2: Forschungsfrage & Konzeptualisierung Flashcards

1
Q

Wo stehen wir im Forschungsprozess?

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Definition Forschungsfrage

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Drei Typen von Forschungsfragen

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Eine gute Forschungsfrage ist…

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Gute Forschungsfrage finden

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Forschungslücken & Wissenstand in der Literatur

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Schlüsselwörter für Forschungsfragen

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Forschungsfrage im Meaning-Paper

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Gute oder schlechte Forschungsfrage?

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Definition Hypothesen

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Verschiedene Arten von Hypothesen

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Möglichkeiten der Hypothesenformulierung

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Eigenschaften von Hypothesen

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Hypothesen im Meaning-Paper

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Gute oder schlechte Hypothese?

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Hypothese vs Theorie

A
17
Q

Merkmale von Theorien

A
18
Q

Verfahren zum Erkenntnisgewinn

A
19
Q

Das konzeptionelle Modell

A

Nur in quantitativen Ansätzen (quiz 2)

20
Q

Variablentypen: Mediation vs Moderation

A
21
Q

Konzeptionelles Modell im Meaning-Paper

A
22
Q

Ziele einer Literaturübersicht

A
23
Q

Literatursuche als iterativer Prozess

A
24
Q

Aufbau einer Literaturübersicht

A
25
Q

Verschieden Arten von Quellen

A
26
Q

Journals von guter Qualität

A
27
Q

AND, OR, NOT,

A
28
Q

*,#,?

A
29
Q

Gastvortrag Swisscom Text

A
30
Q

Gastvortrag Swisscom Screenshots

A
31
Q

Insight File 1

A

Der Artikel “Student Use Cases for AI” von Ethan Mollick und Lilach Mollick bietet eine Anleitung für Studenten zum korrekten Umgang mit KI und insbesondere mit Large Language Models (LLMs) wie ChatGPT.

Forschungsfrage: Der Artikel fokussiert nicht explizit auf eine einzelne Forschungsfrage, sondern zielt darauf ab, ein Verständnis für die Funktionsweise, die Vorzüge und Herausforderungen beim Einsatz von LLMs im Bildungsbereich zu vermitteln. Er untersucht, wie Studierende LLMs effektiv und verantwortungsvoll nutzen können.

Konzeptualisierung:

  1. Verständnis von LLMs: Der Artikel erklärt, dass LLMs, wie ChatGPT, auf großen Mengen von Daten trainiert werden, um die nächste Wortfolge in Texten vorherzusagen. Die Autoren betonen, dass LLMs keine echte Verständnisfähigkeit besitzen und oft Fehler machen, weshalb Nutzer ihre Ausgaben kritisch prüfen sollten.
  2. Herausforderungen beim Arbeiten mit LLMs:
    • Falschinformationen: LLMs können ungenaue Informationen erzeugen, daher sollten Nutzer keine Aussagen ungeprüft übernehmen.
    • AI-Bias: LLMs können aufgrund ihrer Trainingsdaten und menschlichen Eingriffe voreingenommen sein.
    • Datenschutz: Eingegebene Daten können für zukünftiges Training verwendet werden, weshalb Nutzer vorsichtig mit privaten Informationen sein sollten.
  3. Best Practices für Interaktionen mit KI:
    • Eigenverantwortung: Nutzer sollten die Ratschläge und Erklärungen der KI kritisch bewerten.
    • Umgang mit der KI: Sie sollte als Werkzeug und nicht als Person angesehen werden.
    • Unvorhersehbarkeit der KI: Die Antworten der KI können variieren, auch bei identischen Eingabeaufforderungen.
    • Kontrolle behalten: Nutzer sollten die Führung übernehmen und die KI bei Bedarf in die gewünschte Richtung lenken.
    • Vorsicht bei persönlichen Informationen: Persönliche Daten sollten nicht geteilt werden.
  4. Effektive Kommunikation mit KI:
    • Klarheit suchen: Bei Unklarheiten sollten Nutzer die KI um erweiterte Erklärungen bitten.
    • Kontext bereitstellen: Die Bereitstellung von Kontext hilft der KI, nützlichere Antworten zu liefern.
    • Begrenztes Gedächtnis der KI: Die KI kann den Gesprächsverlauf vergessen, also sollte der Nutzer sie bei Bedarf erinnern.

Zusammenfassend bietet der Artikel eine praktische Anleitung für den Umgang mit LLMs im Bildungsbereich, indem er sowohl die Potenziale als auch die Grenzen und Herausforderungen dieser Technologie hervorhebt.

32
Q

Insight File 2

A

Der Artikel “Discovering Where ChatGPT Can Create Value for Your Company” von Cromwell, Harvey, Haase und Gardner, veröffentlicht auf HBR.org, beleuchtet den Einsatz von ChatGPT in Unternehmen und die Wege, wie diese Technologie für Innovation genutzt werden kann.

Die Forschungsfrage des Artikels konzentriert sich darauf, wie Unternehmen die Möglichkeiten von ChatGPT erkennen und nutzen können, um Wert zu schaffen, ohne dabei eindeutige Probleme oder KPIs zu haben. Die Autoren stellen fest, dass ChatGPT eine breite Palette an Anwendungen in verschiedenen Branchen und Kontexten bietet und erfordert daher einen neuen Ansatz für Innovation – das emergente Denken.

Die Konzeptualisierung umfasst drei Hauptwege, wie Unternehmen ChatGPT für ihre Innovationen nutzen können:

  1. Ausnutzung einer bestehenden Wertvorstellung: Hierbei wird ChatGPT verwendet, um bestehende Wertangebote eines Unternehmens zu stärken. Ein Beispiel ist Instacart, das ChatGPT nutzt, um den Online-Einkaufsprozess zu verbessern.
  2. Erweiterung der Wertvorstellung: Hierbei wird ChatGPT genutzt, um neue Probleme der Kunden zu lösen, die das aktuelle Angebot ergänzen. Khan Academy beispielsweise nutzt ChatGPT, um personalisierte AI-Tutoren anzubieten.
  3. Erforschung einer neuen Wertvorstellung: Dieser Weg beinhaltet die Verwendung von ChatGPT, um völlig neue Wertangebote zu erkunden, die Kunden möglicherweise noch nicht kennen. Hier wird die reine Form des emergenten Denkens genutzt, was mit größter Vorsicht angegangen werden muss.

Der Artikel betont, dass der Umgang mit ChatGPT ein offenes, flexibles und kreatives Denken erfordert, das sich von traditionellen Innovationsansätzen unterscheidet. Es geht darum, die Kernfunktionen von ChatGPT zu verstehen und dann Verbindungen zu relevanten Problemen herzustellen, um neue Wertvorstellungen für Kunden zu schaffen. Emergentes Denken erfordert eine Bewertung von Ideen ohne festgelegte Erfolgskriterien und ermutigt zu Improvisation und Anpassungsfähigkeit.

33
Q

Insight File 3

A

Der Artikel “Meaning of Manual Labor Impedes Consumer Adoption of Autonomous Products” beschäftigt sich mit dem Einfluss, den die Bedeutung von manueller Arbeit auf die Akzeptanz und Annahme autonomer Produkte durch Konsumenten hat.

Theoretical Background: Der theoretische Hintergrund des Artikels fokussiert auf zwei Hauptbereiche:
1. Autonome Produkte: Diese Produkte, wie Roboterstaubsauger oder automatische Kochmaschinen, operieren unabhängig von menschlicher Überwachung und versprechen, alltägliche Aufgaben effizienter und bequemer zu gestalten. Es wird jedoch diskutiert, dass sie auch Herausforderungen wie Datenschutzbedenken, das Gefühl von Technologieabhängigkeit und eine Unterminierung des Autonomiegefühls der Konsumenten mit sich bringen.
2. Bedeutung von manueller Arbeit (MML - Meaning of Manual Labor): MML wird als eine Art definiert, durch die Konsumenten Bedeutung im Leben finden, insbesondere durch das Ausführen manueller Aufgaben. Dieser Aspekt ist besonders relevant für Menschen, die ein hohes Maß an Bedeutung in manueller Arbeit sehen und daher möglicherweise zögern, autonome Produkte anzunehmen, da diese ihnen eine wichtige Quelle der Lebensbedeutung nehmen könnten.

Forschungsfrage und Konzeption: Die zentrale Forschungsfrage des Artikels ist, wie die Bedeutung, die manche Konsumenten manueller Arbeit beimessen, die Annahme und Bewertung autonomer Produkte beeinflusst. Es wird angenommen, dass Konsumenten, die ein hohes MML aufweisen, autonome Produkte weniger positiv bewerten und seltener annehmen. Umgekehrt wird untersucht, ob das Hervorheben alternativer Bedeutungsquellen im Leben diese negativen Effekte ausgleichen kann. Durch eine Reihe von Feld- und experimentellen Studien wird gezeigt, dass Konsumenten mit hohem MML autonome Produkte tatsächlich weniger bevorzugen und dass das Betonen anderer bedeutungsvoller Aktivitäten diese Zurückhaltung verringern kann.

Zusammenfassend untersucht der Artikel, wie die Bedeutung, die Konsumenten manueller Arbeit beimessen, die Akzeptanz autonomer Produkte beeinflusst, und schlägt vor, dass das Hervorheben alternativer Lebensbedeutungen ein wirksames Mittel sein könnte, um die Akzeptanz dieser Produkte zu steigern.