Informatik in Kultur und Gesundheit
Refine
Document Type
- Bachelor Thesis (3)
Language
- German (3)
Has Fulltext
- yes (3)
Keywords
- AI (1)
- Agent (1)
- Community (1)
- Gamifizierung (1)
- KI (1)
- MAS (1)
- Multi-Agent-System (1)
- Peer Learning (1)
- Wissensaustausch (1)
- digitale Lernplattform (1)
Institute
In dieser Bachelorarbeit wird untersucht, inwiefern ein Multi-Agenten-System (MAS) die Antwortqualität gegenüber einem als Single-Agent implementierten KI-gestützten Coaching-Chatbot verbessern kann. Ausgangspunkt ist ein bestehendes KI-Coaching-Framework der Firma equeo GmbH, das bislang auf einem Single-Agenten-System (SAS) basiert. Es zeigte sich jedoch, dass die dort generierten Antworten häufig ungenau bzw. nicht regelkonform waren.
Ziel der Arbeit war es daher, ein MAS zu entwerfen und zu implementieren, das spezialisierte Agenten für unterschiedliche Aufgaben nutzt, um so die inhaltliche Fokussierung, Genauigkeit und Regelkonformität der generierten Antworten zu verbessern. Nach einer Anforderungsanalyse wurden zwei Entwürfe umgesetzt und in einer Testumgebung erprobt, wobei sich ein hierarchisches MAS mit fester Agentenreihenfolge als besonders geeignet erwies.
Dieses MAS wurde im bestehenden KI-Coaching-Framework implementiert. In einer abschließenden Evaluation, bestehend aus einer Analyse der Chatbot-Antworten einerseits und einer Nutzer:innen-Umfrage andererseits, wurde die MAS-Variante mit dem ursprünglichen SAS verglichen.
Die Ergebnisse deuten die Tendenz an, dass die Einführung eines MAS für das KI-Coaching bei equeo das Potenzial besitzt, eine bessere Antwortqualität zu ermöglichen. Diese Verbesserung ließ sich jedoch nicht als signifikant belegen. Dennoch zeigt diese Arbeit auf, wie ein MAS für KI-Coaching-Chatbots aufgebaut sein kann und inwiefern ein solches zur Qualitätsverbesserung von KI-Coaches beitragen kann, und bietet damit eine Grundlage für zukünftige Weiterentwicklungen.
In der heutigen Hochschulbildung spielen digitale Plattformen eine entscheidende Rolle bei der Unterstützung des akademischen Lernens. Studierende in technischen Disziplinen wie Mathematik, Programmierung und Netzwerktechnik stehen dabei oft vor fachlichen Herausforderungen, bei denen der Austausch mit Kommiliton:innen entscheidend für den Lernerfolg ist. Bestehende Lösungen wie Lernmanagementsysteme (z.\,B. Moodle), Kollaborationstools (z.\,B. Nextcloud) oder Q\&A-Plattformen (z.\,B. Stack Overflow, Campuswire) bieten zwar Funktionen zur Kommunikation oder Wissenssicherung, adressieren jedoch nicht ausreichend die Bedürfnisse einer fachspezifischen, informellen und niederschwelligen Wissensgemeinschaft. So fehlt es oft an institutioneller Verankerung, sozialer Motivation oder studentenzentrierter Gestaltung.
Vor diesem Hintergrund wurde HTWxception entwickelt – eine maßgeschneiderte Webplattform für Studierende der HTW Berlin, die gezielt den fachlichen Austausch fördert, Lerngruppen unterstützt und durch Gamifizierungselemente wie Reputationspunkte und Medaillen zur aktiven Beteiligung motiviert.
Die Plattform wurde auf Grundlage von Anforderungen aus Nutzerbefragungen und der Analyse bestehender Systeme konzipiert und mittels React, Firebase und Material UI implementiert. Kernfunktionen umfassen ein strukturiertes Frage-Antwort-System, Echtzeit-Chats, Profilfunktionen, Medienupload sowie Expert:innenprofile, um Wissen gezielt zu bündeln und sichtbar zu machen.
Diese Arbeit beschreibt die Konzeption, Entwicklung und Evaluation von HTWxception. Dabei werden technische Entscheidungen im Kontext von Skalierbarkeit und Nutzerfreundlichkeit reflektiert. Zudem werden pädagogische Ansätze wie Peer-Learning, soziales Lernen nach Vygotsky und das Konzept der Communities of Practice berücksichtigt, um die Plattform als soziales Lerninstrument zu fundieren.
Ein umfassendes Testkonzept sowie Leistungs- und Skalierbarkeitsanalysen gewährleisten die technische Qualität und langfristige Einsatzfähigkeit. Abschließend werden mögliche Erweiterungen diskutiert, um HTWxception als nachhaltiges Instrument der HTW-Community weiterzuentwickeln.
This work outlines the investigation of a Generative Adversarial Network (GAN)-based image denoising model, or Denoising Generative Adversarial Network (DnGAN), and its performance across different noise types. The aim is to further extend the field of image denoising with deep learning methods, focusing on the use of Generative Adversarial Networks, as they have seen little use in research thus far. Building on existing GAN architecture from the Super Resolution Generative Adversarial Network (SRGAN), this experiment examines the impact of model architecture and training techniques such as batch normalisation and residual learning on image denoising performance. The experiment trains and tests multiple variations of the DnGAN to learn a noise residual from a synthetically noisy input and generate a clean version of the underlying ground truth image. This is achieved by generating noisy variations of a ground truth dataset, for Gaussian, Poisson, and speckle noise models. The generated results of the DnGAN are evaluated via peak signal to noise ratio (PSNR) and structural similarity index measure (SSIM), as well as benchmarked against other deep learning methods with an additional dataset.
While the DnGAN proves to be an adequate denoiser, the results do not improve significantly on existing methods and suffer from the same setback of high frequency feature retention. This manifests as blurred images lacking fine detail and texture. There is promise, however, in the ability of DnGAN and similar GAN-based models to generalise on different noise types. These results support the initial hypothesis that GAN-based models can be used as viable denoiser models, albeit weakly.
While there is potential for DnGAN denoisers, further advancement and refinement is needed to preserve fine detail when removing the noise residual. Further work on this topic should focus on improving balance between the Generator and Discriminator during training and investigate the tuning of other hyperparameters to assess the impact on high frequency feature retention.

