Unsere wissenschaftlichen Mitarbeiter, Andreas Schauer & Philipp Hartl (externer Link, öffnet neues Fenster), waren mit folgenden Beiträgen vertreten:

Hartl, P. & Manzke, L. (2026). Information Sensitivity Contamination In Sequential Data Donation Requests. 
https://aisel.aisnet.org/ecis2026/security/security/1/ (externer Link, öffnet neues Fenster)

Der Beitrag untersucht in einem präregistrierten Experiment mit echten Duolingo-Datenanfragen, wie die Reihenfolge und Präsentation von Anfragen die Entscheidung zur Datenspende beeinflusst. Die Ergebnisse zeigen, dass sequenzielle Anfragestrategien die Bereitschaft zu Low-Effort-Spenden signifikant senken – durch einen Kontaminationseffekt, bei dem der Kontakt mit aufwändigeren Anfragen die wahrgenommene Sensibilität nachfolgender Anfragen erhöht, sowie durch erhöhte kognitive Last bei gleichzeitiger Präsentation. Zudem zeigt sich, dass Warm-Glow-Motivation, nicht aber altruistische Grundhaltung, die Spendenbereitschaft positiv vorhersagt, während generelle Datenschutzbedenken diese senken. Damit die Studie stellt die Übertragbarkeit klassischer prosozialer Theorien auf datenschutzsensible digitale Kontexte infrage.
Dieses Forschungsprojekt wird gefördert durch das Bayerische Forschungsinstitut für Digitale Transformation (bidt), einem Institut der Bayerischen Akademie der Wissenschaften.

Förster, M.; Hagn, M.; Hambauer, N.; Jaki, Paula. K. V.; Obermeier, A. A.; Schauer, A.; and Schiller, A. (2026). Understanding Uncertainties In Explainable AI: A Structured Literature Review and Research Agenda. 
AIS Electronic Library (AISeL) - ECIS 2026 Proceedings: Understanding Uncertainties In Explainable A… (externer Link, öffnet neues Fenster)

Der Beitrag untersucht anhand einer strukturierten Literaturübersicht, welche Quellen von Unsicherheit in der XAI-gestützten Entscheidungsfindung bestehen und wie diese die Zusammenarbeit zwischen Mensch und KI in Hochrisikobereichen wie dem Gesundheitswesen beeinflussen. Die Ergebnisse zeigen, dass Daten-, Modell-, XAI-Methoden- und menschliche Unsicherheit bislang überwiegend isoliert betrachtet werden, wodurch ein fragmentiertes Verständnis ihres Zusammenwirkens entsteht. Darauf aufbauend entwickeln die Autoren einen integrierten Ansatz zur Einbindung mehrerer Unsicherheitsquellen in unsicherheitsbewusste Erklärungen und leiten eine Forschungsagenda für vertrauenswürdigere, unsicherheitsbewusste XAI-Systeme ab.

Weitere Informationen zur Konferenz:
https://ecis2026.it/ (externer Link, öffnet neues Fenster)