Zusammenfassung Die Semiotik von Charles Sanders Peirce bietet eine zeichentheoretische Perspektive, um mathematische Aktivitäten von Lernenden als diagrammatische Tätigkeit unter Verwendung verschiedener Arten von Zeichen zu betrachten. Im Beitrag wird dieser theoretische Ansatz zur Entwicklung und Anwendung der Semiotischen Prozess-Karten als Analyseinstrument genutzt. Diese Karten sind grafisch gestaltet und ermöglichen eine detaillierte Rekonstruktion des Zeichenprozesses, der während mathematischer Interaktionen emergiert und sich anhand des Gebrauchs verschiedener Ausdrucksweisen der Beteiligten zeigt. Dabei eignet sich die Peirce’sche Semiotik dazu, Zeichenrelationen aufzuzeigen und den Fokus auf die Zeicheninterpretation zu richten. Mathematische Erkenntnisse von Lernenden, ihr Zeichengebrauch und verschiedene Zeichendeutungen können so rekonstruiert werden. Im Beitrag wird die Verwendung der Zeichentheorie in zwei Forschungsprojekten zum Mathematiklernen in der Grundschule vorgestellt: Das erste Projekt richtet den Fokus auf schriftlich-grafische Darstellungen. Im zweiten Projekt werden Gesten in Relation zur gleichzeitig erzeugten Lautsprache von Lernenden rekonstruiert.
Zusammenfassung Im August 2026 wird die Kennzeichnungspflicht der EU KI-Verordnung in Kraft treten: Ab dann müssen KI-generierte Inhalte eindeutig und maschinenlesbar gekennzeichnet sein. Die genauen Anforderungen der Kennzeichnungspflicht werden bis Juni 2026 von einer Arbeitsgruppe der Europäischen Kommission erarbeitet. Dieser Beitrag fasst die rechtlichen Anforderungen und regulatorischen Entwicklungen zusammen und analysiert verschiedene technische Ansätze zur Umsetzung der Kennzeichnungspflicht.
Zusammenfassung Retrieval-Augmented Generation (RAG) gilt derzeit als pragmatischer Ansatz, um große Sprachmodelle mit verlässlichen Informationen zu verbinden. In der Praxis zeigt sich jedoch, dass RAG die bekannten Probleme generativer KI nicht automatisch löst, sondern häufig verschiebt: Statt frei zu halluzinieren, entstehen Fehler nun durch unvollständiges Retrieval, ungeeignete Chunking-Strategien und fehlende Kontextkohärenz. Die Ursache liegt weniger im Modell als in der Struktur der zugrunde liegenden Dokumente und der Art, wie Informationen aufbereitet werden. Der Autor argumentiert, dass die klassische Informationswissenschaft der entscheidende, bisher weitgehend übersehene Erfolgsfaktor für RAG-Systeme ist. Kompetenzen wie Dokumentanalyse, Relevanzbewertung, Kontextmodellierung und Quellenkritik bestimmen maßgeblich, ob ein System belastbare Antworten liefert oder bloß plausible Formulierungen erzeugt. Auf dieser Grundlage wird ein strukturorientiertes RAG-Modell vorgestellt, das Kapitel- und Abschnittsretrieval, dokumentlogisches Chunking, mehrstufiges Reranking und evidenznahe Antwortformate kombiniert. Die Analyse zeigt: Verlässliche RAG-Systeme entstehen nicht durch größere Modelle, sondern durch die Verbindung semantischer Technologie mit informationswissenschaftlicher Praxis.
Generative KI hat seit 2023 die Arbeitswelt durch die breite Verfügbarkeit von Anwendungen nachhaltig verändert. So gibt es auch für die Recherche und im spezifischen Bereich Competitive Intelligence (CI) und Markt- und Wettbewerbsanalyse neue KI-Tools, die neue und effizientere Möglichkeiten der Datenanalyse und Marktbeobachtung eröffnen, die jedoch weiterhin menschliche Qualitätskontrolle erfordern, weil Fehlinformationen und fehlendes Kontextverständnis eine Herausforderung bleiben. Eine erfolgreiche Nutzung von KI in der CI-Recherche setzt daher präzise Fragestellungen, den Vergleich verschiedener Tools sowie Kompetenzwissen einschließlich Datenkompetenz voraus. Insgesamt verändern KI-Tools die Recherche grundlegend, erfordern jedoch neue Qualifikationen und eine ausgewogene Kombination von Technologie- und Quellenwissen, um verlässliche und hochwertige Informationen für strategische Geschäftsentscheidungen zu gewährleisten.
This second part of the article presents practical examples from the higher education sector and provides recommendations for the sustainable implementation and governance of RAG-based information systems. Drawing on the experiences of Humboldt University of Berlin, it outlines specific areas of application in research, teaching and administration, and discusses key lessons learnt from operational practice. Furthermore, technical requirements for a production-ready infrastructure - ranging from component selection and deployment options to scaling - are discussed. Particular attention is paid to the inherent limitations of RAG systems, RAG-specific sources of error, and security risks such as poisoning attacks, which require critical reflection on the use of the technology. Finally, current development trends such as agent-based and multimodal RAG architectures are outlined, and practical recommendations are formulated for universities planning to implement or expand the use of RAG systems.
Retrieval-Augmented Generation (RAG) hat sich als vielversprechender Ansatz etabliert, um Large Language Models (LLM) mit institutionsspezifischem Wissen anzureichern und dabei Halluzinationen zu reduzieren. Der vorliegende erste Teil der Publikation bietet einen & Uuml;berblick & uuml;ber den aktuellen Stand zu RAG-Systemen. Ausgehend von einem Vier-Phasen-Modell - Datenaufbereitung, Retrieval-Strategie, Chatbot-Verhalten und Qualit & auml;tssicherung - werden zentrale Designentscheidungen, technische Komponenten und Best Practices dargestellt. Die Analyse aktueller Literatur aus den Jahren 2024 und 2025 zeigt, dass RAG-Systeme Fine-Tuning-Ans & auml;tze bei der Wissensinjektion konsistent & uuml;bertreffen, insbesondere f & uuml;r spezialisiertes und weniger verbreitetes Fachwissen. Gleichzeitig werden Einschr & auml;nkungen wie Anf & auml;lligkeit f & uuml;r Adversarial Attacks und Herausforderungen bei komplexen Schlussfolgerungen diskutiert.
The ZKI Top Trends Survey 2026 identifies the key challenges and strategic priorities facing IT departments at universities and research institutions. A total of 351 people from seven European countries took part in the multilingual online survey, predominantly CIOs and data centre managers from universities (61.3 %) and universities of applied sciences (28.9 %). The survey is divided into a core survey comprising ten recurring questions, as well as focus questions that change each year; in 2026, these focused on digital sovereignty, financial conditions and cooperative service models. Data analysis was carried out using a largely automated analysis pipeline that categorises free-text responses into thematic clusters. The full results are available as an interactive dashboard and as multilingual evaluation documents.
This article is based on a keynote speech given at the OASPA conference in Leuven on 22 September 2025 critically analyzing the power relations surrounding open knowledge. The central thesis is that what matters is not who owns knowledge, but who can use, produce and evaluate it - depending on social, cultural and financial capital. Without these resources, open knowledge remains available but not equally usable. The core problems lie in knowledge production and evaluation: peer review processes, database indexing and ranking systems determine the visibility and recognition of knowledge. However, the effectiveness of these procedures is the subject of intense debate, as is the inadequate implementation of standards, the indexing of dubious journals and systematic distortions in favor of the Global North, renowned institutions and established publishers. It is therefore less a question of ownership and more a question of power: who can produce knowledge, and who decides on its credibility and dissemination? Political developments are manifesting themselves in cuts to open access budgets, restrictions on access to research data and even the suppression of undesirable knowledge production. In response, 'dark archives' (e. g., for arXiv at the TIB; Tobschall et al. 2025) or data backups (e. g., of PubMed by ZB MED) are being created to preserve scientific autonomy. AI also jeopardises open access principles by failing to cite sources when processing open content, which undermines copyright laws. One possible, albeit unrealistic, solution would be for publishers to voluntarily commit to only granting access to AI systems that cite sources correctly. Technical access restrictions for AI would run counter to the very idea of open knowledge. This reveals a fundamental dilemma between regulation and openness. Community-supported frameworks are proposed as a solution, such as a 'Trusted Open Knowledge' label that guarantees source references, establishes transparent evaluation and addresses structural inequalities. The central question remains: Who does science serve, and who determines what counts as knowledge?
Im August 2026 wird die Kennzeichnungspflicht der EU KI-Verordnung in Kraft treten: Ab dann m & uuml;ssen KI-generierte Inhalte eindeutig und maschinenlesbar gekennzeichnet sein. Die genauen Anforderungen der Kennzeichnungspflicht werden bis Juni 2026 von einer Arbeitsgruppe der Europ & auml;ischen Kommission erarbeitet. Dieser Beitrag fasst die rechtlichen Anforderungen und regulatorischen Entwicklungen zusammen und analysiert verschiedene technische Ans & auml;tze zur Umsetzung der Kennzeichnungspflicht.
Since 2023, generative AI has permanently changed the world of work through the widespread availability of AI applications. New AI tools are also available for research and in the specific areas of competitive intelligence (CI) and market and competitive analysis, opening up new and more efficient possibilities for data analysis and market observation. However, these tools still require human quality control, as misinformation and a lack of contextual understanding remain a challenge. Successful use of AI in CI research therefore requires precise questioning, comparison of different tools, and contextual knowledge, including data literacy. Overall, AI tools are fundamentally changing research, and they require new skills and a balanced combination of technology and source knowledge to ensure reliable, high-quality information for strategic business decisions.
