Das Metaverse wird immer präsenter in unserem Privat- und Berufsleben: Es bietet Personen unzählige Möglichkeiten der Interaktion. Das Metaverse hat das Potential mehr zu sein als nur eine Ansammlung weiterer sozialer Netzwerke. So entwickeln erste Unternehmen, darunter PwC Deutschland (PwC), Metaverse-Plattformen für ein Arbeitsumfeld der Zukunft. Mit dieser rapiden Entwicklung entstehen allerdings auch neue Herausforderungen, insbesondere mit Blick auf potenzielle Straftaten im virtuellen Raum.

Bezüglich des Hinweisgeberschutzgesetzes (HinSchG) stellt sich die Frage, ob Unternehmen sich bereits jetzt Gedanken über die Implementierung von Meldekanälen im Metaverse machen sollten, um potenziellen Straftaten proaktiv aufzudecken und Schäden für ihr Unternehmen rechtzeitig zu minimieren.
Der folgende Beitrag beleuchtet die Bedeutung des Hinweisgeber-Managements im Metaverse.

Knowledge Science beschäftigt sich mit Konzepten, Methoden und Prozessen zur systematischen Erzeugung, Extraktion, Speicherung und Bereitstellung von Wissen zur Lösung von Problemen und lässt sich somit dem Wissensmanagement zuordnen. Kognitive Assistenten sorgen dafür, das richtige Wissen zur richtigen Zeit in der richtigen Art und Weise seinen Anwendern und Anwenderinnen bereitzustellen. Damit dies gelingen kann, kommen inzwischen zahlreiche Methoden der Künstlichen Intelligenz (KI) zur Unterstützung unterschiedlicher Aufgaben des Wissensmanagements zum Einsatz.

Mit dem steigenden Forschungsinteresse im Gebiet Conversational Artificial Intelligence entsteht das Potenzial für neue Einsatzszenarien. Währenddessen legt die Tatsache, dass über die Hälfte aller Software-Projekte nicht erfolgreich fertiggestellt werden können, einen Handlungsbedarf nahe. Das Projekt-Reporting stellt dabei ein Werkzeug dar, um kontinuierlich den Status eines Projektes zu prüfen, um so frühzeitig auf ein mögliches Scheitern aufmerksam zu machen. Ziel der vorliegenden Arbeit ist die Untersuchung von Anwendungsgebieten von CAI im Projekt-Reporting sowie darauf aufbauend die Darstellung eines neuen Projekt-Reporting-Ansatzes. Der Einsatz von CAI eignet sich dabei im Wesentlichen für die Aufgaben der Datenerfassung sowie -analyse und -bereitstellung im Projekt-Reporting. Somit kann der Ablauf eines Projekt-Reporting-Prozesses mittels verschiedener Methoden der CAI automatisiert und letztendlich durch die Realisierung von Arbeitserleichterung optimiert werden.

Angesichts des demografischen Wandels, im Speziellen des Ausscheidens der Babyboomer-Generation in den Altersruhestand, nimmt die Sicherung des Erfahrungswissens langjähriger Mitarbeitender an Bedeutung zu. Unter anderem stellt Expert Debriefing mit einem Prozessbegleiter hierfür einen Baustein der Lösung dar. Die personellen Unterstützungsleistungen bedeuten jedoch nicht unerhebliche Aufwände. In diesem Beitrag wird daher untersucht, wie ein kognitiver, wissensbasierter Assistent einen Wissensträger innerhalb dieses Prozesses der Wissensdokumentation ohne die Einbeziehung eines Prozessbegleiters unterstützen kann. Damit soll angesichts des zunehmenden Risikos des drohenden Wissensverlusts eine kosteneffiziente Skalierung der Wissenssicherung ermöglicht werden. Dazu werden insbesondere ein hochstrukturiertes Prozessmodell, ein Knowledge Graph für Expert Debriefing, entsprechende Leitfragen und Checklisten, Fragestrukturen sowie weitere Automatisierungspotenziale auf der Basis von Text Mining vorgestellt. Ferner werden die Herausforderungen bei der Hebung des impliziten Erfahrungswissens und bei der Mensch-Maschine-Kommunikation fokussiert.

Mit dem steigenden Forschungsinteresse im Gebiet Conversational Artificial Intelligence entsteht das Potenzial für neue Einsatzszenarien. Währenddessen legt die Tatsache, dass über die Hälfte aller Software-Projekte nicht erfolgreich fertiggestellt werden können, einen Handlungsbedarf nahe. Das Projekt-Reporting stellt dabei ein Werkzeug dar, um kontinuierlich den Status eines Projektes zu prüfen, um so frühzeitig auf ein mögliches Scheitern aufmerksam zu machen. Ziel der vorliegenden Arbeit ist die Untersuchung von Anwendungsgebieten von CAI im Projekt-Reporting sowie darauf aufbauend die Darstellung eines neuen Projekt-Reporting-Ansatzes. Der Einsatz von CAI eignet sich dabei im Wesentlichen für die Aufgaben der Datenerfassung sowie -analyse und -bereitstellung im Projekt-Reporting. Somit kann der Ablauf eines Projekt-Reporting-Prozesses mittels verschiedener Methoden der CAI automatisiert und letztendlich durch die Realisierung von Arbeitserleichterung optimiert werden.

Current research on entrepreneurial ecosystems focuses on conceptual frameworks as well as the characteristics of individual elements and actors. Yet, ecosystems require the contributions of different actors (such as successful entrepreneurs) to become self-sustaining. This study sheds light on the questions of how and why entrepreneurs contribute to the development and reproduction of their entrepreneurial ecosystem. Applying a qualitative, inductive approach, a data sample of 32 semi-structured interviews with startup entrepreneurs from Germany was examined. The analysis reveals, that, amongst the personal traits of entrepreneurial passion and altruism, a perceived affiliation, reciprocity with and gratitude to the entrepreneurial ecosystem and its actors, influenced by antecedent experiences and relationships, are the core predictors for contribution activities such as mentoring, peering, or passing on experiences. These empirical insights are synthesized in a dynamic model, which adds further theoretical grounding to research on causal mechanisms and microfoundations in entrepreneurial ecosystems.

The development of “ABCD” technology (Artificial intelligence, Blockchain, Cloud computing, and Big data) has promoted the design and development of new and innovative technologies, which fundamentally revolutionized the ways organizations manage themselves. However, digital transformations have also brought in new challenges. Against the backdrop of growing internationalization, cross-border collaborations, and increasing global trade, it is of utmost importance to explore how technology renovates the intercultural dialogues, negotiations, trainings, and the subsequent knowledge transfer processes. Researchers have suggested that technology will play a vital role in facilitating the need to work with people from all around the world. And from the perspective of intercultural exchanges, and cross-border/cross-cultural collaborations,it is necessary to know how to navigate the intercultural challenges effectively. The emergence of social robots like the Furhat allows to design rich human-robot interactions including verbal- and non-verbal communication elements, which is promising to deliver artificial intelligence (AI) -based intercultural training capabilities. This research project has two objectives: first, this research will bring in the AI factor in human landscape to explore the actions and interactions of AI and intercultural environment in transition; second, this study aims to provide orientations and recommendations for implementing interactions with social robots to enable AI-based intercultural trainings. Therefore, design criteria for implementing effective verbal and nonverbal interactions are outlined for achieving high standards of intercultural interactions to provide better understanding and interpretations of the contexts in which certain intercultural actions are practiced.

Research into artificial intelligence is not a very young field; its precursors can be traced back as far as the 16th century. Today’s technical development, however, is virtually leaping forward, with new intelligent chat systems and social robots playing no small part in this. This is revolutionizing a wide range of scientific and social fields. The very large publication numbers in this field illustrate this as well. In order to keep track of the discourse in the field, the representatives of the field, the publications as well as the topics and their future development, it is indispensable for academics and scientists to prepare them in a bibliometric analysis. Only in this way it is possible to uncover thematic gaps as well as further points of contact and to drive research forward in a targeted and stringent manner. It is precisely this sorting and processing of the research discourse, the topics, and the authors, which is necessary for further research, that is carried out in this paper. For this purpose, using bibliometric analysis tools, an overview of the past, present, and future of the research field is created, and the general relevant topics are uncovered. The analysis includes as performance analysis a) the total number of publications and b) the total number of citations, and for science mapping c) a co-citation analysis (past), d) a bibliographic coupling (present) and e) a co-word analysis (future). The data needed for the analysis are identified and extracted from the SCOPUS or Web of Science (ISI) databases

Ongoing assessments in a course are crucial for tracking student performance and progress. However, generating and evaluating tests for each lesson and student can be time-consuming. Existing models for generating and evaluating question-answer pairs have had limited success. In recent years, large language models (LLMs) have become available as a service, offering more intelligent answering and evaluation capabilities. This research aims to leverage LLMs for generating questions, model answers, and evaluations while providing valuable feedback to students and decentralizing the dependency on faculty. Our approach is based on the development and interaction of advanced AI-powered generative agents, built on large language models like ChatGPT, GPT-4, and Vicuna, and designed to emulate human activities such as information abstraction, context refinement, and query rating. These agents interact autonomously in a network, employing techniques like Zero-Shot and Few-Shot Prompting to generate responses and adapt to various roles and contexts. The setup includes three key agents for question generation, refinement, and quality assurance, which leverage text vectorization, document selection and filtering, and cutting-edge language models to generate, refine, and evaluate questions and answers based on specific learning objectives. In conclusion, this paper demonstrates the versatility of LLMs for various learning tasks, including question generation, model answer generation, and evaluation, all while providing personalized feedback to students. By identifying and addressing knowledge gaps, LLMs can support continuous assessment and help students improve their understanding before semester exams.

The wave of digitization has begun. Organizations deal with huge amounts of data, such as logs, websites, and documents. A common way to make the information contained in these sources machine-accessible for automated processing is to first extract the information and then store it in a knowledge graph. A key task in this approach is to recognize entities. While common named entity recognition (NER) models work well for common entity types, they typically fail to recognize custom entities. Custom entity recognition requires data to be manually annotated and custom NER models to be trained. To efficiently extract the information, this paper proposes an innovative solution: Our Gazetteer approach uses a knowledge graph to create a coarse and fast NER component, reducing the need for manual annotation and saving human effort. Focusing on a university use case, our Gazetteer is integrated into a chatbot for entity recognition. In addition, data can be annotated using the Gazetteer and an NER model can be trained. Subsequently, the NER model can be used to recognize unseen custom entities, which are then added to the knowledge graph. This will improve the knowledge graph and make it self-extending.

Extracting triples of subjects, objects, and predicates from text to populate knowledge bases traditionally involves several intermediate steps such as co-reference resolution, named entity recognition, and relationship extraction. Treating triple extraction as translation task from source sentences to sets of triples, we present an end-to-end solution for information extraction that uses task prefixes to prompts a fine-tuned large language model to extract triples from text. Thus, the need for data labeling and training multiple models is reduced.