Drohnen in Kombination mit Verfahren der Künstlichen Intelligenz (KI) stellen eine technisch anspruchsvolle und interdisziplinäre Plattform dar, die zahlreiche Anknüpfungspunkte für die Informatiklehre und darüber hinaus bietet. Ihr Einsatz im Hochschulkontext ist jedoch mit praktischen, organisatorischen und rechtlichen Herausforderungen verbunden. Dieser Beitrag beschreibt die Erfahrungen aus zwei aufeinanderfolgenden Semestern, in denen KI-fähige Drohnen in projektorientierten Lehrveranstaltungen im Bachelor- und Masterstudium der Informatik an der Frankfurt University of Applied Sciences eingesetzt wurden. Neben den zugrunde liegenden technischen Konzepten werden didaktische Entscheidungen, der notwendige Ressourcenaufwand sowie typische Probleme beim Aufbau, Betrieb und der Wartung der Drohnen dargestellt. Ein besonderer Fokus liegt auf den Rückmeldungen der Studierenden und den daraus abgeleiteten Erkenntnissen. Ziel des Artikels ist es, realistische Einblicke in den Aufwand und den Nutzen dieser Lehrform zu geben und anderen Hochschulen eine fundierte Grundlage für ähnliche Vorhaben zu bieten.
Die Software-Entwicklung in der Luftfahrt unterscheidet sich wesentlich von der Software-Entwicklung in anderen Bereichen. Der Fokus dieses Beitrags ist die Analyse der dazu führenden Charakteristika, deren Auswirkungen und wie diese einer Mitigation zugeführt werden könnten. Die gekoppelte Verwendung von agilen Prozessen, modellgetriebenen Methoden und einheitlichen Modellierungssprachen sowie Werkzeugen kann zu einer Beherrschung der identifizierten Herausforderungen beitragen. Eine moderne, maßgeschneiderte Anpassung der bisher üblichen Software-Entwicklung unter Berücksichtigung von Zulassungsvorgaben kann Innovation im Luftfahrtbereich fördern und die Industrie stärken, indem eine ökonomischere Entwicklung ermöglicht wird. Mit dem Beitrag schärfen wir die avionik-spezifische Ausprägung des Software Engineering.
This paper explores the specific expectations and needs of law students with regard to an introductory Python course tailored to their unique academic and professional requirements. The study involved semi-structured interviews with law students at the University of Mannheim and reveals a demand for practical, flexible, and applicable training that integrates seamlessly into their demanding schedules and is consistent with the principles of andragogy. Specific suggestions are derived for a custom adaptation of the Python introductory course. The research highlights the need to design well-targeted educational programs to bridge traditional legal education and the digital skills required in modern legal practice.
Dieser Beitrag untersucht den verantwortungsvollen Einsatz von Künstlicher Intelligenz (KI) in 15 zentralen Anwendungsfeldern – von Human Resources, Controlling und E‑Commerce bis hin zu Gesundheitswesen, Mobilität, Energieversorgung und Medien. Die Analyse berücksichtigt nicht nur Frameworks und Toolchains aus dem Python-Ökosystem wie TensorFlow, PyTorch, Scikit-learn, Hugging Face Transformers, Rasa und MONAI, sondern auch die regulatorischen und ethischen Rahmenbedingungen für eine rechtskonforme und gesellschaftlich akzeptierte Nutzung. Besonderes Augenmerk gilt der Verknüpfung technischer Exzellenz mit normativer Konformität – u. a. entlang von DSGVO, AGG, ISO 9001, dem Digital Services Act sowie dem EU AI Act (Verordnung (EU) 2024/1689). Das Andler-Modell für systemisches Projektmanagement dient als methodischer Rahmen zur Kontextualisierung und Integration der Technologien. Ziel ist es, Entscheidungsträger:innen einen praxisnahen Orientierungsrahmen für die domänenspezifische, regelkonforme und wirkungsvolle Gestaltung von KI-Systemen bereitzustellen.
Dieser Beitrag beleuchtet die Konzeption des „Willens“ im Kontext künstlicher Intelligenz (KI) aus 4 komplementären Perspektiven: einer deontologischen Ethik nach Kant, einer psychologisch-motivationalen Betrachtung im Sinne klassischer Tiefenpsychologie, einer kommunikationstheoretischen Fundierung durch Ich-Zustände im Sinne der Transaktionsanalyse sowie einer rechtlich-normativen Rahmung basierend auf Grundrechten und ethischen Prinzipien. Der Wille wird dabei nicht als statische, sondern als dynamisch strukturierte Größe verstanden: als ethische Orientierung durch Maximen, als motivationale Gewichtung durch Bedürfnislagen, als Ausdruck innerer Zustände in der Interaktion – und als formal legitimer Entscheidungsraum im Sinne geltender rechtlicher und gesellschaftlicher Normen. Die Arbeit schlägt eine architektonische Modellierung für KI-Systeme vor, welche diese Dimensionen integriert und damit eine ethisch motivierte, kontextsensitiv kommunizierende, rechtskonforme und selbstreflexive Form algorithmischer Entscheidungsfindung anstrebt.
Radiologische Untersuchungen mittels kardialer Magnetresonanztomographie (CMR) sind ein zentrales Element der kardiologischen Diagnostik bei Patientinnen und Patienten mit vermuteter oder bestätigter koronarer Herzerkrankung. Die ärztliche Analyse erfolgt dabei qualitativ visuell anhand der vom CMR erstellten Bilder. Moderne CMR sind in der Lage, zusätzlich zum generierten Bild eine Vielzahl quantitativer Parameter zu erfassen, die zur Unterstützung der ärztlichen Entscheidungsfindung von erheblichem Forschungsinteresse sind. Das vorliegende Manuskript beschreibt aus technischer Perspektive, wie am Bosch Health Campus (BHC) in Stuttgart in Zusammenarbeit zwischen Kardiologie und Medizininformatik ein umfangreiches Register aufgebaut wurde, das qualitative und quantitative Informationen rund um eine Untersuchung im CMR zusammenführt. Das Register wurde bereits für erste medizinische Publikationen herangezogen und bietet mit seinem Informationsumfang vielfältige Perspektiven für zukünftige Forschungsprojekte.
Dieser Artikel argumentiert, dass die Entwicklung vom Satz des Pythagoras über die Chomsky-Hierarchie bis hin zur modernen Künstliche Intelligenz (KI)-gestützten Programmierung einem gemeinsamen Prinzip folgt: der beständigen Navigation entlang der Grenze zwischen formaler Entscheidbarkeit und menschlicher Ausdrucksmächtigkeit. Ausgehend von Fermats letztem Satz und der Unmöglichkeit ganzzahliger Lösungen für aⁿ + bⁿ = cⁿ mit n > 2 wird die analoge Unmöglichkeit untersucht, volle semantische Flexibilität natürlicher Sprache mit beweisbarer Korrektheit formaler Systeme zu vereinen. Der Artikel zeichnet nach, wie die Informatik diese Grenze nicht überwunden, sondern durch einen Paradigmenwechsel – von der formalen Spezifikation zum statistischen Prompting – pragmatisch umschifft hat, und diskutiert die daraus resultierenden Konsequenzen für Zuverlässigkeit und Entwicklerproduktivität.
Conversational-AI(Artificial Intelligenc)-Systeme werden zunehmend als persistente Begleiter eingesetzt, die sich über längere Zeiträume an einzelne Nutzerinnen und Nutzer anpassen. Für diese Systemklasse hat das Forschungsprogramm Life Engineering den Begriff Life Agents geprägt. Diese Entwicklung wirft ethische Fragen auf, die mit allgemeinen Ethik-Frameworks für Conversational AI nicht zu beantworten sind: Wie soll ein System Anpassungsmechanismen über Monate der Interaktion hinweg offenlegen? Was bedeutet informierte Einwilligung, wenn ein Agent ein psychologisches Modell seines Nutzers aufbaut? Wie sind Auditierbarkeit und Energieverbrauch von Systemen zu bewerten, deren Wert auf langfristiger LLM-vermittelter Interaktion beruht? Der vorliegende Beitrag liefert 2 Beiträge. Erstens stellt er das Fuzzy-Conversational-Character-Computing-Framework (FCCC) als Architektur für Life-Engineering-konforme Life Agents vor. Zweitens, und als Hauptbeitrag, schlägt er ein fuzzybasiertes Ethics-Check-Framework speziell für Life Agents vor. Dieses bewertet 6 Dimensionen: Transparenz über KI-Identität und Anpassungsmechanismen; informierte Einwilligung in das Character-Modelling; Datenminimierung über persistente Interaktion hinweg; Auditierbarkeit von LLM-Komponenten; Konformität mit dem EU AI Act für Hochrisiko-Anwendungen sowie Energie- und Nachhaltigkeits-Fussabdruck. Das Framework wird mathematisch über L‑förmige Fuzzy-Zugehörigkeitsfunktionen auf einer 5‑stufigen linguistischen Compliance-Skala formalisiert, am Beispiel des FCCC-Frameworks angewendet, durch verwandte Forschung validiert und in 3 Expertinnen- und Expertengesprächen einer Stresstest-Bewertung unterzogen. Das Ergebnis ist ein Werkzeug, mit dem Designerinnen und Designer von Life Agents ethische Risiken bereits zur Entwurfszeit sichtbar machen können – nicht erst als nachgelagerte Compliance-Prüfung.
Artificial intelligence (AI) systems are becoming increasingly integrated into socio-technical infrastructures. However, their long-term deployment depends fundamentally on public trust. While existing research primarily focuses on system-level determinants of “trustworthy AI” (e.g., decision accuracy, reliability, transparency), less attention has been given to how broader societal trust structures influence trust in and acceptance of AI. This study examines the relationship between interpersonal trust and trust in AI across countries. Using cross-national survey data from the World Values Survey and a global AI study conducted by the University of Melbourne and KPMG, a matched sample of 38 countries was examined. Pearson (r = −0.346, p = 0.033) and Spearman ( ρ=-0.406 , p = 0.011) correlation analyses revealed a statistically significant moderate negative association between interpersonal trust and trust in AI. Ordinary least squares (OLS) and Theil-Sen regression models confirm this negative relationship. Countries characterized by lower interpersonal trust tend to exhibit comparatively higher trust in AI, whereas countries with higher interpersonal trust often display more cautious attitudes toward AI systems and hence they trust AI less. These results support the substitution hypothesis that, in contexts of weak interpersonal trust, AI can serve as a compensatory mechanism for the perceived untrustworthiness of human actors and institutions. The paper presents four complementary explanatory mechanisms and derives policy implications for legislation, media discourse, and economic governance. The results suggest that AI governance strategies must be context-sensitive and embedded within broader societal trust structures.
Die schnelle Integration und Verbreitung von generativer Künstlicher Intelligenz in den Arbeitsalltag stellt Organisationen vor die Herausforderung, ethische und rechtliche Prinzipien in verständliche und anwendbare Handlungsanweisungen zu übersetzen. Während regulatorische Anforderungen wie der EU AI Act eine theoretische Basis bieten, führt deren Komplexität in der Praxis häufig zu einer Compliance-Überforderung oder unkontrollierten KI-Anwendungen. Die vorliegende Arbeit adressiert dieses Problem durch die Entwicklung und Validierung eines nutzerfreundlichen und ethisch, sowie compliance-konformen Entscheidungsmodells unter Anwendung des Design-Science-Research(DSR)-Ansatzes. Im Rahmen eines iterativen Entwicklungsprozesses wurde ein zunächst komplexes Modell kritisch evaluiert und in einen hierarchischen Entscheidungsbaum übersetzt. Das finale Artefakt operationalisiert die ethische Verantwortung über vier sequenzielle Filterebenen: Datenschutz und Systemwahl, Kritikalitätsprüfung des Impacts, Sicherstellung der menschlichen Fachkompetenz sowie Transparenz und Integrität. Die Ergebnisse zeigen, dass die bewusste Reduktion kognitiver Komplexität bei gleichzeitiger Wahrung regulatorischer Anforderungen die Anwenderakzeptanz deutlich steigert und die von Matthias [14] beschriebene Responsibility Gap schließt. Über die menschliche Anwendung hinaus bietet das Framework eine logische Struktur für eine zukünftige Agentic Governance. Hierbei wird die Vision skizziert, das Modell als algorithmische Ergänzung direkt in KI-Architekturen zu implementieren, sodass Systeme ihre Aufgaben autonom nach ethischen und rechtlichen Parametern evaluieren können. Damit leistet diese Arbeit einen Beitrag zur Operationalisierung vertrauenswürdiger KI an der Schnittstelle zwischen menschlicher Urteilskraft und technischer Automatisierung.
Als Voraussetzung für die Musterzulassung eines Luftfahrzeugs unterliegt die Avioniksystementwicklung strengen behördlichen Regularien. Mit geeigneten Prozessvorgaben wird erreicht, dass ein Flugzeug die dafür erforderliche Betriebssicherheit besitzt. Allerdings entsteht dadurch ein hoher Entwicklungsaufwand, der durch die permanent steigende Systemkomplexität verschärft wird. Deshalb sind geeignete Methoden erforderlich, um in diesem Kontext die gewünschte Produktqualität bei beherrschbaren Kosten gewährleisten zu können. Im vorliegenden Beitrag werden als Beispiele für aktuelle Herausforderungen in der Entwicklung neben der Produktkomplexität die bisher manuell durchgeführten Tätigkeiten zur Allokation von Softwarekomponenten auf Hardwareelemente aufgegriffen. Letztere sind besonders für die Migration bisher monolithischer Software auf Mehrkernprozessoren relevant, womit allerdings hoher Arbeitsaufwand, Fehleranfälligkeit und Qualitätsunsicherheit verbunden sind. Als Lösung wird ein modellbasierter Ansatz vorgeschlagen, welcher durch Einführung von semantisch reichhaltigen, domänenspezifischen Modellen („viewpoints“) eine übersichtliche Darstellung und effiziente Bearbeitung selbst komplexer Systeme ermöglicht und durch die formale Untermauerung für hohes Automatisierungspotenzial (etwa zur Prüfung oder Synthese von Artefakten) sorgt. So wird am Beispiel des Allokationsproblems demonstriert, wie, basierend auf den eingeführten „viewpoints“, existierende Explorationskonzepte genutzt werden können, um automatisch fehlerfreie und optimale Lösungen für komplexe Probleme zu identifizieren. Der Transfer in die industrielle Praxis wird durch eine prototypische Implementierung eines Werkzeugs beschrieben. Abgeschlossen wird der Beitrag mit Vorschlägen für weitere Arbeiten.
Diese Studie untersucht Kompetenzunterschiede im Bereich künstlicher Intelligenz (KI) unter Studienanfänger:innen in verschiedenen akademischen Disziplinen. Insgesamt nahmen 325 Studierende der Fachrichtungen Soziale Arbeit, Medieninformatik und digitale Forensik an einer quantitativen Onlinebefragung unter Verwendung des SNAIL-Fragebogens (Scale for the assessment of non-experts AI literacy) teil. Die Ergebnisse deuten darauf hin, dass Studierende in MINT-bezogenen Studiengängen (Medieninformatik und digitale Forensik) über deutlich höhere Kompetenzen in den Bereichen praktische Anwendung, kritische Reflexion und technisches Verständnis von KI verfügen als Sozialarbeitsstudierende. Außerdem werden erhebliche Unterschiede in der KI-Kompetenz zwischen den Fachrichtungen zu Beginn der Hochschulausbildung deutlich. Die Studie schließt mit Implikationen für die Lehre und legt nahe, dass die gezielte Entwicklung von KI-Kompetenzen vor allem in Nicht-MINT-Fächern unerlässlich ist, um umfassende KI-bezogene Kompetenzen fachrichtungsübergreifend zu fördern.
The integration of large language models (LLMs), such as ChatGPT, into higher education opens new prospects for advanced case study work within applied learning environments. However, the adoption of generative artificial intelligence (GenAI) in universities of applied sciences remains limited and is still shaped by digital barriers and uncertainties. To address this situation, this article proposes a methodological framework for persona-based evaluations in case study work using ChatGPT-4o. The framework was developed and implemented with eight students during an international workshop week focusing on a company case study that assessed product design solutions. Evaluations were conducted through simulated perspective-taking based on specific personas, using ChatGPT-4o with purposefully designed prompts. The findings indicate that GenAI-assisted evaluations in case study work, when combined with personas, enhance domain-specific competencies, practical application, and critical reflection. Relevant implications of the proposed framework are discussed, highlighting the didactic potential of GenAI to achieve intended learning outcomes. Finally, the study’s limitations are outlined, and an outlook on future research is provided before concluding the article.
In Teil 1 von 2 des Beitrages „Humane Intelligenz und ‚Künstliche‘ Intelligenz im Wettbewerb um die Deutungshoheit?“ (Informatik Spektrum Heft 3/4, 2025) waren unsere evolutionär erworbene Intelligenz, die Entwicklungsstufen und Leistungen zentrales Thema. Humane Fähigkeiten konnten präsentiert werden, die bereits im pränatalen Lebensalter erstaunliche intelligente Leistungen vollbrachten. Vergleichend dazu werden in Teil 2 von 2 die Entwicklungsstufen und Leistungen der „künstlichen“ Intelligenz „KI“ präsentiert. Wo liegt der Ursprung? Wer sind die Protagonisten? Welche Vor- und Nachteil, welche Risiken und deren Folgen können erkannt werden? Wo wirkt „KI“ bereits in gesellschaftlichen Bereichen usw. Abschließend werden die drei in Teil 1 von 2 gestellten Fragen zur Deutungshoheit beider Intelligenzen beantwortet.
Die Transformation des Energiesystems – geprägt durch den Rückgang konventioneller Erzeugung, den wachsenden Anteil erneuerbarer Energien sowie steigende Lasten im Niederspannungsnetz – stellt neue Anforderungen an die Netzstabilität. Um diesen Herausforderungen zu begegnen, bedarf es intelligenter, lokal wirksamer Lösungen. Plattformen zum Handeln von lokaler Flexibilität zwischen den Netzbetreibern als Nachfrager und Haushalten als Anbieter, stellen einen vielversprechenden Lösungsansatz dar. Ziel dieser Plattformen ist es, den Energieverbrauch flexibel zu verschieben, um drohende Netzengpässe zu vermeiden. Erfahrungen aus bisherigen Projekten belegen, dass der Erfolg solcher Flexibilitätsplattformen maßgeblich von einer nutzerzentrierten Gestaltung abhängt. An diesem Punkt setzt das Projekt „Smarte, userzentrierte regionale Flexibilitätsplattform für Netz und Markt (SURF)“ an: Aufbauend auf den Erkenntnissen aus vorherigen Projekten wird eine intelligente Handelsplattform entwickelt, die zentrale Komponenten wie die Prognose von Flexibilität, die automatisierte Preisbildung und den Matching-Algorithmus gezielt unter Einbezug der Nutzerperspektive gestaltet. Eine besondere Rolle nimmt dabei der Einsatz von Erklärbarer Künstlicher Intelligenz ein, um Transparenz und Vertrauen in automatisierte Entscheidungen beim Nutzer zu fördern.
Die digitale Souveränität war innerhalb der Europäischen Union (EU) lange Zeit kein besonders wichtiges Thema. Jetzt steht die EU vor der Herausforderung, schnell souverän werden zu müssen. Und das zu einer Zeit, in der die US-Politik Hand in Hand mit wenigen US-Netzkonzernen ein Interesse hat, das zu verhindern. Vielmehr besteht die Gefahr einer technokratisch-autoritären Herrschaft ohne demokratische Legitimation durch die Techoligarchen. Wir fragen: Wie konnte es zu dieser Dominanz und zur Inbesitznahme ganzer Märkte in Europa durch die US-Netzkonzerne kommen? Was ist zu tun, um in dieser Situation digital souverän zu werden und unsere Demokratie und Werte zu verteidigen? Welchen Einfluss wird die generative KI auf unsere kulturelle Entwicklung nehmen? Und schließlich: Bieten diese Kämpfe der EU die Chance, digital erwachsen zu werden und unsere demokratischen Grundlagen zu stabilisieren?
Die beiden britischen Naturforscher Charles Darwin (1809–1882) und Alfred Russel Wallace (1823–1913) einerseits, sowie der britische Logiker, Kryptoanalytiker, Mathematiker und Informatiker Alan Turing (1912–1954) und der US-amerikanische Informatiker und Logiker John McCarthy (1927–2011) andererseits sind die beiden „Quellen“-Paare, aus denen sich der Ursprung der evolutionären humanen Intelligenz (HI) und der „künstlichen“ Intelligenz (KI) ableiten lässt. Sie sind die Ausgangspunkte für den Intelligenzwettbewerb im heutigen 21. Jahrhundert, der in einem Zeitalter voller Risiken, Krisen und Ungewissheit stattfindet. Den Menschen ist es mit ihrer Intelligenz in wenigen Jahrzehnten gelungen, sich selbst einen Intelligenzpartner (oder Intelligenzkonkurrenten) zu erschaffen. Bereits in vielen alltäglichen und beruflichen Bereichen des Menschen vollbringt die „künstliche“ maschinelle Intelligenz außerordentliches. Dies geschieht als immaterielle Computerinformationsprogramme (Bot, von englisch „robot“; Chatbot, von englisch „chatten“, plaudern; textbasiertes Dialogsystem) oder als materielle Humanoide (menschenähnliche Maschine). Kein Mensch kann Texte aus Büchern schneller lesen und zusammenfassen als es eine „künstliche“ Intelligenz vermag. Anderseits sind KI-Maschinen nicht in der Lage, sich selbst zu reflektieren oder intuitiv zu handeln, wie es den Menschen angeboren ist. Wohin treibt der HI-KI-Wettbewerb? Welche Art von Intelligenz kann helfen, die Risiken in komplexer, dynamischer Umwelt problemvorbeugend in den Griff zu bekommen? Viele weitere gesellschaftliche Probleme, von denen einige nachfolgend angesprochen werden, warten noch auf fehlerfreundliche Lösungen. Betrachten wir nun in den einzelnen Kapiteln die Stärken und Schwächen, die Chancen und Risiken beider Intelligenzen und wo sie vorteilhaft und weniger vorteilhaft im gesellschaftlichen Umfeld wirken bzw. miteinander kooperieren.
