Wissenschaftliche r Mitarbeiter in Zur Promotion Für Den Arbeitsbereich Educational Technologies

19.01.2026

**Wissenschaftliche*r Mitarbeiter*in zur Promotion für den Arbeitsbereich Educational Technologies**:
**DIPF | Leibniz-Institut für Bildungsforschung und Bildungsinformation, Frankfurt am Main**:
Das DIPF | Leibniz-Institut für Bildungsforschung und Bildungsinformation trägt mit empirischer Forschung, digitaler Infrastruktur und Wissenstransfer dazu bei, Herausforderungen im Bildungswesen zu bewältigen. An den Standorten Frankfurt am Main und Berlin erarbeitet und dokumentiert das DIPF Wissen über Bildung und unterstützt so Wissenschaft, Politik und Praxis.

Die Abteilung Informationszentrum Bildung (IZB) sucht für den Arbeitsbereich Educational Technologies ab dem 01.04.2026:
**Eine*n wissenschaftliche*n Mitarbeiter*in zur Promotion**:
Vollzeit, befristet bis 31.12.2029. Vergütung nach EG 13 Tarifvertrag für den öffentlichen Dienst des Landes Hessen (TV-H)

Der Dienstort ist Frankfurt am Main.

Das Projekt Z03 „Educational Science Methodologies of Participation Challenged by Digital Technologies“ [in:just:MetaPART] ist Teil des an der Goethe-Universität Frankfurt koordinierten DFG-Sonderforschungsbereich 1750 [in:just] “Inklusion - Anerkennung - Gerechtigkeit. Teilnahme und Teilhabe in Prozessen des Aufwachsens”. Das Projekt Z03 entwickelt erziehungswissenschaftliche Methodologien der Teilhabe unter Rückgriff auf digitale Technologien. Es verbindet kritische Sozialforschung mit KI-gestützter Textanalyse und Netzwerkanalyse, um Prozesse von Anerkennung, Inklusion und Gerechtigkeit in Bildungskontexten zu untersuchen. Z03 etabliert eine methodologische Infrastruktur, die algorithmische Verfahren mit qualitativer Forschung verzahnt. Es bildet das methodische Zentrum des SFB [in:just] und trägt zur Theorie
- und Methodenbildung durch projektübergreifende Datenanalysen bei.

**Ihre Aufgaben**
- Entwicklung, Training und Kalibrierung eines Educational-AI Agents zur automatisierten Annotation, Kodierung und Labeling-Unterstützung für transkribierte Interviews und weitere qualitative Textdaten.
- Operationalisierung und Umsetzung komplexer Kodierschemata (z.B. participation & belonging, inclusion, recognition, justice) in NLP-Pipelines: von Guidelines/Definitionen über Label-Formate bis hin zu Modell
- und Evaluationsdesign.
- Aufbau und Pflege von Annotation-Workflows (z.B. mit INCEpTION/WebAnno o.ä.): Projektsetup, Schema-Management, Guideline-Versionierung, Quality Assurance, Export/Import, Konsistenzchecks.
- Entwicklung von KI-gestützten Coding-Assistenzfunktionen (z.B. Vorschlagsmodelle, Highlighting relevanter Textpassagen, Active-Learning-Strategien) zur Beschleunigung der Codierung bei gleichzeitiger Sicherung hoher Qualität.
- Systematische Evaluation der Labeling-Genauigkeit im Vergleich zu traditionellen qualitativen Verfahren: Gold-Standard-Design, Inter-Rater-Agreement, Fehleranalysen, Robustheits
- und Bias-Checks über unterschiedliche Textsorten hinweg.
- Analyse und Optimierung des Trade-offs zwischen Genauigkeit und Geschwindigkeit: Messung von Durchsatz (Labels/Stunde), Unsicherheits-/Konfidenzschwellen, Human-in-the-Loop-Strategien, Kosten-/Nutzen-Abwägungen für unterschiedliche Datenquellen und Kodieraufgaben.
- Aufbau einer reproduzierbaren Infrastruktur für Datenaufbereitung, Training/Fine-Tuning, Experimenttracking und Dokumentation (inkl. Unterstützung durch studentische Hilfskräfte bei Implementierung, Testing und Doku).
- Eigenständige Anfertigung einer Dissertation zu KI-gestützter Textkodierung sowie aktive Mitwirkung an Publikationen, Workshops, Tagungen und dem Forschungs
- und Studienprogramm des SFB.

**Voraussetzungen**
- Sehr guter Masterabschluss in Informatik, Data Science, Mathematik oder verwandter Disziplin; einschlägige Forschungserfahrung (z.B. Masterarbeit) im Bereich NLP/ML/Text Mining.
- Fundierte Kenntnisse im Entwurf, der Analyse und Implementierung von Algorithmen für große Textkorpora, inkl. effizienter Datenpipelines und sauberer Experimentführung.
- Starke NLP-Kompetenz für semantische Textanalyse und (semi-)automatisches Labeling, z.B. Text-/Segmentklassifikation, Sequenzlabeling, span-based labeling, Information Extraction (NER/Relationen, falls relevant fürs Coding), Transformer-/Embedding-basierte Modelle, Prompting vs. Fine-Tuning.
- Praktische Erfahrung mit Fine-Tuning und Evaluation moderner Sprachmodelle für Annotation (z.B. Adapter/LoRA, weak supervision, distillation), inkl. reproduzierbarer Setups (Seeds, Splits, Ablationen).
- Erfahrung mit Annotation & Coding-Workflows (idealerweise INCEpTION) und Qualitätssicherung: Guideline-Entwicklung, Konsistenzprüfungen, Konfliktlösung, Metriken wie Precision/Recall/F1, Kalibration, Agreement (z.B. κ/α), systematische Error Analysis (Label-Verwechslungen, Domänenartefakte).
- Fähigkeit, Human-in-the-Loop-Strategien zu entwickeln, die Genauigkeit und Geschwindigkeit balancieren: Active Learning (unsichere Fälle zuerst), Smart Sampling, Konfidenzschwellen, Abstufungen (auto-label / review / manual), Me