✅ Gutes Master-Feedback:

"Die Forschungsfrage ist präzise formuliert und adressiert eine relevante Lücke in der aktuellen Literatur. Die theoretische Fundierung durch [Theory X] ist überzeugend. Methodisch ist der mixed-methods Ansatz gut begründet. Kritisch sehe ich: Die quantitative Stichprobe mit n=30 könnte zu klein für inferenzstatistische Aussagen sein. Haben Sie Power-Analysen durchgeführt? Außerdem würde ich empfehlen, [Paper von Smith 2024] zu integrieren - das behandelt ähnliche Fragestellungen. Vorschlag: Vielleicht eine qualitative Vorstudie zur Instrumentenentwicklung?"

❌ Zu oberflächlich (Bachelor-Niveau):

"Interessantes Thema! Die Zeitplanung sieht gut aus. Vielleicht noch mehr Literatur?"

→ Zu unspezifisch, keine wissenschaftliche Tiefe, keine konkreten methodischen Fragen!

💡 Master vs. Bachelor:

Bachelor: "Was ist X?" (Beschreibend)
Master: "Wie/Warum funktioniert X unter Bedingung Y?" (Analytisch, tiefer)

"Explainable AI in klinischen Entscheidungsunterstützungssystemen:
Eine Mixed-Methods Studie zur Akzeptanz bei medizinischem Fachpersonal"

KI-basierte Entscheidungsunterstützungssysteme (CDSS) werden zunehmend in Kliniken eingesetzt (Smith et al., 2024). Jedoch zeigen Studien, dass die Adoption-Rate bei Ärzt*innen niedrig bleibt (Johnson, 2023). Ein zentrales Problem ist die "Black Box"-Natur vieler ML-Modelle, die zu Misstrauen führt (Lee & Chen, 2024).

Forschungslücke: Während Explainable AI (XAI) technisch erforscht ist (Ribeiro et al., 2023), fehlen empirische Studien darüber, wie medizinisches Fachpersonal verschiedene XAI-Methoden wahrnimmt und ob diese tatsächlich zu höherer Akzeptanz führen.

Relevanz: Ohne Akzeptanz der Nutzer*innen bleibt das Potenzial von KI im Gesundheitswesen ungenutzt. Diese Arbeit trägt zur Verbesserung der Mensch-KI-Interaktion in kritischen Domänen bei.

Hauptforschungsfrage:
Wie beeinflussen verschiedene XAI-Visualisierungsmethoden (LIME, SHAP, Counterfactuals) das Vertrauen und die Nutzungsintention von Ärzt*innen gegenüber KI-basierten CDSS?

Sub-Fragen:
1. Welche XAI-Methode wird von medizinischem Fachpersonal als verständlichste bewertet?
2. Welche Faktoren (z.B. KI-Literacy, Berufserfahrung) moderieren die Akzeptanz?
3. Welche qualitativen Bedenken äußern Ärzt*innen bezüglich XAI?

Hypothesen:
H1: Counterfactual Explanations führen zu höherem Vertrauen als LIME/SHAP (explorativer Ansatz).
H2: Höhere KI-Literacy korreliert positiv mit Akzeptanz von XAI-Systemen.
H3: Ärzt*innen mit >10 Jahren Erfahrung zeigen geringere Adoption-Raten.

Forschungsdesign: Explanatory Sequential Mixed-Methods (Creswell, 2018)

Phase 1 - Quantitativ:
• Sample: n=90 Ärzt*innen aus 3 Berliner Kliniken (Power-Analyse: 80% Power bei α=0.05)
• Design: Within-Subject-Experiment mit 3 Bedingungen (LIME vs. SHAP vs. Counterfactuals)
• Instrument: Online-Plattform mit simulierten CDSS-Szenarien (Diagnose-Empfehlungen)
• Messung: Trust Scale (Merritt & Ilgen, 2008), Technology Acceptance Model Fragebogen
• Analyse: Repeated-Measures ANOVA, Post-hoc Bonferroni, Moderationsanalyse

Phase 2 - Qualitativ:
• Sample: n=15 semi-strukturierte Interviews (Purposive Sampling basierend auf Phase 1)
• Themen: Verständlichkeit, Bedenken, Verbesserungsvorschläge
• Analyse: Thematic Analysis nach Braun & Clarke (2006), NVivo für Kodierung

Ethik: Ethikkommission HTW Berlin, informierte Einwilligung, Anonymisierung

[Hier wird während des Seminars gemeinsam die Einteilung vorgenommen]

🎯 Ihr Ziel:

Innerhalb von 6 Sekunden (so lange schauen Recruiter auf Ihren CV!) muss klar sein: "Diese Person ist Senior-Level und passt perfekt!"

💡 Für Tech-Jobs: LaTeX zeigt Skills!

Ein LaTeX-CV signalisiert: "Ich kann mit technischen Tools umgehen, ich achte auf Details, ich bin kein Office-Klicker". Das ist ein positives Signal!

❌ Schlecht (Bachelor-Niveau):

\cventry
{Software Developer} % Job Title
{Company Name} % Organization
{Berlin, Deutschland} % Location
{Jan. 2023 - Aug. 2024} % Date
{
  \begin{cvitems}
    \item{Entwicklung von Software}
    \item{Arbeit im Team}
    \item{Verwendung von Python und Java}
  \end{cvitems}
}
                    

✅ Gut (Master/Senior-Niveau):

\cventry
{Senior ML Engineer} % Job Title
{HealthTech Startup (Series B, €20M funding)} % Organization
{Berlin, Deutschland} % Location
{Jan. 2023 - Aug. 2024} % Date
{
  \begin{cvitems}
    \item{Architected and deployed XAI-based clinical decision support system,
          improving diagnostic accuracy by 23\% (validated across 50k patient cases)}
    \item{Led team of 3 ML engineers; mentored 2 junior developers in PyTorch best practices}
    \item{Reduced model inference latency from 800ms to 120ms through model optimization
          (quantization, pruning), enabling real-time predictions}
    \item{Presented research at ICML 2024; paper accepted (15\% acceptance rate)}
  \end{cvitems}
}
                    

\cvsection{Education}
\begin{cventries}
  \cventry
    {M.Sc. in Computer Science} % Degree
    {HTW Berlin - Hochschule für Technik und Wirtschaft} % Institution
    {Berlin, Deutschland} % Location
    {Sep. 2022 - Feb. 2025} % Date
    {
      \begin{cvitems}
        \item{GPA: 1.3 (German scale, top 5\%)}
        \item{Thesis: "Explainable AI in Clinical Decision Support" (Grade: 1.0, Supervisor: Prof. Dr. X)}
        \item{Relevant Coursework: Deep Learning, NLP, Healthcare AI, Research Methods}
      \end{cvitems}
    }
\end{cventries}
                    

\cvsection{Skills}
\begin{cvskills}
  \cvskill{Programming}{Python (Expert), Java (Advanced), SQL, C++}
  \cvskill{ML/AI}{TensorFlow, PyTorch, Scikit-learn, Keras, XGBoost}
  \cvskill{XAI}{SHAP, LIME, Counterfactuals, Integrated Gradients}
  \cvskill{DevOps}{Docker, Kubernetes, AWS (SageMaker, EC2), Git, CI/CD}
  \cvskill{Data}{Pandas, NumPy, Matplotlib, SQL, MongoDB, PostgreSQL}
  \cvskill{Languages}{German (Native), English (Fluent - C2), Russian (Basic)}
\end{cvskills}