Sigrid Klinger, M.Sc.

Abschlussarbeiten

Offene Themen

• Siehe hier

In Vorbereitung

• Bachelorarbeiten
  • Hao Ni: Qualitätsfragen an die KI – Nutzungsmuster von LLMs im Programmierkontext
    Diese Arbeit könnte untersuchen, wie Studierende ChatGPT und andere Large Language Models (LLMs) nutzen, um ihre eigenen Programmierlösungen im Hinblick auf Codequalität zu verbessern. Im Zentrum stünden dabei Fragen wie: In welchen Situationen wird AI um Hilfe gebeten? Welche Formulierungen wählen Studierende in ihren Prompts? Welche Art von Rückmeldungen erhalten sie und wie bewerten sie deren Nützlichkeit und Qualität? Je nach methodischem Ansatz könnte die Arbeit auf einer qualitativen Analyse von Prompt-Antwort-Paaren, einer Tagebuchstudie oder einer Nutzer:innenbefragung basieren. Ziel wäre es, Einblicke in realistische Nutzungsmuster und das Vertrauen in KI-gestütztes Feedback zu gewinnen mit Relevanz für die Gestaltung von Lehrangeboten und Toolunterstützung im Programmierunterricht.
  • Francis Arsene: „Was ist guter Code?“ – Eine Analyse von Code-Qualitätsaspekten in Lehrbüchern und Online-Ressourcen
    Diese Arbeit könnte untersuchen, wie Aspekte von Codequalität in aktuellen Programmier-Lehrbüchern und Lernplattformen dargestellt und diskutiert werden. Aufbauend auf einem in früheren Studien verwendeten Analyseansatz könnte eine Auswahl weit verbreiteter Materialien dahingehend analysiert werden, welche normativen Aussagen sie zur Verständlichkeit von Code und verwandten Teilaspekten treffen. Ziel der Arbeit könnte es sein, mögliche Veränderungen in den inhaltlichen Schwerpunkten, der Begrifflichkeit und den didaktischen Strategien im Zeitverlauf aufzuzeigen und so Impulse für die curriculare Gestaltung sowie für die Entwicklung automatisierter Feedbacksysteme für Programmieranfänger:innen zu geben.
  • Carla Darchinger: Untersuchung zur automatisierten Generierung von Reflexionsfragen zur Codequalität mit LLMs
    Diese Arbeit könnte untersuchen, wie sich große Sprachmodelle (LLMs) wie GPT oder LLama dazu einsetzen lassen, gezielte Fragen zur Codequalität zu generieren. Insbesondere solche, die Studierende zur Reflexion über eigene Lösungen anregen sollen. Auch bei automatisiert detektierbaren Problemen (z. B. über PMD oder andere statische Analysetools) könnten LLMs verwendet werden, um statt klassischem Feedback verständnisfördernde Rückfragen zu formulieren. Die Arbeit könnte zudem einen kleinen Prototypen realisieren, um die Qualität, Korrektheit und Rechenzeit verschiedener Prompt-Varianten (z. B. Zero-/Few-shot) systematisch zu vergleichen. Ziel wäre es, erste Aussagen über die Praxistauglichkeit solcher Systeme im E-Assessment-Kontext zu ermöglichen.

In Bearbeitung

• Masterarbeiten
  • Martina Georgieva: The Effects of Comments and Indentation on Code Quality Perception: An Eye-Tracking Study of CS1 Students

Publikationen

• Klinger, Sigrid L.; Strickroth, Sven (2025). KanjiCompass: An Etymology-Driven Adaptive Kanji Learning Tool. In: Proceedings of the 17th International Conference on Computer Supported Education (CSEDU), 1, SciTePress, pp. 472–483, DOI 10.5220/0013341000003932. [ BibTex ]
• Klinger, Sigrid L.; Strickroth, Sven (2025, accepted). Assessing GPT-4’s Reliability for Japanese Kanji Instruction: Accuracy, Prompt Control, and Contextual Sentences. In: Proceedings of DELFI 2025 – Die 23. Fachtagung Bildungstechnologien, Gesellschaft für Informatik e.V., 7 pages.
• Klinger, Sigrid L.; Weber, Patrick,; Strickroth, Sven; Striewe, Michael (2025, accepted). Stimulating Reflection on Code Quality: An Adaptive and Automated Question Generation Approach for Student Code. In: Proceedings of DELFI 2025 – Die 23. Fachtagung Bildungstechnologien, 6 pages.