Artificial Social Agents: Empirical Evaluation, Machine Behaviour, and Rapid PrototypingModulbeschreibung #51204 / Version 1
- 6 LP
- Portfolioprüfung
- Unbenotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #51204 / #1 |
|---|---|
| Gültigkeit | Seit WiSe 2026/27 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Wiese, Eva |
| Benotung | Unbenotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Psychologie und Arbeitswissenschaft (IPA) |
| Fachgebiet | 35321100 FG Kognitionspsychologie und Kognitive Ergonomie (KKE) |
Kontakt
| Sekretariat | MAR 3-2 |
|---|---|
| Ansprechpartner*in | Keine Angabe |
| E-Mail-Adresse | Keine Angabe |
| Webseite | Keine Angabe |
Lernergebnisse
Studierende der Kognitionswissenschaft, der Mensch-Maschine-Interaktion (HCI) und des Bereichs „Human Factors“ lernen, menschliches Verhalten empirisch zu untersuchen. Dieser Kurs vermittelt ihnen, diesen Ansatz auf künstliche Agenten - wie große Sprachmodelle (LLMs), soziale Roboter und interaktive KI-Systeme - anzuwenden.
Der Kurs ist praxisorientiert und projektbasiert angelegt: In kleinen Teams konzipieren und realisieren die Studierenden eine reproduzierbare empirische Evaluation eines künstlichen Agenten unter Einsatz von KI-gestütztem Rapid Prototyping und dokumentieren ihre Arbeit in einem Portfolio.
Nach Abschluss des Moduls sind die Studierenden in der Lage:
eine empirisch überprüfbare Fragestellung zum Verhalten künstlicher Agenten oder zur Interaktion von Menschen mit solchen Agenten zu formulieren;
ein Konstrukt - wie etwa Vertrauen, Zuschreibung mentaler Zustände (Mind Perception), Kalibrierung, soziale Aufmerksamkeit oder kognitive Entlastung (Cognitive Offloading) - zu operationalisieren;
kontrollierte Aufgaben, Stimuli, Prompts oder Interaktionsszenarien zur Evaluation von LLMs, Robotern oder KI-Agenten zu entwerfen;
einen kleinen Prototypen, eine Evaluationsumgebung, eine Simulation oder ein Forschungswerkzeug mittels KI-gestütztem Rapid Prototyping zu implementieren;
verantwortungsvoll mit KI umzugehen (AI Stewardship): KI-Outputs kritisch zu delegieren, zu verifizieren, zu übersteuern oder abzulehnen, sodass Geschwindigkeit nicht zulasten von Korrektheit, Fairness oder Sicherheit geht;
die Reproduzierbarkeit durch Code, Prompts, Protokolle zu Modellen und Einstellungen, Stimuli sowie Anleitungen zur Durchführung sicherzustellen;
Fehlermodi und Leistungsgrenzen zu analysieren, anstatt lediglich aggregierte Leistungswerte zu betrachten;
eine empirische Aussage unter Berücksichtigung angemessener Einschränkungen und ohne anthropomorphe Überinterpretationen zu kommunizieren.
Der Kurs wird auf Englisch abgehalten. Auch alle Arbeitsergebnisse sind auf Englisch einzureichen.
Der Kurs ist praxisorientiert und projektbasiert angelegt: In kleinen Teams konzipieren und realisieren die Studierenden eine reproduzierbare empirische Evaluation eines künstlichen Agenten unter Einsatz von KI-gestütztem Rapid Prototyping und dokumentieren ihre Arbeit in einem Portfolio.
Nach Abschluss des Moduls sind die Studierenden in der Lage:
eine empirisch überprüfbare Fragestellung zum Verhalten künstlicher Agenten oder zur Interaktion von Menschen mit solchen Agenten zu formulieren;
ein Konstrukt - wie etwa Vertrauen, Zuschreibung mentaler Zustände (Mind Perception), Kalibrierung, soziale Aufmerksamkeit oder kognitive Entlastung (Cognitive Offloading) - zu operationalisieren;
kontrollierte Aufgaben, Stimuli, Prompts oder Interaktionsszenarien zur Evaluation von LLMs, Robotern oder KI-Agenten zu entwerfen;
einen kleinen Prototypen, eine Evaluationsumgebung, eine Simulation oder ein Forschungswerkzeug mittels KI-gestütztem Rapid Prototyping zu implementieren;
verantwortungsvoll mit KI umzugehen (AI Stewardship): KI-Outputs kritisch zu delegieren, zu verifizieren, zu übersteuern oder abzulehnen, sodass Geschwindigkeit nicht zulasten von Korrektheit, Fairness oder Sicherheit geht;
die Reproduzierbarkeit durch Code, Prompts, Protokolle zu Modellen und Einstellungen, Stimuli sowie Anleitungen zur Durchführung sicherzustellen;
Fehlermodi und Leistungsgrenzen zu analysieren, anstatt lediglich aggregierte Leistungswerte zu betrachten;
eine empirische Aussage unter Berücksichtigung angemessener Einschränkungen und ohne anthropomorphe Überinterpretationen zu kommunizieren.
Der Kurs wird auf Englisch abgehalten. Auch alle Arbeitsergebnisse sind auf Englisch einzureichen.
Lehrinhalte
Kerninhalte (Vorlesungsteil)
Einführung in künstliche soziale Agenten
KI-gestütztes Rapid Prototyping mit expliziter Verifizierung: Delegation, Überprüfung, Dokumentation und Reproduzierbarkeit.
KI-Steuerung (Stewardship): Delegieren / Verifizieren / Übersteuern / Ablehnen sowie die Fallen von „Fluency“ (sprachlicher Gewandtheit), Proxy-Verhalten, Einseitigkeit (Single-Perspective) und Überautomatisierung.
Ethik und Validität: Grenzen der Forschung am Menschen, DSGVO, Bias (Verzerrung), Transparenz und das Risiko der Überbewertung von Modellfähigkeiten.
Projektbasierte, explorative Inhalte (praxisorientiertes Lernen)
Maschinenverhalten: Untersuchung von KI-Systemen als Systeme mit eigenem Verhalten mittels empirischer Methoden.
LLMs als Versuchsteilnehmer: Design von „Prompt-als-Stimulus“, wiederholte Durchläufe, Kontrolle von Modellen und Startwerten (Seeds), Vergleich mit publizierten Mustern.
Künstliche soziale Agenten: Zuschreibung mentaler Zustände (Mind Perception), Vertrauen, Intentionalität, Blickverhalten/gemeinsame Aufmerksamkeit (Joint Attention) und Mensch-Maschine-Teamarbeit.
Einführung in künstliche soziale Agenten
KI-gestütztes Rapid Prototyping mit expliziter Verifizierung: Delegation, Überprüfung, Dokumentation und Reproduzierbarkeit.
KI-Steuerung (Stewardship): Delegieren / Verifizieren / Übersteuern / Ablehnen sowie die Fallen von „Fluency“ (sprachlicher Gewandtheit), Proxy-Verhalten, Einseitigkeit (Single-Perspective) und Überautomatisierung.
Ethik und Validität: Grenzen der Forschung am Menschen, DSGVO, Bias (Verzerrung), Transparenz und das Risiko der Überbewertung von Modellfähigkeiten.
Projektbasierte, explorative Inhalte (praxisorientiertes Lernen)
Maschinenverhalten: Untersuchung von KI-Systemen als Systeme mit eigenem Verhalten mittels empirischer Methoden.
LLMs als Versuchsteilnehmer: Design von „Prompt-als-Stimulus“, wiederholte Durchläufe, Kontrolle von Modellen und Startwerten (Seeds), Vergleich mit publizierten Mustern.
Künstliche soziale Agenten: Zuschreibung mentaler Zustände (Mind Perception), Vertrauen, Intentionalität, Blickverhalten/gemeinsame Aufmerksamkeit (Joint Attention) und Mensch-Maschine-Teamarbeit.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Artificial Social Agents: Empirical Evaluation, Machine Behaviour, and Rapid Prototyping | Projekt | Winter- und Sommersemester | [en] | 4 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Artificial Social Agents: Empirical Evaluation, Machine Behaviour, and Rapid Prototyping (Projekt) 1
- Artificial Social Agents: Empirical Evaluation, Machine Behaviour, and Rapid Prototyping (Projekt) Blockveranstaltung Fr./Sa. 6./7.11.2026, 8./9.101.2027, 5./6.02.2027, 10-18 Uhr
Arbeitsaufwand und Leistungspunkte
Artificial Social Agents: Empirical Evaluation, Machine Behaviour, and Rapid Prototyping (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 6 | 6 h | 36 h |
| Projekt | 1 | 120 h | 120 h |
| Vor-/Nachbereitung | 6 | 1 h | 6 h |
| 162 h | |||
Der Aufwand des Moduls summiert sich zu 162 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Bei der Lehrveranstaltung handelt es sich um einen integrierten Kurs (IV), der in drei Wochenendblöcken stattfindet: einem Auftaktblock zur Findung und Eingrenzung von Forschungsfragen sowie zur Teambildung; einer intensiven, betreuten Entwicklungsphase (Hackathon); und einem Abschlussblock für Präsentationen, Demos sowie eine Reflexion zu Ethik und Validität. Der Großteil des Arbeitsaufwands entfällt auf die eigenständige Projektarbeit im Team zwischen den Blöcken, begleitet durch betreute Zwischenbesprechungen.
Die Frist für einen Rücktritt ohne Nachteile endet am ersten Tag um 14:00 Uhr, noch vor Abschluss der Teambildung
Die Frist für einen Rücktritt ohne Nachteile endet am ersten Tag um 14:00 Uhr, noch vor Abschluss der Teambildung
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
- Grundkenntnisse in empirischen Methoden;
- Bereitschaft zur Arbeit mit Code, Prompts, Daten und Prototypen;
- Programmiergrundkenntnisse sind hilfreich, aber bei gemischten Teams nicht zwingend erforderlich.
- Bereitschaft zur Arbeit mit Code, Prompts, Daten und Prototypen;
- Programmiergrundkenntnisse sind hilfreich, aber bei gemischten Teams nicht zwingend erforderlich.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Unbenotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Challenge framing | 15 | praktisch | Beschreibung der Challenge (500 Wörter) + mündliche Präsentation (5 Min.) + Fragerunde (5 Min.) |
| Empirischer Report | 15 | schriftlich | 1500-2000 Wörter, vollständig belegt mit mindestens 20 wissenschaftlichen Zitaten. Format: Markdown oder PDF (hochgeladen in ein GitHub-Repository). |
| Individual contribution | 20 | schriftlich | Markdown-Datei im GitHub-Repository (mindestens 500 Wörter) Eine klare, von allen Teammitgliedern mitgetragene Erklärung zu den jeweiligen individuellen Beiträgen |
| Reproduzierbarkeitspaket | 10 | praktisch | Markdown-Datei in einem GitHub-Repository (mind. 500 Wörter) |
| Schlusspräsentation | 10 | mündlich | Präsentation (10 Min.) + Fragerunde (5 Min) |
| Teilnahme am Hackathon + Team-Artefakt (Open Source) | 30 | praktisch | Github repository with code + license + README |
Prüfungsbeschreibung (Abschluss des Moduls)
- Grundkenntnisse in empirischen Methoden;
- Bereitschaft zur Arbeit mit Code, Prompts, Daten und Prototypen;
- Programmiergrundkenntnisse sind hilfreich, aber bei gemischten Teams nicht zwingend erforderlich.
- Bereitschaft zur Arbeit mit Code, Prompts, Daten und Prototypen;
- Programmiergrundkenntnisse sind hilfreich, aber bei gemischten Teams nicht zwingend erforderlich.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 40.
Anmeldeformalitäten
s. ISIS-Kurs
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Accompanying course materials on AI-assisted rapid prototyping and AI stewardship (provided).
- Binz, M., Akata, E., … Schulz, E. (2025). A foundation model to predict and capture human cognition. Nature, 644, 1002-1009.
- Rahwan, I., et al. (2019). Machine behaviour. Nature, 568, 477-486.
- Rahwan, I., Shariff, A., & Bonnefon, J.-F. (2025). The science fiction science method. Nature, 644, 51-58.
- Wiese, E., et al. - selected work on mind perception, gaze cueing, and joint attention with artificial agents (Making eyes with robots; Humans can't resist robot eyes).
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe