Themen für Bachelorarbeiten im WS 2026/2027


Themen für Bachelorarbeiten im WS 2026/2027

Im Folgenden finden Sie einige Themenvorschläge für Bachelorarbeiten im WS 2026/2027. Die Themen werden bis zur Vorbesprechung laufend ergänzt. Sie können bei Interesse schon vorab mit dem jeweiligen Betreuer Kontakt aufnehmen.

Validierung eines Modells zur Beurteilung der Qualität von User Stories

Im Institut für Wirtschaftsinformatik – Software Engineering wurde ein Modell zur Beurteilung der Qualität von User Stories entwickelt. Das Modell basiert auf den INCOSE Guidelines für Anforderungen und auf den INVEST Kriterien für User Stories. Ziel der Arbeit ist der Vergleich dieses Modells mit anderen Modellen aus der Literatur und die Durchführung einer Umfrage zur Beurteilung der Qualität des entwickelten Modells.

Literaturanalyse

  • Identifikation von Ansätzen zur (KI-basierten) Beurteilung der Qualität von Anforderungen mit Fokus auf User Stories
  • Herausarbeiten der konzeptionellen Gemeinsamkeiten und Unterschiede zwischen diesen Ansätzen

Praktischer Teil

  • Entwicklung eines Konzepts für die Beurteilung der Qualität des am Institut entwickelten Modells zur Beurteilung der Qualität von User Stories auf Basis einer (Online) Umfrage
  • Entwicklung und Betreuung der Online-Umfrage
  • Auswertung der Daten der Online-Umfrage

Betreuung: Reinhold Plösch
Status: OFFEN

 

Extraktion von Anforderungen aus Systemtestaufzeichnungen

Im Kontext der Wartung von Systemen besteht oft die Notwendigkeit, Anforderungen auf Basis des implementierten Systems zu extrahieren um darauf aufbauend Wartungsaktivitäten zu ermöglichen bzw. zu erleichtern. Im Zuge der Arbeit soll ein System entwickelt werden, das Videos von Systemtests analysiert und auf Basis dieser Daten Anforderungen (User Stories) extrahiert und dokumentiert. Ein rudimentärer Prototyp dafür ist am Institut vorhanden.

Literaturanalyse

  • Identifikation von Ansätzen zur Extraktion von Anforderungen aus Systemen
  • Der Fokus der Analyse liegt dabei auf Arbeiten, die die Extraktion dieses Wissens aus Systemen zur Laufzeit ermöglichen. Ansätze, die diese Analyse auf Basis des Source-Codes machen, sind zurückzustellen.

Praktischer Teil

  • Entwicklung eines Prototyps zur Generierung von User Stories aus Videodaten
  • Validierung des Prototyps

Betreuung: Reinhold Plösch
Status: OFFEN

 

Die Auswirkung von schlechten Anforderungen auf die Fähigkeit von LLMs, guten Code zu erzeugen

In der Literatur finden sich Ansätze, um die Qualität von Anforderungen mit Hilfe von KI-Systemen zu analysieren bzw. zu verbessern. Im Kontext des klassischen Software Engineering ist das auch sinnvoll, da Menschen typischerweise gut formulierte Anforderungen besser verstehen. Im Kontext des Einsatzes von KI-Systemen zur Codegenerierung stellt sich die Frage, ob aktuelle KI-Modelle auch mit qualitativ schwachen Anforderungen gut umgehen können oder ob sie Anforderungen hoher Qualität benötigen. Diese Fragestellung soll im Zuge eines umfangreichen, automatisierten Experimentes beantwortet werden.

Literaturanalyse

  • Aufarbeiten der wissenschaftlichen Literatur, die den Zusammenhang zwischen der Güte von Anforderungen mit dem Projekterfolg, der Qualität von generiertem Code, etc., untersucht.
  • Analyse der Literatur, die die Fragestellung dieser Bachelorarbeit in den Fokus rückt.

Praktischer Teil

  • Konzeption, Entwicklung und Auswertung eines vollautomatisierten Experiments, das zum Ziel hat, herauszufinden, ob die Güte von Anforderungen Auswirkungen auf die Qualität des generierten Codes hat.

Betreuung: Reinhold Plösch
Status: OFFEN

 

Token-Optimiertes Refactoring von Code Smells mit LLMs

Aktuelle Forschungsergebnisse zeigen, dass das automatische Refactoring von Code Smells mit LLMs gut funktioniert. Die meisten Ansätze verwenden dafür jedoch die jeweils besten LLMs einer Modellfamilie. Sowohl aus Kostensicht als auch aus ökologischer Sicht ist diese Vorgehensweise nicht sinnvoll. Es wäre vielmehr besser, je nach Komplexität des Refactorings das dafür kleinstmögliche Modell innerhalb einer Modellfamilie zu verwenden. Im Zuge der Arbeit soll im Rahmen eines Experiments gezeigt werden, ob die Kritikalität von Code Smells (oder ähnliche Eigenschaften von Code Smells) als Auswahlkriterium für die Wahl eines möglichst kleinen Modells einer Modellfamilie geeignet ist.

Literaturanalyse

  • Überblick über Arbeiten zum automatisierten Refactoring von Code Smells
  • Identifikation von Arbeiten, die sich mit optimierten Auswahl von LLMs beschäftigen
  • Identifikation von Eigenschaften von Code Smells für die Auswahl eines möglichst kleinen LLMs einer Modellfamilie

Praktischer Teil

  • Konzeption, Entwicklung und Auswertung eines vollautomatisierten Experiments, das zum Ziel hat, herauszufinden, ob die identifizierten Eigenschaften von Code Smells für die Auswahl eines möglichst kleinen LLMs einer Modellfamilie geeignet sind
  • Idealerweise werden zumindest zwei Modellfamilien untersucht, um eine Aussage darüber treffen zu können, ob die Ergebnisse spezifisch für ein Modell oder unabhängig von der Modellfamilie sind.

Betreuung: Reinhold Plösch
Status: OFFEN

 

Vergleich der Eignung von Index-Systemen für systemweite Refactorings von großen Codebasen

Aktuelle Forschungsergebnisse zeigen, dass das automatische Refactoring von Code Smells mit LLMs gut funktioniert – zumindest für kleine Refactorings, die nur eine oder wenige Sourcecode-Dateien betreffen. Bei systemweiten Refactorings stoßen LLMs typischerweise an ihre Grenzen. Im Zuge dieser Arbeiten sollen Index-Systeme identifiziert und beurteilt werden, die auf zuverlässige Art und Weise die für große Refactorings notwendigen Symbolinformationen (z.B. wo wird eine Methode aufgerufen, in welcher Klasse wird eine Methode überschrieben) zur Verfügung stellen. Ziel ist es, die Stärken und Schwächen dieser Systeme für das Refactoring von großen Codebasen (300K+) zu untersuchen. Die Arbeit soll sich dabei nicht nur auf MCP-Server konzentrieren, sondern auch auf IDE-basierte oder ähnliche Ansätze.

Literaturanalyse

  • Identifikation von Index-Systemen, die für das KI-basierte Refactoring geeignet erscheinen
  • Identifikation der Stärken und Schwächen der jeweiligen Ansätze aus der Sicht des KI-basierten Refactorings

Praktischer Teil

  • Entwicklung eines quantitativen Kriterienkatalogs zur Beurteilung der Index-Systeme
  • Praktischer Vergleich ausgewählte Index-Systeme (die Auswahl erfolgt auf Basis der identifizierten Stärken und Schwächen) anhand unterschiedlicher Codebasen
  • Quantitative Beurteilung der betrachteten Index-Systeme auf Basis des entwickelten Kriterienkatalogs

Betreuung: Reinhold Plösch
Status: OFFEN

 

Analyse der Eignung von Codebase-Memory MCP für systemweite Refactorings

Aktuelle Forschungsergebnisse zeigen, dass das automatische Refactoring von Code Smells mit LLMs gut funktioniert – zumindest für kleine Refactorings, die nur eine oder wenige Sourcecode-Dateien betreffen. Bei systemweiten Refactorings stoßen LLMs typischerweise an ihre Grenzen. Das Open-Source-Projekt Codebase-Memory (https://deusdata.github.io/codebase-memory-mcp/) könnte ein guter Ansatz für systemweite Refactorings sein. Im Zuge der Arbeit soll untersucht werden, wie Codebase-Memory für automatiserte Refactorings am besten verwendet wird, um zuverlässige systemweite Refactorings zu erreichen.

Literaturanalyse

  • Überblick über die Funktionsweise von Codebase-Memory MCP
  • Überblick über Arbeiten, die Codebase-Memory MCP für Refactoring verwenden – Identifikation von Best Practices

Praktischer Teil

  • Implementierung eines Prototypen (z.B. als Claude-Code Skill) für das Refactoring ausgewählte Code oder Design Smells.
  • Umfangreiche Validierung des Prototyps anhand einer größeren Anzahl der vom Werkzeug unterstützten Code und Design Smells. Dabei sind neben großen Projekten auch kleine Projekte zu berücksichtigen.

Betreuung: Reinhold Plösch
Status: OFFEN

 

KI-gestützte Generierung adaptiver Übungsbeispiele zur Klausurvorbereitung

Studierende bereiten sich auf Klausuren häufig mit einer begrenzten Anzahl bekannter Übungsbeispiele vor, die weder auf ihren individuellen Lernstand zugeschnitten sind noch ausreichend Variation bieten, um das Verständnis wirklich zu festigen. Generative KI-Systeme eröffnen hier neue Möglichkeiten: Aus bestehenden Aufgaben und Vorlesungsfolien als Wissensbasis lassen sich automatisiert neue, thematisch passende Übungsbeispiele erzeugen, deren Schwierigkeitsgrad sich an der bisherigen Lösungsleistung der Studierenden orientiert. Ziel dieser Arbeit ist die Konzeption, Implementierung und Evaluation eines solchen Systems zur adaptiven Klausurvorbereitung.

Literaturanalyse

  • Überblick über bestehende Ansätze zur automatisierten Generierung von Übungs- und Prüfungsaufgaben mittels KI/LLMs
  • Identifikation von Konzepten zur Schwierigkeitsgradsteuerung und Adaption an den individuellen Lernfortschritt 
  • Herausarbeiten von Kriterien zur Qualitätssicherung automatisch generierter Übungsbeispiele

Praktischer Teil

  • Konzeption eines Systems, das auf Basis bestehender Aufgaben und Vorlesungsfolien neue, thematisch passende Übungsbeispiele generiert
  • Entwicklung eines Mechanismus zur Anpassung des Schwierigkeitsgrads anhand der bisherigen Lösungsleistung sowie zur Berücksichtigung des Lernfortschritts über mehrere Beispiele hinweg
  • Implementierung eines Prototyps und Einbindung der generierten Beispiele in eine von Studierenden nutzbare Umgebung (z.B. Google Colab)
  • Evaluation des Prototyps, z.B. anhand der Qualität und Passgenauigkeit der generierten Beispiele

Betreuung: Iris Groher
Status: OFFEN


IDE-integriertes KI-Feedback für Python-Programmieraufgaben

Studierende bearbeiten Programmieraufgaben typischerweise in lokalen Entwicklungsumgebungen (z.B. Visual Studio Code), während Feedback erst nach Abgabe über automatisierte Tests oder Lehrende bzw. Tutoren erfolgt. Dadurch bleibt der eigentliche Problemlöseprozess weitgehend unsichtbar, obwohl gerade dieser für das Lernen zentral ist. Bisherige KI-Assistenzsysteme in Entwicklungsumgebungen (z.B. Copilot) fokussieren primär auf Code-Generierung und Produktivitätssteigerung, nicht auf didaktisch kontrollierte Lernunterstützung. Ziel dieser Arbeit ist die Konzeption, Implementierung und Evaluation eines einfachen VS-Code-Plugins, das den aktuell bearbeiteten Python-Code von Studierenden analysiert und bei Erkennung typischer Fehlermuster kontextsensitives, lernorientiertes Feedback gibt, ohne dabei vollständige Lösungen zu generieren.

Literaturanalyse

  • Überblick über bestehende Ansätze zu KI-gestützten Feedback- und Assistenzsystemen in Entwicklungsumgebungen
  • Identifikation typischer Fehlermuster von Studierenden bei Python-Programmieraufgaben aus der Literatur
  • Herausarbeiten von Kriterien für lernförderliches (formatives) im Vergleich zu lösungsgenerierendem Feedback

Praktischer Teil

  • Konzeption eines Prototyps für ein VS-Code-Plugin, das den aktuell bearbeiteten Code auf eine ausgewählte Menge typischer Fehlermuster hin analysiert
  • Implementierung des Prototyps inklusive Anzeige des kontextsensitiven Feedbacks direkt in der IDE
  • Implementierung einfacher Guardrail-Mechanismen zur Vermeidung vollständiger Lösungsgenerierung
  • Evaluation des Prototyps anhand ausgewählter Python-Übungsaufgaben 

Betreuung: Iris Groher
Status: VERGEBEN



Erfassung und Kategorisierung von Bearbeitungsprozessen bei Programmieraufgaben

Wenn Studierende Programmieraufgaben bearbeiten, entsteht dabei ein Prozess aus vielen kleinen Änderungsschritten, etwa das Beheben von Syntaxfehlern, iteratives Ausprobieren, Refactoring oder gezielte Korrekturen der Lösungslogik. Dieser Prozess bleibt bislang meist unsichtbar, da üblicherweise nur der finale, abgegebene Code betrachtet wird. Für ein besseres Verständnis, wie Studierende beim Programmieren lernen und wo typische Schwierigkeiten auftreten, ist es jedoch wertvoll, diesen Bearbeitungsprozess systematisch zu erfassen. Ziel dieser Arbeit ist die Konzeption und Implementierung eines VS-Code-Plugins, das Codeänderungen während der Bearbeitung von Python-Aufgaben kontinuierlich erfasst, in sinnvolle Kategorien einteilt (z.B. Syntaxkorrektur, Logikänderung, Trial-and-Error) und für eine spätere Analyse strukturiert ablegt.

Literaturanalyse

  • Überblick über bestehende Ansätze zur Aufzeichnung und Analyse von Programmierprozessen 
  • Identifikation von Kategorisierungsschemata für Code-Änderungen bzw. Edit-Events aus der Literatur
  • Herausarbeiten von Kriterien für eine datenschutzkonforme und aussagekräftige Erfassung von Bearbeitungsprozessen

Praktischer Teil

  • Konzeption eines Prototyps für ein VS-Code-Plugin, das Codeänderungen während der Bearbeitung von Python-Aufgaben laufend erfasst
  • Entwicklung eines Kategorisierungsschemas sowie eines Mechanismus zur automatisierten Klassifikation der erfassten Änderungen
  • Implementierung einer strukturierten Ablage der kategorisierten Daten für die spätere Analyse
  • Evaluation des Prototyps anhand aufgezeichneter Bearbeitungsprozesse bei ausgewählten Python-Übungsaufgaben

Betreuung: Iris Groher
Status: OFFEN



Themen für Bachelorarbeiten im WS 2026/27