.
    • Beispiel: https://towardsdatascience.com/who-are-the-top-hr-analytics-influencers-on-twitter-f44a19e198a0

• Standortinformationen in Social-Media-Daten
  • Durch die raumbezogene Auswertung von Social-Media-Daten können Rückschlüsse auf Standorte und Bewegungsmuster gezogen werden. Mithilfe von vorhandenen Geo-Informationen aus Nachrichten kann man Twitter-Aktivitäten auf einer Karte anzeigen, wie z.B. die Verteilung von Hashtags zu politischen Parteien. Dieser Ansatz soll in Form einer Fallstudie in Python untersucht werden.
  • Quellen zum Einstieg:
  • Z. Cheng; J. Caverlee; K. Lee. You are where you tweet: a content-based approach to geo-locating twitter users. Proceedings of the 19th ACM international conference on Information and knowledge management, S. 759–768.
  • M. N. Y. Utomo; T. B. Adji; I. Ardiyanto. Geolocation prediction in social media data using text analysis: A review. 2018 International Conference on Information and Communications Technology (ICOIACT), IEEE, März 2018, S. 84–89.
  • X. Zheng; J. Han; A. Sun. A Survey of Location Prediction on Twitter. In: IEEE Transactions on Knowledge and Data Engineering, 30(9), S. 1652–1671, 2018.
  • Beispiel: http://www.mikaelbrunila.fi/2017/03/27/scraping-extracting-mapping-geodata-twitter/

• Nutzergenerierte Daten in Social Media als Frühwarnsystem
  • Frühwarnsysteme sind sehr wichtig im Rahmen von strategischen Entscheidungsprozessen. Durch die aufkommende automatisierte Verarbeitung von nutzergenerierten Daten können bessere Erkenntnisse und Prognosen erstellt werden. Durch das Konzept der schwachen Signale von Ansoff sowie die Transaktionskostentheorie und Informationsprozessansätze kann diese neue Form der öffentlichen Realität erklärt werden. Je früher ein Signal identifiziert wird, desto größer ist der Spielraum für Interpretation, jedoch verbleibt mehr Zeit, um verschiedene Entwicklungsszenarien zu erstellen und Lösungsschritte einzuleiten. Diese Arbeit soll die Verknüpfung der Theorien und Social-Media-Daten herleiten und in einer Fallstudie in Python untersucht werden.
  • Quellen zum Einstieg:
  • Ansoff. Managing Surprise and Discontinuity - Strategic Responses to Weak Signals, in: ZfbF 28 (1976).
  • M. Holopainen; M. Toivonen. Weak signals: Ansoff today. In: Futures, 44(3), S. 198–205, 2012.
  • J. Kim; C. Lee. Novelty-focused weak signal detection in futuristic data: Assessing the rarity and paradigm unrelatedness of signals. In: Technological Forecasting and Social Change, 120, S. 59–76, 2017.
  • C. Mühlroth; M. Grottke. A systematic literature review of mining weak signals and trends for corporate foresight. In: Journal of Business Economics, 88(5), S. 643–687, 2018.
  • Picot; R. Reichwald; R. T. Wigand. Die grenzenlose Unternehmung: Information, Organisation und Management. Lehrbuch zur Unternehmensführung im Informationszeitalter. Springer-Verlag, 2013.

• Sentiment Analysis aus Kurznachrichten und Blogbeiträgen mit Python
  • In dieser Arbeit soll exemplarisch gezeigt werden, wie "Sentiment Analysis", also die automatische Einschätzung einer Äußerung als eher positiv, neutral oder negativ zu einem Thema oder einer Person, mit Python implementiert werden kann. Es gibt hierzu fertige, leistungsfähige Bibliotheken und wir helfen Ihnen bei eventuellen praktischen Problemen.
  • Quellen zum Einstieg:
  • J. Bollen; H. Mao; A. Pepe. Modeling public mood and emotion: Twitter sentiment and socio-economic phenomena. In: Fifth International AAAI Conference on Weblogs and Social Media, 2011.
  • K. Denecke; Y. Deng. Sentiment analysis in medical settings: New opportunities and challenges. In: Artificial intelligence in medicine, 64(1), S. 17-27, 2015.
  • A. Tumasjan et al. (Hrsg.). Predicting elections with twitter: What 140 characters reveal about political sentiment, 2010.
  • Beispiele:
  • https://towardsdatascience.com/creating-the-twitter-sentiment-analysis-program-in-python-with-naive-bayes-classification-672e5589a7ed
  • https://www.geeksforgeeks.org/twitter-sentiment-analysis-using-python/

• Social Media Analytics: Methoden und Anwendungen
  • In dieser Arbeit soll eine systematische Literaturanalyse zum Thema Social Media Analytics und Social Media Intelligence durchgeführt werden. Dabei sollen theoretische Konzepte und Methoden beschrieben und verglichen werden. Zudem sollte der Ansatz in Form einer kurzen Fallstudie in Python validiert werden.
  • Quellen zum Einstieg:
  • D. Omand; J. Bartlett; C. Miller. Introducing social media intelligence (SOCMINT). In: Intelligence and National Security, 27(6), S. 801–823, 2012.
  • S. Stieglitz; L. Dang-Xuan. Social media and political communication: a social media analytics framework. In: Social Network Analysis and Mining, 3(4), S. 1277–1291, 2013.
  • D. Zeng et al. Social Media Analytics and Intelligence. In: IEEE Intelligent Systems, 25(6), S. 13–16, 2010.

• Trendanalyse mit Social Media
  • In dieser Arbeit soll auf Basis einer systematischen Literaturanalyse der Stand der Forschung zur Nutzung von Social-Media-Daten für die Vorhersage gesellschaftlicher Trends und Entwicklungen erarbeitet werden. Zudem sollte dies durch eine kurze Fallstudie in Python exemplarisch illustriert werden, z.B. zur Vorhersage der Verteilung von Infektionskrankheiten.
  • Quellen zum Einstieg:
  • S. Asur; B. A. Huberman. Predicting the future with social media. 2010 IEEE/WIC/ACM international conference on web intelligence and intelligent agent technology, IEEE, 2010, S. 492–499.
  • J. Ginsberg; M. H. Mohebbi; R. S. Patel; L. Brammer; M. S. Smolinski; L. Brilliant. Detecting influenza epidemics using search engine query data. In: Nature, 457(7232), S. 1012–1014, 2009.
  • E. Kalampokis; E. Tambouris; K. Tarabanis. Understanding the predictive power of social media. In: Internet Research, 23(5), S. 544–559, 2013.
  • K. Lerman; R. Ghosh. Information Contagion: an Empirical Study of the Spread of News on Digg and Twitter Social Networks, März 2010.
  • Beispiel: https://github.com/lspope/capstone

• Vergleich von Methoden für Social Media Analytics
  • In dieser Arbeit sollen die gegenwärtig verwendeten Analysemethoden für Social Media Analytics auf Basis einer systematischen Literaturanalyse beschrieben, mit Beispielen illustriert und hinsichtlich ihrer Aussagekraft untersucht werden.
  • Quellen zum Einstieg:
  • M. Adedoyin-Olowe; M. M. Gaber; F. Stahl. A Survey of Data Mining Techniques for Social Media Analysis. In: Journal of Data Mining & Digital Humanities, 2014.
  • S. Stieglitz; L. Dang-Xuan; A. Bruns; C. Neuberger. Social Media Analytics. In: Wirtschaftsinformatik, 56(2), S. 101–109, 2014.
  • Beispiel: https://lubna2004.medium.com/twitter-data-working-with-messy-unstructured-text-data-part-1-7b985d8469e5

• Meinungsforschung durch Text Mining
  • In dieser Arbeit soll relevante Literatur zur Gewinnung demoskopischer Informationen (z.B. Wahlverhalten, Healthcare) aus den Texten in Diensten wie Twitter, Reddit oder Google Trends gesichtet und zusammengefasst werden. Zudem sollte dies durch eine kurze Fallstudie in Python exemplarisch illustriert werden.
  • Quellen zum Einstieg:
  • F. S. Gharehchopogh; Z. A. Khalifelu. Analysis and evaluation of unstructured data: text mining versus natural language processing. 5th International Conference on Application of Information and Communication Technologies (AICT), Oct. 2011, Azerbaijan, Baku, IEEE, Piscataway, NJ, 2011, S. 1–4.
  • E. Noelle-Neumann; T. Petersen. Alle, nicht jeder. Einführung in die Methoden der Demoskopie. Vierte Auflage. Springer-Verlag Berlin Heidelberg, Berlin, Heidelberg, 2005. (https://www.springer.com/de/book/9783540225003)
  • M. Siegel; J. Deuschle; B. Lenze; M. Petrovic; S. Starker. Automatische Erkennung von politischen Trends mit Twitter – brauchen wir Meinungsumfragen noch? In: Information - Wissenschaft & Praxis, 68(1), 2017. (http://www.melaniesiegel.de/publications/2017_iwp_Siegel.pdf)
  • Beispiele:
  • https://www.datacamp.com/community/tutorials/text-analytics-beginners-nltk
  • https://towardsdatascience.com/scraping-reddit-data-1c0af3040768
  • https://spierre91.medium.com/scraping-reddit-for-healthcare-information-e4326d7ff0a4

Weitere Themen

Bereich Web Science

Unter dem Begriff „Web Science" gibt es seit 2006 verstärkte Bemühungen, die komplexen technischen, sozialen und ökonomischen Zusammenhänge im World Wide Web systematisch zu untersuchen und Erkenntnisse über die Wirkungen auf Unternehmen und die Gesellschaft sowie Erkenntnisse hinsichtlich der optimalen Nutzung zu gewinnen.

1. Systematische Literaturanalyse zum Thema Web Science
   • In dieser Arbeit soll der Stand der Forschung zum Thema "Web Science" auf Basis einer systematischen Literaturanalyse zusammengefasst werden, insbesondere hinsichtlich der behandelten Forschungsfragen, des Stands der Forschung und der verwendeten Forschungsmethoden.
   • Quellen zum Einstieg:
     • Tim Berners-Lee, Wendy Hall, James Hendler, Nigel Shadbolt, and Daniel J. Weitzner: Creating a Science of the Web, https://science.sciencemag.org/content/sci/313/5788/769.full.pdf
     • Siehe auch die Links unter "HyperNotes Related Resources on the World Wide Web" auf https://science.sciencemag.org/content/313/5788/769
2. Systematische Literaturanalyse zum Thema Digital Humanities
   • In dieser Arbeit soll der Stand der Forschung zu "Digital Humanities", also der Anwendung und Untersuchung von digitalen Techniken in den Geistes- und Kulturwissenschaften, auf Basis einer systematischen Literaturanalyse zusammengefasst werden.
   • Quelle zum Einstieg:
     • https://de.wikipedia.org/wiki/Digital_Humanities

Bereich Social Media und Computational Social Science

Im Rahmen von Social-Media-Plattformen entstehen laufend große Datenmengen, die für die Beantwortung von Fragestellungen aus den Sozial- und Geisteswissenschaften herangezogen werden können. Ein aktueller Fokus unserer Arbeit ist "Social Media Analytics", also die systematische Analyse von Daten aus Diensten wie Facebook und Twitter.

1. Sentiment Analysis aus Kurznachrichten und Blogbeiträgen mit Python
   • In dieser Arbeit soll exemplarisch gezeigt werden, wie "Sentiment Analysis", also die automatische Einschätzung einer Äußerung als eher positiv, neutral oder negativ zu einem Thema oder einer Person, mit Python implementiert werden kann. Es gibt hierzu fertige, leistungsfähige Bibliotheken und wir helfen Ihnen bei eventuellen praktischen Problemen.
   • Quellen zum Einstieg:
     • https://towardsdatascience.com/creating-the-twitter-sentiment-analysis-program-in-python-with-naive-bayes-classification-672e5589a7ed
     • https://www.geeksforgeeks.org/twitter-sentiment-analysis-using-python/
2. Social Media Analytics: Methoden und Anwendungen
   • In dieser Arbeit soll eine systematische Literaturanalyse zum Thema Social Media Analytics und Social Media Intelligence durchgeführt werden. Dabei sollen auch theoretische Konzepte und Methoden beschrieben und verglichen werden. Zudem sollte der Ansatz in Form einer kurzen Fallstudie in Python validiert werden.
   • Quellen zum Einstieg:
     • D. Zeng et al. Social Media Analytics and Intelligence. In: IEEE Intelligent Systems, 25(6), S. 13–16, 2010.
3. Trendanalyse mit Social Media
   • In dieser Arbeit soll auf Basis einer systematischen Literaturanalyse der Stand der Forschung zur Nutzung von Social-Media-Daten für die Vorhersage gesellschaftlicher Trends und Entwicklungen erarbeitet werden. Zudem sollte dies durch eine kurze Fallstudie in Python exemplarisch illustriert werden, z.B. zur Vorhersage der Verteilung von Infektionskrankheiten.
   • Quellen zum Einstieg:
     • S. Asur; B. A. Huberman. Predicting the future with social media. 2010 IEEE/WIC/ACM international conference on web intelligence and intelligent agent technology, IEEE, 2010, S. 492–499.
     • E. Kalampokis; E. Tambouris; K. Tarabanis. Understanding the predictive power of social media. In: Internet Research, 23(5), S. 544–559, 2013.
     • K. Lerman; R. Ghosh. Information Contagion: an Empirical Study of the Spread of News on Digg and Twitter Social Networks, März 2010.
4. Social Bots: Systematische Analyse von Funktionsweise und gesellschaftlicher Wirkung
   • In dieser Arbeit soll der Stand der Forschung zur Nutzung von Social Media Bots, die menschliches Verhalten in Social-Media-Diensten imitieren, in Form einer systematischen Literaturanalyse erarbeitet und in Form einer Fallstudie oder Datenanalyse illustriert werden.
   • Quellen zum Einstieg:
     • F. Brachten; S. Stieglitz; L. Hofeditz; K. Kloppenborg; A. Reimann. Strategies and Influence of Social Bots in a 2017 German state election - A case study on Twitter, 2017.
     • S. Stieglitz; F. Brachten; B. Ross; A.-K. Jung. Do Social Bots Dream of Electric Sheep? A Categorisation of Social Media Bot Accounts, 2017.
5. Vergleich von Methoden für Social Media Analytics
   • In dieser Arbeit sollen die gegenwärtig verwendeten Analysemethoden für Social Media Analytics auf Basis einer systematischen Literaturanalyse beschrieben, mit Beispielen illustriert und hinsichtlich ihrer Aussagekraft untersucht werden.
   • Quellen zum Einstieg:
     • M. Adedoyin-Olowe; M. M. Gaber; F. Stahl. A Survey of Data Mining Techniques for Social Media Analysis. In: Journal of Data Mining & Digita
6. Systematische Literaturanalyse zu Meinungsforschung durch Text Mining in Social Media
   • In dieser Arbeit soll relevante Literatur zur Gewinnung demoskopischer Informationen (z.B. Wahlverhalten) aus den Texten in Diensten wie Twitter oder Facebook gesichtet und zusammengefasst werden.
   • Quellen zum Einstieg:
     • Elisabeth Noelle-Neumann und Thomas Petersen: Alle, nicht jeder. Einführung in die Methoden der Demoskopie. https://www.springer.com/de/book/9783540225003
     • https://www.datacamp.com/community/tutorials/text-analytics-beginners-nltk
     • http://www.melaniesiegel.de/publications/2017_iwp_Siegel.pdf

Bereich Data Science und Big Data

In großen, verteilten Informationssystemen entstehen durch die Diversität der beteiligten technischen Komponenten und Menschen neue Herausforderungen hinsichtlich der Modellierung, Ablage und Pflege von Daten. Charakteristisch sind die Wechselwirkungen von technischen, ökonomischen, kognitiven und sozialen Effekten. Für diese Fragen hat sich der Begriff „Data Science" herausgebildet.

1. Datenmodelle und Ontologien für die Automobilindustrie
   • In dieser Arbeit soll untersucht werden, welche Ansätze es für gemeinsame Datenmodelle und Ontologien in der Automobilindustrie gibt, beispielsweise für Fahrzeugeigenschaften (schema.org, VSO, ...), Konfigurations- und Baubarkeitsinformationen und ähnliches.
2. Data Lakes: Grundlagen, Probleme und Potential
   • Data Lake ist ein Begriff für ein Repository aus Daten aus heterogenen Quellen in ihren ursprünglichen, oft wenig strukturierten Formen. In dieser Arbeit soll die Idee von Data Lakes, ihre technischen Vorteile und Probleme und das betriebswirtschaftliche Potential untersucht werden.
   • Quellen zum Einstieg:
     • https://en.wikipedia.org/wiki/Data_lake

Hinweis: Die grundlegenden Python-Kenntnisse aus der Einführungsveranstaltung sind bereits ein sehr guter Ausgangspunkt, um in diesem Themengebiet erfolgreich zu arbeiten - keine falsche Scheu, wir helfen Ihnen!

Bereich Internet of Things (IoT)

Internet of Things (IoT) bezeichnet das Ökosystem, das aus einer wachsenden Zahl von Sensoren und Aktoren sowie sonstigen digitalen Komponenten entsteht, die miteinander vernetzt sind und zumindest teilweise Internet-Protokolle für die Kommunikation und Bereitstellung von Diensten verwenden. Die Arbeitsgruppe arbeitet an Fragen der Architektur, Verbreitung und Abrechnung entsprechender Ökosysteme. In unserem MakerLab entwickeln wir innovative Systemkomponenten, produzieren diese prototypisch und evaluieren sie wissenschaftlich.

1. Systematische Literaturanalyse zur W3C-Initiative zum Web of Things
   • In dieser Arbeit soll relevante Literatur zur Arbeit des W3C an Techniken für die verbesserte, Web-basierte Interoperabilität von IoT-Komponenten und Standards gesichtet und zusammengefasst werden.
   • Quellen zum Einstieg:
     • https://www.w3.org/WoT/
2. Semantic Sensor Web
   • In dieser Arbeit soll zusammengefasst werden, wie die Kombination Techniken des Semantic Web mit Netzwerken intelligenter Sensoren, die unter dem Begriff Semantic Sensor Web propagiert wird, technisch funktioniert und welches betriebswirtschaftliche Potential sie bietet. Insbesondere interessant ist dabei die Wirkung auf die Fähigkeit von Computersystemen, die produzierten Daten automatisch zu interpretieren und zu verarbeiten.
   • Quellen zum Einstieg:
     • https://en.wikipedia.org/wiki/Semantic_Sensor_Web
     • https://link.springer.com/chapter/10.1007/978-3-319-61566-0_10

Bereich Digital Business

Im Bereich Digital Business konzentrieren wir uns auf Fragen bezüglich des Informationsmanagements in Wertschöpfungsketten, insbesondere Produktdatenmanagement (PDM/PLM), Produktklassifikationssysteme und Datenqualitätsmanagement.

1. Nutzung von Wikidata und DBPedia für Wertschöpfungsketten
   • Wikidata und DBPedia sind zwei sehr erfolgreiche Initiativen, um strukturierte Daten über verschiedenste Bereiche in einer offenen, anwendergetriebenen Plattform zu sammeln und zu pflegen. In dieser Arbeit soll das Potential für betriebswirtschaftliche Anwendungen, beispielsweise den Austausch von Produktstammdaten, untersucht werden.
   • Quellen zum Einstieg:
     • https://ai.google/research/pubs/pub42240
     • https://link.springer.com/chapter/10.1007/978-3-540-76298-0_52
2. Tracker Networks: Techniken und Schutzmaßnahmen
   • Durch die Kombination verschiedener Verfahren sind riesige Verbünde von Webdiensten in der Lage, das Nutzungsverhalten einzelner Personen in seiner Gesamtheit zu verfolgen und zu analysieren. In dieser Arbeit soll ein Überblick über die zugrundeliegenden Techniken und Abwehrmaßnahmen erarbeitet werden.
   • Quellen zum Einstieg:
     • https://www.nytimes.com/interactive/2019/08/23/opinion/data-internet-privacy-tracking.html
     • https://dl.acm.org/citation.cfm?id=3176246

Weitere Themen

Weitere Themen nach Vereinbarung, besonders gerne in folgenden Bereichen:

• Robotik und Sensorik im E-Business, inklusive praktischer Problemlösungen mit Raspberry Pi, ATmega, PICAXE, ...
• Ökonomische Fragestellungen mit Bezug zum Einsatz von Informationstechnologie, beispielsweise in Bezug auf Netzeffekte, Preisfindung oder Transaktionskosten.

Abgeschlossene Arbeiten

Masterarbeiten

Bachelor-Arbeiten

HT 2019

1. Systematische Literaturanalyse zum Thema Digital Democracy
2. Business Process Mining mit Python
3. Systematische Analyse der Nutzung von Twitter durch Politiker und öffentliche Institutionen

Hinweise und Materialien

• Vorlage (Word) (Deutsch)
• Vorlage (Word) (English)
• Hinweise zur Anfertigung von wissenschaftlichen Arbeiten (Folien): PDF
• Wissenschaftliches Arbeiten: Zitation und Umgang mit Quellen (Folien): PDF