Wie lässt sich wissenschaftliche Leistung verlässlich beurteilen, wenn generative KI überzeugende akademische Texte erzeugen kann? Sylvana Kroop vom Department of Digital Economy der FHWien der WKW stellte auf der DESRIST 2026 in Münster einen ersten, bewusst experimentellen Ansatz zur Neugestaltung von Masterarbeiten vor.
Generative KI und Large Language Models verändern die Rahmenbedingungen wissenschaftlichen Arbeitens grundlegend. Besonders deutlich wird das bei klassischen Masterarbeiten. Über Jahrzehnte galt eine umfangreiche, sprachlich überzeugende Ausarbeitung als zentraler Nachweis wissenschaftlicher Kompetenz. Im KI-Zeitalter wird diese Annahme brüchig. Denn akademisch klingender Text kann mit begrenztem eigenständigem kognitivem Aufwand produziert, überarbeitet und formal perfektioniert werden.
Damit entsteht ein tieferes Problem als die bloße Frage nach Täuschung oder Plagiat. Es geht um die epistemische Angemessenheit des Prüfungsformats selbst — also darum, welchen Erkenntniswert eine Masterarbeit als Leistungsnachweis im KI-Zeitalter noch hat. Wenn Texte nicht mehr zuverlässig anzeigen, was Studierende tatsächlich verstanden, entschieden, entwickelt und überprüft haben, muss auch die Form der Masterarbeit neu gedacht werden.
Vor diesem Hintergrund präsentierte Sylvana Kroop auf der 21. International Conference on Design Science Research in Information Systems and Technology (DESRIST 2026) ihren Research-in-Progress-Beitrag mit dem Titel „Redesigning the Master’s Thesis for Epistemic Adequacy Using Design Science Research in a Generative AI (LLM)-Supported Context“. Die DESRIST gilt als internationaler Treffpunkt der Design-Science-Research-Community, auf der jährlich Forschende aus Europa, Nordamerika, Australien und weiteren Regionen neue methodische, theoretische und praktische Entwicklungen im Design Science Research diskutieren. 2026 stand die Konferenz im Fürstbischöflichen Schloss Münster unter dem Leitthema „Design for Better Futures. Beyond the Science of the Artificial“.
Mit alternativen Modellen monolithische Masterarbeiten überwinden
Der Beitrag knüpft an etablierte Design-Science-Research-Ansätze an und überträgt diese auf die Frage, wie Masterarbeiten im Kontext generativer KI epistemisch angemessen gestaltet und bewertet werden können. Kroop betont, dass der Beitrag keinen fertigen Masterplan für „die Zukunft der Masterarbeit“ beschreibt. Vielmehr nutzt er die neuen Masterstudiengänge Digital Innovation und Digital Technology & Innovation als Möglichkeitsraum, um mit einem alternativen Modell zu experimentieren. Das Ziel besteht darin, die traditionelle, monolithische Masterarbeit, die häufig 80, 100 oder mehr Seiten umfasst, durch einen stärker prozessorientierten Ansatz schrittweise zu überwinden.
Im Zentrum steht ein vierstufiger Master-Thesis-Prozess auf Basis von Design Science Research (DSR). Die Studierenden arbeiten dabei nicht primär auf ein langes Enddokument hin, sondern durchlaufen vier aufeinander aufbauende Phasen: Problemraum, Wissensbasis, Forschungs- und Entwicklungsplan sowie valides digitales Artefakt. Der Gesamtumfang der schriftlichen Arbeit wird auf rund 30 Seiten reduziert. Gerade diese Begrenzung soll Präzision erzwingen. Es geht nicht mehr um Textmenge und stilistische Glätte, sondern darum, ob ein relevantes Problem verstanden, theoretisch und empirisch fundiert sowie methodisch nachvollziehbar bearbeitet und in einen überprüfbaren Entwicklungs- und Evaluierungsprozess überführt wurde.
Das Artefakt als Erkenntnisprozess
Die Entwicklung eines digitalen Artefakts ist nicht nur das erwartbare Ergebnis der Masterarbeit, sondern auch ein zentraler Erkenntnisprozess. Erst durch das Entwerfen, Implementieren, Testen und Verbessern zeigt sich, welche Annahmen tragfähig sind, welche Anforderungen tatsächlich relevant sind und ob die gewählte Lösung im jeweiligen Kontext wirksam werden kann. Das Artefakt ist somit keine Trophäe am Ende einer Theoriephase, sondern der Ort, an dem sich wissenschaftliche Erkenntnis in der Praxis bewähren muss.
Erste Erfahrungen zeigen Potenzial. Strikte Meilensteine, verbindliche Präsentationen und das „Forward-Only“-Prinzip machen Fortschritte früher sichtbar und reduzieren die Gefahr, dass zentrale Probleme erst kurz vor der Abgabe auftauchen. Zugleich zeigt sich: Das Modell ist ein Anfang, kein abgeschlossenes Ideal. Seitenlimits, Betreuungskapazitäten, Bewertungsraster und die Unterstützung von Master-Thesis-BetreuerInnen müssen weiterentwickelt werden. Gerade darin liegt der Wert des Ansatzes: Er eröffnet eine fundierte Diskussion darüber, wie Hochschulen wissenschaftliche Qualifikationsarbeiten im KI-Zeitalter verantwortungsvoll neu gestalten können.
Der Beitrag versteht generative KI dabei nicht bloß als Störfall, sondern als Anlass, eine ohnehin überfällige Frage neu zu stellen: Was soll eine Masterarbeit eigentlich beweisen? Wenn die Antwort nicht länger „möglichst viel gut geschriebener Text“ lauten kann, rücken Prozessqualität, methodische Transparenz, überprüfbare Entscheidungen sowie die Erforschung und Entwicklung wirksamer digitaler Artefakte in den Mittelpunkt.
Zur Studienpräsentation und zum KI-generierten englischsprachigen Podcast auf der Konferenzwebsite der DESRIST 2026
Der Research-in-Progress-Beitrag wurde in den Proceedings der DESRIST 2026 veröffentlicht: Kroop, S. (2026). Redesigning the Master’s Thesis for Epistemic Adequacy Using Design Science Research in a Generative AI (LLM)–Supported Context. In: Chatterjee, S., Gregor, S., Kipping, G., Mansingh, G. (eds) Design for Better Futures: Beyond the Science of the Artificial. Prototypes and Research-in-Progress. DESRIST 2026. Lecture Notes in Computer Science, vol 16607. Springer, Cham. https://doi.org/10.1007/978-3-032-28570-6_19