- AutorIn
- Christin Göb
- Titel
- KI-gestützte Aggregation und Visualisierung von kollaborativem Feedback in einer webbasierten Debriefing-Umgebung
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:l189-qucosa2-1061933
- Datum der Einreichung
- 25.05.2026
- Abstract (DE)
- Die vorliegende Arbeit untersucht die KI-gestützte Aggregation und Visualisierung kollaborativen Feedbacks in einer webbasierten Debriefing-Umgebung im Rahmen des ERASMUS+-Projekts ACTIVATE. Ziel ist die Konzeption, Implementierung und Evaluation einer Verarbeitungspipeline, die strukturierte Fragebogendaten sowie Audiofeedback aus Debriefing-Situationen automatisiert in eine CHAT-kompatible Wissensbasis überführt und die daraus resultierenden Konflikte im ACTIVATEDashboard visualisierbar macht. Die Arbeit baut auf bestehenden Vorarbeiten zur Domänenmodellierung, Anforderungsanalyse und LLM-basierten Knowledge-Graph- Extraktion auf und erweitert diese um eine End-to-End-Verarbeitung multimodaler Feedbackdaten.
- Freie Schlagwörter (DE)
- Large Language Models, Transkription, Diarisierung, Resource Description Framework, Pyannote.audio
- Den akademischen Grad verleihende / prüfende Institution
- Hochschule für Technik, Wirtschaft und Kultur Leipzig, Leipzig
- Version / Begutachtungsstatus
- angenommene Version / Postprint / Autorenversion
- URN Qucosa
- urn:nbn:de:bsz:l189-qucosa2-1061933
- Veröffentlichungsdatum Qucosa
- 27.07.2026
- Dokumenttyp
- Masterarbeit / Staatsexamensarbeit
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY 4.0- Inhaltsverzeichnis
Abstract ii Danksagung iii Eidesstattliche Erklärung iv 1 Einleitung 1 2 Theoretischer Hintergrund 4 2.1 Theoretische Fundierung des Lernkontexts 4 2.2 Dashboard und Wissensrepräsentation 9 2.3 Künstliche Intelligenz (KI) und Large Language Models (LLMs) 17 2.4 Audioverarbeitung 25 3 Systemarchitektur ACTIVATE 33 3.1 Systemkontext und Gesamtüberblick 33 3.2 Architekturmodell und Sichten 35 3.3 Systemkommunikation und Schnittstellen 43 3.4 Qualitätsmerkmale, Code-Bewertung und Zusammenfassung 47 4 Konzeption und Implementierung 54 4.1 Konzept Frontend 54 4.2 Konzept Datenverarbeitung 57 4.3 Umsetzung 61 5 Evaluation 72 5.1 Evaluationsmethodik 72 5.2 Usability-Test März 2026 - Ground Truth 76 5.3 Ergebnisse 77 6 Fazit 90 6.1 Diskussion 90 6.2 Schlussfolgerung 92 6.3 Ausblick 95 A Anhang: Dashboard 98 A.1 Screenshots der Weboberfläche des ACTIVATE-Systems 98 B Anhang: Vokabular 101 C Anhang: Prompts 110 C.1 Entitäten-Extraktions-Prompts 110 C.2 Konflikt-Extraktions-Prompts 112 C.3 Rollen-Extraktion aus erstem Satz 115 C.4 Aggregationsprozess 115 C.5 Zusammenfassung 116 D Anhang: Python-Skripte 117 D.1 Skripte zur Berechnung von Metriken der Audioverarbeitung 117 D.2 Skripte zur Analyse der Large Language Model (LLM)-Aggregationsqualität 125 E Anhang: Umfragebogen 137 F Dokumentation der Verwendung von KI-gestützten Hilfsmitteln 138