Angesiedelte Forschungsprojekte
Cluster MINT-Fit
MINT-Fit – MINT-Faszination in Südwestsachsen
Das Projekt MINT-Fit richtet sich an Kinder im Grundschulalter, die unter herausfordernden Bedingungen aufwachsen – sei es in bildungsfernen Familien, mit Fluchterfahrung oder in strukturschwachen Regionen. Ziel ist es, ihnen durch kontinuierliche und altersgerechte Zugänge zu MINT-Themen (Mathematik, Informatik, Naturwissenschaft und Technik) neue Bildungschancen zu eröffnen und ihre persönliche Entwicklung ganzheitlich zu fördern.
Dazu werden im Projekt Institutionen vernetzt, die entweder bereits mit Kindern aus diesen Zielgruppen arbeiten oder über ausgewiesene MINT-Expertise verfügen. Gemeinsam wird ein niedrigschwelliges, praxisnahes Angebot entwickelt, das Neugier weckt, Fähigkeiten stärkt und langfristig Begeisterung für wissenschaftliche Fragestellungen vermittelt.
Umgesetzt wird MINT-Fit unter Federführung der Technischen Universität Chemnitz in enger Kooperation mit Partnern aus der Region: Don Bosco Sachsen, KINDERVEREINIGUNG Chemnitz e. V., der Johanneum Kinder- und Jugendstiftung der Stadt Chemnitz sowie Phänomenia Stollberg. Gefördert wird das Projekt über drei Jahre hinweg mit mehr als 500.000 Euro durch das Bundesministerium für Bildung und Forschung.
Konkret geplant sind unter anderem MINT-Clubs, Feriencamps, Experimentiertage und Science-Shows, die pädagogisch auf die Bedürfnisse von Grundschulkindern abgestimmt sind. Ein besonderes Highlight ist das sogenannte MINT-Mobil – ein mobiler Lernraum, der als rollende Entdeckungswerkstatt in den südwestsächsischen Raum fährt, um auch Kinder an entlegeneren Standorten zu erreichen und für Naturwissenschaft und Technik zu begeistern.
Ansprechpartnerin: Prof. Dr. Leena Bröll
Professur: Grundschuldidaktik Sachunterricht
Geldgeber: Bundesministerium für Bildung und Forschung
Laufzeit: bis Ende 06/2027
PREDIR
Systeme, Algorithmen und kognitive Modelle zur Vorhersage individueller menschlicher Schlussfolgerungsprozesse (PREDIR)
Dieses Forschungsprojekt widmet sich einer zentralen Fragestellung der kognitiven Künstlichen Intelligenz: Wie lässt sich vorhersagen, welche Schlussfolgerungen eine einzelne Person auf Basis weniger beobachteter Informationen ziehen wird?Im Gegensatz zu klassischen Ansätzen der kognitiven Psychologie, die vor allem auf durchschnittlichem Verhalten basieren, richtet sich der Blick hier gezielt auf das individuelle Denken. Ziel ist es, computergestützte Modelle zu entwickeln, die sich adaptiv auf einzelne Personen einstellen und in der Lage sind, deren künftige kognitive Entscheidungen vorherzusagen – selbst bei geringer Datenlage.
Das Projekt verbindet Perspektiven aus der Kognitionswissenschaft, der Psychologie und datengetriebenen Methoden wie Recommender-Systemen. Es analysiert existierende Verfahren, identifiziert deren Grenzen und entwickelt darauf aufbauend verbesserte Modelle. Im Fokus stehen dabei sowohl die Leistungsfähigkeit prädiktiver Systeme als auch ein besseres Verständnis der kognitiven Mechanismen, die menschlichem Denken zugrunde liegen.
Langfristiges Ziel ist die Entwicklung adaptiver, lernfähiger KI-Systeme, die menschliches Denken nicht nur nachvollziehen, sondern auch individuell antizipieren können.
Ansprechpartner: Prof. Dr. Marco Ragni
Professur: Prädiktive Verhaltensanalyse
Geldgeber: Deutsche Forschungsgemeinschaft
Laufzeit: 01.07.2024 – 30.06.2027 (36 Monate)
Automatische Prozessmodellgenerierung für Kognitive Modellierung
Automatische Prozessmodellgenerierung für Kognitive Modellierung
Das Projekt zielt auf einen Paradigmenwechsel in der kognitiven Modellierung: Anstatt ganze Theorien für Gruppenverhalten zu verwenden, werden kleinste Bausteine bestehender Theorien – sogenannte atomare kognitive Prozesse – identifiziert, kombiniert und individuell angepasst. Mithilfe eines formalisierten Raums kognitiver Operationen und unter Berücksichtigung individueller Unterschiede sollen so automatisiert kognitive Modelle entstehen, die besonders präzise, individuell anpassbar und leistungsstark in der Vorhersage sind. Die innovative Methodik setzt konsequent auf Vorhersagekraft statt theoretischer Vorannahmen – und eröffnet damit neue Wege für die kognitive Forschung zu menschlichem Schließen.
Ansprechpartner: Prof. Dr. Marco Ragni
Professur: Prädiktive Verhaltensanalyse
Geldgeber: Deutsche Forschungsgemeinschaft
Laufzeit: 01.01.2024 – 31.12.2025 (24 Monate)
HYDRA
Hybride Entscheidungsunterstützung für Computer Aided Design
HYDRA – Hybride Entscheidungsunterstützung für Computer Aided Design
Der mechanische Entwurf stellt hohe Anforderungen an Ingenieur*innen: Neben mechanischer Stabilität und Sicherheit müssen auch Aspekte wie Ästhetik, Umweltverträglichkeit, Wartungsaufwand, Kosten oder Recyclingfähigkeit berücksichtigt werden. Viele dieser Kriterien lassen sich jedoch nur schwer formal abbilden, weshalb menschliche Intuition und Erfahrung weiterhin eine zentrale Rolle spielen.
Ziel des Projekts HYDRA ist es, den Designprozess durch eine intelligente, hybride Entscheidungsunterstützung zu erweitern. Dabei werden klassische CAD-Systeme mit einem KI-basierten Assistenzsystem – dem sogenannten Completer – kombiniert. Dieser wurde mithilfe realer Konstruktionsdaten trainiert und schlägt auf Grundlage der aktuellen Geometrie und individueller Hinweise des Ingenieurs schrittweise neue Entwurfsoptionen vor.
Über ein interaktives Overlay können gezielt Rückmeldungen gegeben und bestimmte Vorgaben gemacht werden, etwa um Bereiche der Konstruktion unverändert zu lassen oder Anpassungen vorzuschlagen. Der Mensch bleibt im Zentrum des Prozesses – mit voller Kontrolle und Entscheidungshoheit –, wird jedoch effektiv bei Routineaufgaben entlastet.
Gerade für weniger erfahrene Konstrukteur*innen kann diese Form der Unterstützung dazu beitragen, schneller und effizienter zu hochwertigen Designlösungen zu gelangen.
Ansprechpartner:
Prof. Dr. Fred Hamker Professur: Künstliche Intelligenz
Prof. Dr. Alexander Hasse Professur: Maschinenelemente und Produktentwicklung
Geldgeber: Deutsche Forschungsgemeinschaft (SPP 2443)
Laufzeit: 01.01.2025 – 31.12.2027 (36 Monate)
