Die ersten Fragen, die sich stellen, sind die nach dem geeigneten Zeitpunkt und einem passenden Modul Studierende in die Welt der Wissenschaft eintauchen zu lassen. Ganz im Sinne Ockhams’ Rasiermesser – die naheliegendste Theorie ist oft die Beste -, drängte sich das Softwareprojekt im 5. Semester der Allgemeinen und Digitalen Forensik förmlich auf. Nicht nur, dass es zu einem idealen Zeitpunkt stattfindet, zu dem bereits auf fundamentales Wissen zurückgegriffen werden kann, ist es auch inhaltlich bereits darauf ausgelegt, selbstständig Gelerntes zu nutzen, um eine konkrete Aufgabe zu lösen.

In seiner ursprünglichen Fassung erlaubte dieses Modul aber nur sehr begrenzt Erfahrungen mit realer Wissenschaft zu sammeln, zu Lernen, wozu man sich bisher durchs Studium gequält hat oder gar die Frage zu beantworten, ob eine wissenschaftliche Karriere ins persönliche Lebenskonzept passt. Dazu muss jede/r Studierende für sich die Frage beantworten können:

„Wie fühlt sich Wissenschaft an?“

Und dafür reicht es nicht, irgendeine gestellte Aufgabe zu lösen und den Weg dahin in Form einer Belegarbeit zu beschreiben.

Diese Frage trieb mich lange um, bis mir eines Tages, wie so oft, der Zufall die Antwort vor die Füße legte. Im Rahmen der Forschungsarbeiten zu künstlichen Immunsystemen für soziale Netzwerke stießen wir auf einen interessanten Datensatz, der als Teil des German Evaluation Tasks veröffentlicht worden war.

Es ging darum, verletzende Rede in deutschen Tweets zu erkennen. Da dieses Thema von hoher strategischer Bedeutung für unsere aktuelle Forschung war und in dieser Form erstmalig im deutschsprachigen Raum aufgelegt wurde, entschloss sich unsere Arbeitsgruppe spontan daran teilzunehmen. Der Ablauf war klar strukturiert:

Die Studierenden können Teams bilden, in denen Sie im Verlaufe eines Semesters eine vom  Dozenten vorgeschlagenen Aufgaben lösen. Diese wurden im Vorfeld auf einer Lernplattform, in meinem Fall Moodle, kurz vorgestellt (Screenshot des Call for Participation). Dabei sollten immer mindestens zwei Gruppen die gleiche Aufgabe lösen, um Wettbewerb zu erzeugen. In wöchentlichen Iterationen präsentieren die Gruppen in kurzen Pitches dem Supervisor (Dozent/in) ihren aktuellen Entwicklungsstand und erhalten von diesem und Mitgliedern anderer Gruppen wertvolles Feedback. Gegen Ende des Semesters schreibt jede Gruppe einen Systemaufsatz nach den realen Anforderungen an eine Publikation für die jeweilige Konferenz. Auch hier erhalten Sie vom Supervisor Unterstützung und Feedback.

Dieser Aufsatz dient gleichzeitig als Belegarbeit und bildet gemeinsam mit den anderen erzeugten Artefakten die Grundlage für die Bewertung (Peer-Review) durch den Supervisor und einen weiteren Gutachter. Dieser Beleg wird anschließend ausführlich mit jeder Gruppe ausgewertet. So erhält jeder Studierende wertvolle Hinweise für das Schreiben der Bachelorarbeit in der sich anschließenden Bachelorphase.

Jede Gruppe muss außerdem in einem zwanzigminütigen Vortrag ihren Ansatz und die erzielten Ergebnisse vorstellen und sich anschließend den Fragen des Auditoriums stellen (Fachvortrag und Disputation). Die Gruppen sind dabei angehalten, mindestens eine Frage zu jedem Vortrag zu stellen.

Fallen Ausschreibung eines Wettbewerbs und Semester günstig zusammen, wird die beste Arbeit tatsächlich beim zugehörigen Wettbewerb eingereicht. Die Gruppe kann ihre Arbeit dann in der Konferenz unter realen Bedingungen vorstellen und verteidigen.

Andernfalls, erhält die beste Gruppe die Möglichkeit, sofern der State-of-the-Art überschritten wurde, gemeinsam mit dem Dozenten einen Beitrag für eine passende Fachkonferenz einzureichen und, sofern möglich, an der zugehörigen Konferenz teilzunehmen. In jedem Fall haben die Mitglieder der erfolgreichsten Gruppe (n) ihr erstes wissenschaftliches Paper veröffentlicht.

Auf diese Weise entstanden in den letzten Jahren hervorragende Beiträge, welche für Anerkennung in der Fachwelt sorgten.

F. Schmid, J. Thielemann, A. Mantwill, J. Xi, D. Labudde, and M. Spranger, “FoSIL – Offensive language classification of German tweets combining SVMs and deep learning techniques,” in Proceedings of the 15th Conference on Natural Language Processing (KONVENS 2019), 2019, pp. 382–386.

F. Bellmann et al., “Multi-Label Classification of Blurbs with SVM Classifier Chains,” in Proceedings of the 15th Conference on Natural Language Processing (KONVENS 2019), 2019, pp. 293–299.

A. Fleig et al., “Classification of Bots and Gender using Topic Unigrams,” in Proc. of the  Tenth International Conference on Data Analytics, 2021, pp. 77–81.

S. Preuß et al., “Automatically Identifying Online Grooming Chats Using CNN-based Feature Extraction,” in Proceedings of the 17th Conference on Natural Language Processing (KONVENS 2021), 2021, pp. 137–146.