From Data to Story: Evaluating GenAI-Supported Research Scrollytelling

Forschungsthema/Bereich: GenAI, nutzerzentrierte Forschung, Wissenschaftskommunikation
Typ der Abschlussarbeit: Master
Startzeitpunkt: -
Bewerbungsschluss: 05.10.2026
Dauer der Arbeit: 6 Monate

Beschreibung

Hintergrund

Wissenschaftliche Ergebnisse sind oft gesellschaftlich relevant, bleiben aber häufig in Fachpublikationen verborgen. Besonders datenintensive Forschung ist für Menschen außerhalb der jeweiligen Fachcommunity schwer zugänglich. Scrollytelling kann hier helfen: Dabei werden Text, Visualisierungen und Erklärungen zu einer interaktiven Daten-Geschichte verbunden.

In einer ersten Masterarbeit wurde bereits ein GenAI-gestützter Prototyp entwickelt, der aus einem Forschungspapier eine interaktive Scrollystory erzeugt. Der nächste Schritt ist die systematische Evaluation dieses Tools: Wie gut bleiben Aussagen, Zahlen und Visualisierungen am ursprünglichen Paper nachvollziehbar? Und wie hilfreich, kontrollierbar und vertrauenswürdig erleben Forschende die Arbeit mit dem Tool?

Langfristig soll das Tool im Rahmen von NFDI4Energy nutzbar gemacht werden und Forschende dabei unterstützen, ihre Ergebnisse breiter und verständlicher zu kommunizieren.

Ziel der Arbeit

Ziel der Masterarbeit ist es, ein bestehendes GenAI-gestütztes Scrollytelling-Tool zu evaluieren und gezielt weiterzuentwickeln. Die Arbeit umfasst zwei Teile:

Automatisierte Untersuchung: Das Tool wird auf mehrere Forschungspapiere angewendet. Dabei wird geprüft, ob generierte Aussagen, Zahlen, Quellen und Visualisierungen nachvollziehbar zum ursprünglichen Paper passen.
Experimentelle Studie mit Forschenden: In einer Nutzerstudie wird untersucht, wie Forschende das Tool erleben, zum Beispiel in Bezug auf Unterstützung, Kontrolle, Vertrauen und Arbeitsaufwand.

Dabei arbeitest du an der Schnittstelle von generativer KI, Datenvisualisierung, Wissenschaftskommunikation und empirischer Forschung. Kleinere Erweiterungen am bestehenden Prototyp können Teil der Arbeit sein, etwa zur besseren Sichtbarkeit von Änderungen, zur Quellenanzeige oder zur Unterstützung mehrerer Grafiken.

Was du lernen kannst

Evaluation von GenAI- und LLM-basierten Systemen
Planung und Durchführung einer Nutzerstudie
Prüfung von Quellenbezug, Evidenztreue und Zahlenkonsistenz
Auswertung von Fragebogendaten, Interaktionslogs und generierten Artefakten
Arbeiten mit Python, LLM-Schnittstellen und einem bestehenden Forschungsprototyp
Grundlagen von Scrollytelling und datenbasierter Wissenschaftskommunikation

Du musst nicht in allen Bereichen bereits Erfahrung haben. Wichtig sind vor allem Interesse an generativer KI, Freude an strukturierter Analyse und Motivation, dich in neue Methoden einzuarbeiten.

Formales

Die Arbeit kann in Deutsch oder Englisch verfasst werden. Bitte bewirb dich mit Lebenslauf und aktueller Notenübersicht. Der Start ist nach Absprache jederzeit möglich.

References

[1] Robert Kosara and Jock Mackinlay. “Storytelling: The next step for visualization”. In: Computer 46.5 (2013), pp. 44–50.

[2] Steven L. Franconeri et al. “The science of visual data communication: What works”. In: Psychological Science in the Public Interest 22.3 (2021), pp. 110–161.

Voraussetzung

Voraussetzungen an Studierende

Gute bis sehr gute Python-Kenntnisse
Interesse an generativer KI / LLMs und deren Evaluation
Interesse an Datenvisualisierung und Wissenschaftskommunikation
Motivation, empirische Methoden kennenzulernen
Strukturierte und eigenständige Arbeitsweise

Studiengangsbereiche

Ingenieurwissenschaften
Information System Engineering and Management
Wirtschafts- und Rechtswissenschaften
Wirtschaftsinformatik
Wirtschaftsingenieurwesen

Betreuung

Titel, Vorname, Name: Christina Speck (SGEM-Forschungsgruppe)
Organisationseinheit: WIN IM
E-Mail Adresse: christina.speck@kit.edu
Link zur eigenen Homepage/Personenseite: Website

Bewerbung per E-Mail

Bewerbungsunterlagen

Lebenslauf
Notenauszug

E-Mail Adresse für die Bewerbung
Senden Sie die oben genannten Bewerbungsunterlagen bitte per Mail an christina.speck@kit.edu

Zurück