Knowledge Representation and Machine Learning
Lehre
Im Sommersemester bieten wir an:
- User Studies in interactive intelligent Systems (Seminar + Übungen) für Bachelorstudierende im Moful 39-Inf-WP-MTI (Mensch-Machine-Interaktion) und Master-Studierende in den Modulen 39-M-Inf-INT-app Applied Interaction Technology oder 39-M-Inf-INT-app-foc Applied Interaction Technology (focus).
- Human-Centric Machine Learning (Seminar + Übungen) für Bachelorstudierende im Modul 39-Inf-WP-IG Informatik und Gesellschaft.
Im Wintersemester bieten wir an:
- Introduction to Data Mining (Vorlesung + Übungen) für Bachelorstudierende in den Modulen 39-Inf-DM Grundlagen Datamining, 39-Inf-WP-DS Data Science (Basis) oder 39-Inf-WP-DS-x Data Science (Schwerpunkt), sowie für Masterstudierende im Modul 39-M-Inf-AI-bas Basics of Artificial Intelligence.
- Applied Optimization (Vorlesung + Übung) als Pflichtkurs für Data Science-Masterstudierende; für Bachelorstudierende in den Modulen 39-Inf-DM Grundlagen Datamining, 39-Inf-WP-DS Data Science (Basis) oder 39-Inf-WP-DS-x Data Science (Schwerpunkt), sowie für Masterstudierende im Modul 39-M-Inf-AI-bas Basics of Artificial Intelligence.
Wir versuchen außerdem, die Lehre durch unsere Forschung zu unterstützen.
Abschlussarbeiten
Ab dem WS2025/2026 bieten wir wieder Abschlussarbeiten an. Insbesondere sind die folgenden Themen offen:
- Developing a language model-based annotation plugin for psychology software and evaluating it in a user study (together with the psychology department)
- Developing a retrieval augmented generation module for our intelligent tutoring system to automatically generate hints that refer to teaching material and evaluating it
- Using Ensemble methods to investigate the limitations of LLM-generated text detection
- Explaining (the limits of) LLM-generated text detection: why was this text detected as LLM-generated?
- Weitere Arbeiten werden hinzugefügt
Bei Interesse melden Sie sich gern:
Prof. Benjamin Paaßen
+49 521 106-87838
bpaassen@techfak.uni-bielefeld.de
Die folgenden Abschlussarbeiten sind bereits abgeschlossen
- Development and Evaluation of a Categorization Interface for Social Psychology Experiments (MA von Julian Goergen; begutachtet von Prof. Benjamin Paaßen und Prof. Thekla Morgenroth)
- Adaptive Lernumgebungen basierend auf Cognitive Load - Evaluation anhand eines Prototyps zum Thema Wald (MA von Nikolas Weber; begutachtet von Prof. Benjamin Paaßen und Dr. Daniela Sellmann-Risse)
- Prototype-Based Convolutional Neural Networks for EMG signal classification (BA von Dennis Schielke; begutachtet von Prof. Benjamin Paaßen und Rui Liu)
- Design and Evaluation of a Word-Clustering-Tool for Social Psychology (BA von Luis Klocke; begutachtet von Prof. Benjamin Paaßen und Dr. Adia Khalid)
- Partial Credit Item Response Autoencoders (BA von Lukas Wüppelmann; begutachtet von Prof. Benjamin Paaßen und Jesper Dannath)
- Prototype Decision Trees via Learning Vector Quantization (BA von Arno Gaußelmann; begutachtet von Prof. Benjamin Paaßen und Valerie Vaquet)
- Automatic Unit-Tests Generation via Large Language Models for Feedback in Programming Education (BA von Lukas Morasch; begutachtet von Prof. Benjamin Paaßen und Jesper Dannath)
- Comparing Large Language Models for Automatic Unit Test Generation in a Python Course (BA von Richard Pamies; begutachtet von Prof. Benjamin Paaßen und Jesper Dannath)
- Text-based difficulty estimation for multiple choice questions (BA von Niklas Rotter; begutachtet von Prof. Benjamin Paaßen und Alonso Palomino Garibay)
- Comparing Two-State Hidden Markov Models with Covariates to a Hierarchical approach using Clustering and Logistic Regression (BA von Özay Öztürk; begutachtet von Prof. Benjamin Paaßen und Prof. Roland Langrock)
- Few-Shot Multilabel Text Classification of Student Counseling Questions (BA von Jasper Matzat; begutachtet von Prof. Benjamin Paaßen und Jesper Dannath)
- Personalized Chess Training Plans via Multidimensional Item Response Theory (BA von Luca Sander; begutachtet von Prof. Benjamin Paaßen und Alina Deriyeva)
- Generative KI im agilen Software Engineering - Eine Fallstudie in der universitären Ausbildung (BA von Luca Strignano; begutachtet von Prof. Benjamin Paaßen und Dr. Sebastian Wrede)
- Adapt-Leaf-Forest: ein innovativer Ansatz für die Klassifikation mit Random Forest (BA von Maurice Heidemann; begutachtet von Prof. Benjamin Paaßen und Prof. Kevin Tierney)
- Learning to Style Check (MA von Tim Marvin Heptner; begutachtet von Prof. Benjamin Paaßen und Dr. Alexander Schulz)
- Optimal Team Composition and Skill Estimation in Pair Sports (MA von Sören Rüttgers; begutachtet von Prof. Benjamin Paaßen und Dr. Ulrike Kuhl)