100+ Themen für Informatik Bachelorarbeit & Masterarbeit

Du suchst ein Thema für deine Bachelorarbeit in Informatik und findest überall dieselben Stichwörter: KI, Blockchain, Cloud. Daran scheitert selten jemand. Themen scheitern an der Frage danach: Wie zeigst du am Ende, dass deine Lösung etwas taugt?

Ein Thema für die Informatik-Abschlussarbeit findest du, indem du von einem Themenfeld ausgehst, das dein Lehrstuhl wirklich betreut, es auf ein konkretes System und eine Zielgruppe zuschneidest und schon vor der Anmeldung prüfst, woher die Daten für die Evaluation kommen sollen: eigener Messaufbau, offener Datensatz oder Menschen, die dein System benutzen. Am Ende hast du drei Vorschläge für die Sprechstunde und zu jedem einen Satz, wie du ihn bewerten würdest.

📌 Das Wichtigste im Überblick

• 220 Informatik-Themen, verteilt auf neun Themenfelder.
• Ein lauffähiges System allein ist noch kein Ergebnis.
• Der durchschnittliche SUS-Wert über 500 Studien liegt bei 68.
• Der AI Act gilt in weiten Teilen seit August 2026.
• Die Datenquelle entscheidet über den Zeitplan, nicht das Interesse.

Die Vorschläge in diesem Beitrag gehören zum Überblick über alle Themenvorschläge für Abschlussarbeiten, in dem auch die anderen Studiengänge liegen.

In 4 Schritten zum passenden Thema: So findest du ein Thema für Informatik

Die Themensuche in Informatik hat eine Besonderheit, die kein anderes Fach so hat: Du kannst fast alles selbst herstellen, was du untersuchen willst. Ein Datensatz, ein Prototyp, ein Messaufbau, alles ist eine Frage von Arbeitszeit. Genau deshalb ufern Informatik-Themen so leicht aus.

Die 220 Vorschläge weiter unten sind der Rohstoff, nicht das fertige Thema. Zum Thema wird ein Vorschlag erst, wenn drei Dinge feststehen: welches System du anfasst, für wen es gedacht ist und woran du den Erfolg messen willst.

1. Beim Lehrstuhl anfangen, nicht beim Trend. Sieh nach, welche Arbeitsgruppen deine Hochschule hat und welche Abschlussarbeiten dort zuletzt entstanden sind. Die Listen stehen meist offen auf den Institutsseiten. Ein Thema ohne Arbeitsgruppe findet keine Betreuung, egal wie aktuell es ist.
2. Vom Themenfeld auf ein System zuschneiden. „Künstliche Intelligenz im Gesundheitswesen“ ist ein Themenfeld. „Ein Klassifikator für Entlassbriefe: Wie gut erkennt er Diagnosen ohne Feinabstimmung?“ ist ein Thema. Der Unterschied sind zwei Entscheidungen: welches System und welche Frage daran.
3. Die Evaluation vor dem Code planen. Hier kippen die meisten Informatik-Themen. Schreib auf, was du am Ende vergleichen willst und gegen was. Ohne Vergleichsbasis steht im Ergebnisteil eine Zahl, die niemand einordnen kann. Wer eine Nutzerbefragung braucht, plant vier zusätzliche Wochen ein.
4. Zu dritt in die Sprechstunde gehen. Bring drei Themen mit, nicht eines. Wer eines mitbringt, bekommt ein Urteil. Wer drei mitbringt, bekommt ein Gespräch über die Unterschiede und das ist die eigentliche Beratung. Notiere zu jedem, woher die Messdaten kommen.

Den Ablauf unabhängig vom Fach beschreibt der Beitrag Thema für Bachelorarbeit und Masterarbeit finden.

Verschiedene Themenfelder und Schwerpunkte im Studiengang Informatik

Die Themenfelder der Informatik unterscheiden sich für eine Abschlussarbeit weniger im Inhalt als in der Frage, woher die Messdaten kommen. Ein Beweis in der theoretischen Informatik braucht nichts außer Literatur. Ein Thema aus der angewandten Informatik braucht einen Anwendungspartner, der dich an seine Nutzenden lässt. Diese Unterscheidung entscheidet über deinen Zeitplan, nicht die fachliche Schwierigkeit.

Die folgende Tabelle ordnet jedem der neun Felder zu, worum es geht und wo die Daten üblicherweise liegen. Sie ist bewusst grob: Jedes Feld lässt auch rein theoretische Arbeiten zu und fast jedes lässt eine eigene Erhebung zu. Die Spalte rechts nennt den Normalfall.

Ein Feld fehlt in dieser Liste bewusst. Alles, was stärker nach Geschäftsprozess, Einführungsprojekt und Wirtschaftlichkeit fragt als nach dem System selbst, liegt näher an der Wirtschaftsinformatik. Dafür gibt es eine eigene Liste mit Themen für Wirtschaftsinformatik. Wenn dein Schwerpunkt dagegen auf dem formalen Unterbau liegt, lohnt der Blick in die Themenvorschläge für Mathematik.

220 Themenvorschläge für Informatik, aufgeteilt auf neun Themenfelder

Die folgenden 220 Vorschläge sind nach den neun Themenfeldern von oben sortiert. Gedacht sind sie als Ausgangspunkt, nicht als fertige Fragestellung: Jeder Vorschlag braucht noch ein konkretes System, eine Zielgruppe und ein Maß, bevor er ein Thema ist. „Anwendung von maschinellem Lernen in der Cybersecurity“ wird erst dann eine Arbeit, wenn klar ist, welche Angriffsart, welcher Datensatz und gemessen woran.

Prüfe vor der Übernahme zwei Dinge. Erstens, ob deine Hochschule das Feld überhaupt betreut, denn ein Thema ohne Betreuung wird nicht angenommen. Zweitens, ob die Technik noch aktuell heißt. Themen, die eine einzelne Bibliothek oder ein Produkt benennen, veralten deutlich schneller als Themen, die ein Problem benennen.

Grundlagen der Informatik: 25 Themen

Themen aus den Grundlagen sind die sicherste Wahl, wenn du niemanden um Daten bitten willst. Du misst dein eigenes System: Laufzeit, Speicherverbrauch, Durchsatz. Der Messaufbau ist dabei die halbe Arbeit und er gehört so beschrieben, dass eine andere Person ihn nachbauen kann. Der Haken: Ohne eine Vergleichslösung steht am Ende eine Zahl ohne Bedeutung.

• Optimierung von Suchalgorithmen in nichtlinearen Datenstrukturen
• Vergleichende Analyse objektorientierter Programmiersprachen
• Entwicklung von Cross-Platform-Anwendungen mit modernen Frameworks
• Automatisierte Code-Reviews und deren Einfluss auf die Softwarequalität
• Untersuchung von Parallelisierungstechniken in modernen Prozessoren
• Evaluierung von Algorithmen zur Graphenfärbung
• Leistungsanalyse von Datenkompressionsalgorithmen
• Anwendung evolutionärer Algorithmen auf Optimierungsprobleme
• Analyse von Synchronisationsmechanismen in Multithreading-Umgebungen
• Entwurf und Implementierung eines eigenen kleinen Betriebssystems
• Sicherheitsaspekte in Programmiersprachen und Compilerbau
• Implementierung von Algorithmen auf GPU-Architekturen
• Entwurfsmuster in der funktionalen Programmierung
• Memory-Management-Strategien in modernen Programmiersprachen
• Analyse der Komplexität von Algorithmen in der Kryptographie
• Entwicklung eines Frameworks für Testautomatisierung
• Bewertung von Softwarearchitekturen für skalierbare Anwendungen
• Studien zu Best Practices in der API-Entwicklung
• Verwendung von Docker in der Softwareentwicklung und -bereitstellung
• Design und Implementierung von Microservices-Architekturen
• Analyse von Compiler-Optimierungen für High-Level-Programmiersprachen
• Implementierung und Bewertung von Debugging-Techniken
• Untersuchung von Echtzeitbetriebssystemen für Embedded Systems
• Entwicklung eines domänenspezifischen Emulators
• Continuous Integration und Continuous Deployment in der Softwareentwicklung

Theoretische Informatik: 25 Themen

Theoretische Arbeiten brauchen kein Labor und keine Teilnehmenden, dafür einen langen Atem. Du beweist etwas oder du widerlegst es, und beides geht nur mit Papier, Stift und sehr viel Lesen. Solche Themen setzen voraus, dass an deiner Hochschule jemand in der Richtung forscht. Ein Beweisthema an einem anwendungsnahen Lehrstuhl findet selten Betreuung.

• Untersuchungen zur Entscheidbarkeit in formalen Sprachen
• Komplexitätsklassen und ihre Beziehungen zueinander
• Entwicklung neuer Algorithmen für NP-vollständige Probleme
• Anwendungen der Spieltheorie in der Informatik
• Graphenisomorphismus und seine algorithmischen Herausforderungen
• Quantencomputing: Grundlagen und Perspektiven
• Automaten und ihre Anwendungen in der Textverarbeitung
• Entwurf und Analyse von Algorithmen für Graphenprobleme
• Codierungstheorie und ihre Anwendung in fehlertoleranten Systemen
• Anwendung von Fixpunkttheoremen in der Programmiersprachen-Semantik
• Erfüllbarkeitsprobleme und moderne SAT-Solver-Strategien
• Algorithmische Spieltheorie und Mechanismus-Design
• Petri-Netze und ihre Anwendung in der Modellierung von Systemen
• Formalisierung von Beweissystemen
• Untersuchung von Berechnungsmodellen jenseits der Turing-Vollständigkeit
• Kategorientheorie in der Informatik
• Die Rolle von Rekursionstheorien in der Berechenbarkeit
• Untersuchung von Reduktionsstrategien in der Komplexitätstheorie
• Formale Sprachen und ihre Anwendung in der Compilerkonstruktion
• Analyse von Randomisierungstechniken in Algorithmen
• Untersuchungen zu Zero-Knowledge-Beweisen
• Formalisierung von Konzepten der unendlichen Automaten
• Anwendung von Fuzzy-Logik-Systemen in der Entscheidungsfindung
• Komplexitätsanalysen von verteilten Algorithmen
• Approximationsalgorithmen für NP-schwere Optimierungsprobleme

Praktische Informatik: 25 Themen

In diesem Feld entsteht etwas, das läuft. Genau darin liegt die Falle: Ein funktionierendes System ist noch kein Ergebnis. Lege früh fest, woran du messen willst, ob deine Lösung besser ist als die naheliegende Alternative. Wer das erst im letzten Monat überlegt, schreibt den Evaluationsteil mit den Daten, die zufällig da sind.

• Bewertung von RESTful- und GraphQL-APIs in Webanwendungen
• Sicherheitsstrategien für mobile Betriebssysteme
• Entwicklung von Echtzeit-Datenanalysewerkzeugen
• Analyse von Best Practices für die Verwaltung großer Codebasen
• Performance-Analyse von NoSQL-Datenbanken im Vergleich zu SQL-Systemen
• Nutzung von Virtual Reality für Bildungsanwendungen
• Serverseitiges Rendering in Webanwendungen: Architektur und Ladezeiten
• Entwicklung von Chatbots mit Natural Language Processing
• Implementierung von Sicherheitsmechanismen in IoT-Geräten
• Einsatz von Drohnen-Technologie für Datensammlung und Datenanalyse
• Entwicklung eines Systems zur Gesichtserkennung
• Automatisierte Erkennung und Behebung von Software-Bugs
• Nutzung von Blockchain-Technologie für sichere Transaktionssysteme
• Entwicklung einer App zur Produktivität mit Gamification-Elementen
• Analyse und Implementierung von Load-Balancing-Strategien für Webserver
• Entwicklung von benutzerdefinierten Betriebssystemen auf Basis von Linux
• Einsatz von Augmented Reality für Assistenzsysteme in der Industrie
• Studien zu Effizienz und Skalierbarkeit von Cloud-Storage-Lösungen
• Design und Implementierung einer benutzerfreundlichen Datenvisualisierung
• Entwicklung von Algorithmen zur Optimierung von Netzwerkrouten
• Implementierung von Algorithmen für selbstheilende Systeme
• Studien zu Cross-Site-Scripting-Angriffen und deren Abwehr
• Entwicklung eines Forensik-Tools für digitale Untersuchungen
• Entwurf und Entwicklung eines Open-Source-Projektmanagement-Tools
• Implementierung und Evaluierung von Algorithmen für verteiltes Computing

Angewandte Informatik: 25 Themen

Angewandte Themen leben vom Anwendungspartner. Eine Klinik, ein Verein, eine Behörde oder ein Betrieb liefert den Fall und meist auch die Personen für den Test. Frag früh und schriftlich nach, denn hier scheitern Themen nicht an der Technik, sondern am Zugang. Ein Thema aus diesem Feld ohne Partner bleibt ein Prototyp ohne Bewertung.

• Entwicklung eines digitalen Gesundheitsmonitoring-Systems
• Einsatz von IT-Lösungen für nachhaltige Landwirtschaft
• Analyse von Verkehrssystemen durch Simulation und Datenanalyse
• Informatikanwendungen in der Raumfahrt: Navigation und Datenmanagement
• Digitale Bildungsplattformen: Entwicklung und Bewertung
• IT-gestützte Logistiksysteme für Smart Warehousing
• Anwendung von Informatik-Werkzeugen in der Archäologie
• Entwurf eines Informationssystems für kleine und mittlere Unternehmen
• Entwicklung eines Recommender-Systems für E-Commerce
• IT-Sicherheitskonzepte für Online-Banking-Anwendungen
• Smart-Home-Technologien: Entwicklung und Integration
• Analyse von Social-Media-Daten für Marketing-Strategien
• Mobile Health: App-Entwicklung für Patientenmanagement
• Einsatz von Virtual Reality in der Psychotherapie
• Entwicklung von Computerspielen mit Bildungsinhalten
• Einsatz von Informatik in der forensischen Analyse
• Implementierung von ERP-Systemen in Nicht-IT-Branchen
• Informationssysteme im Tourismus: Entwicklung und Einsatz
• Anwendung künstlicher Intelligenz in der Musikindustrie
• Analyse von E-Learning-Strategien an Hochschulen
• Smart City: Integration von IT-Systemen in der Stadtplanung
• Informatische Lösungen für das Energiemanagement
• IT-Unterstützung in der juristischen Datenanalyse
• Digitale Kunst und Kultur: Plattformen und Archivierung
• Entwicklung von Support-Systemen für Menschen mit Behinderungen

Softwaretechnik: 25 Themen

Softwaretechnik ist das Feld mit den meisten empirischen Arbeiten. Wer über Vorgehensmodelle, technische Schulden oder Code Reviews schreibt, kommt an Aussagen von Entwicklerinnen und Entwicklern nicht vorbei. Das ist eine gute Nachricht, denn Fachleute sind einwilligungsfähig und reden gern über ihre Arbeit. Zwölf bis zwanzig ausgefüllte Fragebögen tragen eine Bachelorarbeit, die genaue Zahl klärst du mit der Betreuung.

• Agile Methoden und Wasserfallmodell: Vergleich zweier Vorgehensmodelle
• Analyse und Verbesserung der User Experience in Softwareprodukten
• Softwaremetriken und ihre Anwendung in der Qualitätssicherung
• Entwicklung und Bewertung von Continuous-Delivery-Workflows
• Software-Refactoring: Best Practices und Techniken
• Technische Schulden und ihre Auswirkungen auf Softwareprojekte
• Analyse von Cross-Platform-Entwicklungsumgebungen
• Entwicklung automatisierter Testverfahren für mobile Anwendungen
• Designmuster und ihre Anwendung in Cloud-basierten Anwendungen
• Entwicklung von Software-Support-Werkzeugen mithilfe von KI
• Sicherheitsaspekte in der Softwareentwicklung
• Open-Source-Softwareprojekte und Community-Management
• Auswirkungen von Microservices auf die Systemarchitektur
• Software-Wartung und Software-Evolution: Herausforderungen und Strategien
• Einsatz von Virtualisierungstechniken in der Softwareentwicklung
• Konzeption und Umsetzung von DevOps-Kulturen in Unternehmen
• Entwicklung von Frameworks zur Software-Internationalisierung
• Bewertung von Architekturstilen für Unternehmensanwendungen
• Analyse der Effektivität von Bug-Tracking-Systemen
• Studien zu Pair Programming und Code Reviews in der Praxis
• Performance-Optimierung von Hochlast-Webanwendungen
• Anwendung von Projektmanagement-Werkzeugen in der Softwareentwicklung
• Entwicklung von Sicherheitsprotokollen für Webanwendungen
• Anwendung von künstlicher Intelligenz im Software-Testing
• Entwicklung von Adaptionsmechanismen für Legacy-Software-Systeme

Künstliche Intelligenz und Maschinelles Lernen: 30 Themen

Künstliche Intelligenz hat sich als Themenfeld seit 2023 am stärksten verschoben, deshalb stehen hier fünf Themen, die es in der ersten Fassung dieser Liste noch nicht gab. Zwei Hinweise dazu. Rechenzeit ist an vielen Hochschulen knapp, frag vor der Anmeldung nach dem Zugang zum Rechencluster. Und ein Modell, das nur gegen einen Standard-Benchmark läuft, ist noch keine eigene Leistung.

• Entwicklung von neuronalen Netzwerken zur Bilderkennung
• Algorithmen für selbstlernende Systeme im Finanzsektor
• Anwendung von Deep Learning in der medizinischen Diagnose
• Feinabstimmung vortrainierter Sprachmodelle für eine Fachdomäne
• Maschinelles Lernen zur Vorhersage von Wetterphänomenen
• Reinforcement Learning in autonomen Fahrzeugen
• Anwendung von KI in der personalisierten Medizin
• Entwicklung von Algorithmen zur Mustererkennung in Zeitreihen
• KI-basierte Optimierung von Supply-Chain-Management
• Natural Language Processing für die automatische Zusammenfassung von Texten
• Anwendung von KI in der Videoüberwachung zur Verhaltensanalyse
• KI in der Spieleentwicklung: intelligentes Verhalten von NPCs
• Entwicklung von Empfehlungssystemen für Streaming-Dienste
• Anwendung von maschinellem Lernen in der Cybersecurity
• Maschinelles Lernen für die Vorhersage von Aktienkursen
• Entwicklung von Algorithmen für sprachgesteuerte Assistenzsysteme
• Anwendung von KI in der Agrartechnik zur Ertragssteigerung
• KI-Methoden zur Analyse und Interpretation von Genomdaten
• Einsatz maschinellen Lernens in der industriellen Bildverarbeitung
• Entwicklung von KI-basierten Diagnosewerkzeugen im Gesundheitswesen
• Maschinelles Lernen zur Erkennung von Fake News
• Entwicklung von KI-gestützten Lernplattformen
• KI in der Robotik: Entwicklung kooperativer Robotersysteme
• Predictive Analytics in der Kundenbeziehungsverwaltung
• Einsatz von KI für die Optimierung von Energienetzen
• Retrieval-Augmented Generation: Architektur und Antwortqualität
• Evaluation großer Sprachmodelle: Benchmarks und ihre Grenzen
• Erkennung von KI-generierten Texten: Verfahren und Fehlerraten
• Quantisierung neuronaler Netze für den Einsatz auf Endgeräten
• Wirkung von Prompt-Strategien auf die Antworten von Sprachmodellen

Datenwissenschaft: 25 Themen

Datenwissenschaftliche Themen hängen an einer einzigen Frage: Gibt es den Datensatz wirklich und darfst du ihn benutzen? Offene Portale wie GovData oder Zenodo sind der bequeme Weg. Daten aus sozialen Netzwerken sind es nicht mehr, weil die Schnittstellen der großen Plattformen inzwischen kostenpflichtig oder geschlossen sind. Prüfe den Zugang, bevor du das Thema anmeldest.

• Frequent-Pattern-Mining in großen Transaktionsdatensätzen
• Anwendung von Clustering-Techniken zur Marktsegmentierung
• Machine-Learning-Modelle zur Vorhersage von Kundennachfrage
• Deep-Learning-Ansätze für die automatisierte Textklassifikation
• Entwicklung von Frameworks für das Stream Processing von Big Data
• Untersuchung von Anomalie-Erkennungstechniken in Zeitreihendaten
• Einsatz von Sentiment-Analyse in sozialen Netzwerken
• Visualisierungstechniken für die Darstellung komplexer Datensätze
• Anwendung von Netzwerkanalysemethoden auf soziale Medien
• Konstruktion von Empfehlungssystemen mit kollaborativem Filtern
• Einsatz von Predictive Analytics zur Betrugserkennung
• Analyse von raumzeitlichen Daten zur Umweltüberwachung
• Machine Learning zur Optimierung von Logistiknetzwerken
• Entwicklung von Modellen zur Prognose von Finanzmarkttrends
• Natural Language Processing für die automatische Nachrichtenerstellung
• Optimierung von Algorithmen für skalierbare Datenverarbeitung
• Anwendung von KI-Techniken für die Personalisierung von Webinhalten
• Evaluierung von Techniken zur Datenintegration aus mehreren Quellen
• Untersuchung von Datenmanagementstrategien in Cloud-Umgebungen
• Data Science im Gesundheitswesen zur Verbesserung der Patientenpflege
• Entwurf von Algorithmen zur Datenreduktion und Datenkompression
• Analyse von Geodaten zur Unterstützung von Stadtplanung
• Entwicklung von Methoden zur Sicherstellung der Datenqualität
• Text Mining zur Informationsgewinnung aus wissenschaftlichen Publikationen
• Machine-Learning-Methoden für die personalisierte Bildung

Mathematik für Informatik: 20 Themen

Mathematische Themen schreibst du am Schreibtisch und sie sind bei Prüfenden beliebter, als Studierende vermuten. Eine solche Arbeit zeigt, dass du den Unterbau verstehst, statt eine Bibliothek aufzurufen. Fünf der zwanzig Punkte sind neu und knüpfen an Kryptographie und maschinelles Lernen an, weil die Mathematik dort gerade besonders sichtbar wird.

• Elliptische Kurven und ihre Rolle in modernen Verschlüsselungsverfahren
• Modellierung und Simulation von Netzwerken mit Graphentheorie
• Anwendung von Wahrscheinlichkeitstheorie in der Algorithmik
• Numerische Methoden für Differentialgleichungen in der Computergrafik
• Anwendung von Optimierungsalgorithmen in der künstlichen Intelligenz
• Mathematische Modelle für die Analyse von Algorithmenperformance
• Topologie und ihre Anwendung in der Robotik
• Spieltheorie und ihre Anwendung in Computer-Netzwerken
• Analyse von Verschlüsselungsalgorithmen mit Methoden der Zahlentheorie
• Untersuchung von diskreten Strukturen in der Informatik
• Lineare Algebra und ihre Anwendung in der Datenverarbeitung
• Anwendung statistischer Methoden zur Softwarequalitätssicherung
• Entwurf und Analyse von Experimenten in der Informatikforschung
• Mathematische Modellierung von Prozessen in verteilten Systemen
• Einsatz von Kombinatorik in der Entwicklung von Datenstrukturen
• Differential Privacy: mathematische Grundlagen und praktische Grenzen
• Gitterbasierte Kryptographie: die Mathematik hinter den NIST-Standards
• Numerische Stabilität beim Training neuronaler Netze
• Informationstheorie und Entropie in der Datenkompression
• Markow-Ketten zur Modellierung von Nutzerverhalten in Webanwendungen

Spezialgebiete und Forschung: 20 Themen

Spezialthemen sind reizvoll und riskant zugleich. Reizvoll, weil es wenig Literatur gibt und deine Arbeit dadurch schnell etwas Eigenes beiträgt. Riskant, weil wenig Literatur auch heißt, dass dir die Orientierung fehlt. Nimm ein Thema aus diesem Feld nur, wenn es an deiner Hochschule eine Arbeitsgruppe dazu gibt.

Bei zwei Punkten muss die Bezeichnung heute präzise sein. Post-quantensichere Verfahren sind seit dem 13. August 2024 standardisiert: Das NIST hat mit FIPS 203, 204 und 205 die ersten drei Standards veröffentlicht, darunter ML-KEM für den Schlüsselaustausch (NIST, August 2024). Wer über Quantencomputing und Verschlüsselung schreibt, nennt diese Standards, statt allgemein von einer künftigen Bedrohung zu sprechen.

• Auswirkungen von Quantencomputing auf Verschlüsselungsverfahren
• Entwicklung autonomer Robotersysteme für spezielle Anwendungen
• Studien zu ethischen Aspekten von KI-Systemen
• Forschung über Humanoid-Robotik und künstliche Empathie
• Untersuchung von Brain-Computer-Interfaces und deren Anwendungen
• Computational Neuroscience in der Entwicklung kognitiver Modelle
• Genetische Algorithmen zur Problemlösung in der künstlichen Intelligenz
• Entwicklung fortschrittlicher Systeme für das Fog Computing
• Anwendung von Edge Computing in IoT-Umgebungen
• Cyber-Physical Systems und ihre Integration in das industrielle Internet
• Mixed-Reality-Anwendungen für Bildung und Training
• Studien über die Anwendung von Nanotechnologie in der Informatik
• Migration bestehender Systeme auf post-quantensichere Verfahren
• Bioinformatik: Verfahren zur Analyse genetischer Sequenzen
• Einsatz von Informatik im Bereich nachhaltige Energie
• Konformitätsanforderungen des AI Act an Hochrisiko-KI-Systeme
• Energieverbrauch beim Training großer Modelle: Messung und Reduktion
• Reproduzierbarkeit in der Informatikforschung: Artefakte und Badges
• Barrierefreiheit von Weboberflächen nach den WCAG: Prüfverfahren
• MLOps: Betrieb und Überwachung von Modellen im Produktivbetrieb

Welche Informatik-Themen eine eigene Erhebung brauchen

Welche Informatik-Themen eine eigene Erhebung brauchen, verrät ihre Formulierung: Alles, was nach Akzeptanz, Benutzbarkeit oder Praxiseinsatz fragt, verlangt Aussagen von Menschen. Alles andere kommt aus einer Messung am eigenen System oder aus der Literatur. Diese Unterscheidung ist die nützlichste vor der Anmeldung und sie steht in keiner Themenliste.

Die Tabelle unten ordnet den häufigsten Formulierungen zu, was sie verlangen. Jede Zeile mit „eigene Befragung“ oder „eigener Nutzertest“ rechts bedeutet rund vier zusätzliche Wochen für Fragebogen, Einwilligung und Teilnehmersuche.

Für die Zeilen mit eigener Erhebung gilt: zuerst entscheiden, ob du zählen oder verstehen willst. Wer zählen will, braucht einen standardisierten Fragebogen und genug Teilnehmende. Wer verstehen will, kommt mit acht guten Interviews weit. Was die beiden Wege leisten, steht im Beitrag zur Online-Umfrage als empirische Forschungsmethode.

Ein Punkt geht in Informatik-Arbeiten regelmäßig schief: Repräsentativität. Eine Befragung von 40 Kommilitoninnen und Kommilitonen ist keine Aussage über Entwicklerinnen und Entwickler in Deutschland und sie muss es auch nicht sein. Sie muss nur im Methodenteil richtig beschrieben sein. Wann eine Befragung diesen Anspruch überhaupt erheben kann, erklärt der Beitrag zur Repräsentativität von Online-Umfragen.

Evaluation der Informatik-Abschlussarbeit: wie du dein System bewertest

Dein System bewertest du, indem du vor dem ersten Code festlegst, welches Ziel du prüfst, mit welcher Frage und mit welcher Kennzahl, und das Ergebnis anschließend gegen eine Vergleichslösung oder gegen das Urteil echter Nutzender stellst. Ohne diesen Plan bleibt am Ende die Feststellung, dass die Software läuft.

Informatik ist das Fach, in dem Studierende am häufigsten etwas herstellen und am seltensten vorher überlegen, wie sie es bewerten. Der Prototyp läuft, das Repository ist gefüllt, die Abgabe steht in zwei Wochen und dann fehlt der Teil, der die Arbeit zur wissenschaftlichen Arbeit macht. Die Frage nach der Evaluation gehört deshalb in die Themenwahl, nicht in den Schlussteil.

Die Gesellschaft für Informatik formuliert dazu einen Grundsatz, der für Abschlussarbeiten überraschend praktisch ist. In ihren Ethischen Leitlinien (Bonn, 29. Juni 2018) heißt es in Artikel 11: „Das GI-Mitglied wirkt darauf hin, die von IT-Systemen Betroffenen an der Gestaltung dieser Systeme und deren Nutzungsbedingungen angemessen zu beteiligen.“ Wer die späteren Nutzenden beteiligt, hat die Evaluation nicht als Pflichtübung, sondern als Teil der Entwicklung verstanden.

Den Evaluationsplan festlegen, bevor der erste Code entsteht

Eine Evaluation entsteht nicht am Ende, sie wird geplant. Das Software-Design-and-Quality-Institut am KIT verlangt dafür ein festes Format und formuliert in seinen Hinweisen zu Abschlussarbeiten: „Für Masterarbeiten mit einer empirischen Validierung ist ein GQM-Plan als Evaluationsgrundlage obligatorisch ... für Bachelorarbeiten mit einer empirischen Validierung wird dieser empfohlen.“ GQM steht für Goal, Question, Metric: Du nennst zuerst das Ziel, dann die Frage, dann die Kennzahl, mit der du sie beantwortest.

Dasselbe Institut zieht eine klare Grenze nach unten: „In einer Masterarbeit muss die Evaluation über reine funktionale Tests hinausgehen.“ Unit-Tests zeigen, dass dein Code tut, was du programmiert hast. Sie zeigen nicht, dass deine Lösung besser ist als das, was es schon gab. Maßgeblich ist die Prüfungsordnung deiner Hochschule, der Grundsatz gilt aber fachübergreifend.

Benutzbarkeit messen: die System Usability Scale

Sobald Menschen dein System benutzen sollen, brauchst du ein Maß für ihr Urteil. Der verbreitetste Fragebogen dafür ist die System Usability Scale, kurz SUS: zehn Aussagen, fünfstufige Antwortskala, am Ende ein Wert zwischen 0 und 100. Der Vorteil für eine Abschlussarbeit liegt im Vergleichswert. Jeff Sauro hat 2011 500 Studien ausgewertet und schreibt: „The average SUS score from all 500 studies is a 68.“

Mit dieser Zahl bekommt dein Ergebnis eine Einordnung, die keine selbst gestrickte Zufriedenheitsfrage liefert. Ein SUS-Wert von 74 ist überdurchschnittlich, einer von 55 nicht. Beachte die Grenze: Die SUS misst das subjektive Urteil über die Benutzbarkeit, nicht die Aufgabenerfüllung. Wie lange eine Aufgabe dauert und wie oft sie misslingt, erhebst du daneben.

Reproduzierbarkeit: was von deiner Arbeit nachprüfbar bleibt

Reproduzierbarkeit ist in der Informatik ein eigenes Qualitätsmerkmal und ein gutes Argument im Kolloquium. Die Association for Computing Machinery, kurz ACM, unterscheidet in ihrer Richtlinie zu Artifact Review and Badging (Version 1.1, 24. August 2020) zwei Stufen: „Results Reproduced“ heißt, dass ein anderes Team die Ergebnisse mit den Artefakten der Autorinnen und Autoren erneut erzielt hat. „Results Replicated“ heißt, dass es die Ergebnisse ohne diese Artefakte erreicht hat.

Für deine Arbeit folgt daraus eine kurze Liste. Lege Quellcode, Konfiguration, Datensatz und Auswertungsskripte so ab, dass die Betreuung deine Zahlen nachrechnen kann. Nenne die Versionen der verwendeten Bibliotheken, nicht nur ihre Namen. Und halte fest, welche Läufe du verworfen hast. Eine Arbeit, deren Ergebnisse sich nachrechnen lassen, ist schwerer anzugreifen als eine mit schöneren Zahlen.

Für eine Befragung oder einen Nutzertest brauchst du ein Werkzeug, mit dem du den Fragebogen anlegen und die Antworten auswerten kannst. empirio.ai, ein Online-Umfrage-Tool aus Deutschland, hält im kostenlosen Tarif 50 Antworten im Monat bereit und hostet in der EU, inklusive Auftragsverarbeitungsvertrag (Stand: Oktober 2026). Für eine SUS-Erhebung mit 30 Personen reicht das. Für mehrere Hundert Antworten brauchst du einen bezahlten Tarif und das gehört ehrlicherweise dazu.

Themen für Masterarbeit, Diplomarbeit und Projektarbeit in Informatik

Themen für Masterarbeit, Diplomarbeit und Projektarbeit in Informatik kommen aus derselben Liste wie die Bachelorthemen, nur anders zugeschnitten: Die Projektarbeit nimmt eine einzige Kennzahl, die Bachelorarbeit eine Lösung samt Bewertung, die Masterarbeit den Vergleich mehrerer Verfahren. Entscheidend ist nicht der Vorschlag, sondern wie weit du ihn aufziehst.

Die Fälle unten tauchen in Sprechstunden am häufigsten auf. Für alle gilt derselbe Grundsatz: Je kürzer die Arbeit, desto enger die Frage und desto kleiner der Evaluationsteil. Eine Projektarbeit über zehn Seiten verträgt genau eine Kennzahl.

Ein Informatik-Thema auf eine Masterarbeit ausweiten

Eine Masterarbeit unterscheidet sich von einer Bachelorarbeit in Informatik meist nicht durch mehr Code, sondern durch mehr Vergleich. Aus „Entwicklung eines Recommender-Systems für E-Commerce“ wird im Master der Vergleich von drei Verfahren an demselben Datensatz, mit Signifikanzprüfung und einer Diskussion der Grenzen. Der Umfang wächst dort, wo die Begründung wächst, nicht dort, wo die Zeilenzahl wächst.

Diplomarbeit in Informatik: woher der Begriff kommt

In Deutschland ist der Diplomstudiengang Informatik weitgehend durch Bachelor und Master ersetzt, der Begriff hält sich aber in der Suche und an einigen Hochschulen im Ausland. In Österreich heißt die Abschlussarbeit an berufsbildenden höheren Schulen weiterhin Diplomarbeit und sie wird dort häufig im Team geschrieben. Wenn deine Prüfungsordnung von einer Diplomarbeit spricht, gilt für die Themenwahl dasselbe wie oben, nur meist mit mehr Seiten und längerer Frist.

Ein Thema auf eine Projekt- oder Studienarbeit zuschneiden

Für eine Projektarbeit nimmst du einen Vorschlag aus der Liste und streichst alles Vergleichende weg. Aus „Agile Methoden und Wasserfallmodell: Vergleich zweier Vorgehensmodelle“ wird „Retrospektiven in einem Scrum-Team: Ablauf und wahrgenommener Nutzen“. Eine Projektarbeit braucht keinen Benchmark, sie braucht eine saubere Beschreibung und eine belegte Aussage. Weitere Beispiele stehen in der Liste mit Themenvorschlägen für Hausarbeit und Seminararbeit.

Informatik oder Wirtschaftsinformatik: welches Thema wohin gehört

Informatik und Wirtschaftsinformatik überschneiden sich an vielen Hochschulen stark, die Prüfungsfrage ist aber eine andere. Informatik fragt, wie ein System funktioniert und ob es besser funktioniert als ein anderes. Wirtschaftsinformatik fragt, ob ein System einem Betrieb nützt und was seine Einführung kostet. Praktisch heißt das: Steckt in deinem Thema eine Kennzahl aus dem System, ist es Informatik. Steckt eine Kennzahl aus dem Unternehmen darin, ist es Wirtschaftsinformatik.

Steht dein Thema, fehlt noch der Schritt zur Fragestellung. Eine Forschungsfrage ist nicht dasselbe wie ein Thema: Sie muss beantwortbar sein, und zwar mit den Daten, die du wirklich bekommst. Den Unterschied zwischen Frage, These und Hypothese erklärt der Beitrag zu Forschungsfrage, These und Hypothese.

Typische Fehler bei der Themenwahl in Informatik

Vier Fehler kommen bei der Themenwahl in Informatik besonders häufig vor: ein Technologiename als Thema, ein Prototyp ohne Vergleichsbasis, eine überholte Rechtslage und fehlender Zugriff auf die Daten. Alle vier haben denselben Kern: Das Thema ist von der Technik her gedacht und nicht von der Frage her.

Alle vier lassen sich vor der Anmeldung heilen. Danach nicht mehr, weil Thema und Titel dann in der Regel festliegen und ein Tausch eine neue Anmeldung bedeutet.

Das Thema ist eine Technologie, keine Frage

„Blockchain in der Logistik“ ist ein Themenfeld, keine Abschlussarbeit. Der Fehler entsteht, weil Technologienamen in Vorlesungen und Stellenanzeigen die vertrauten Begriffe sind. Die Folge ist eine Arbeit, die dreißig Seiten erklärt, was die Technologie ist, und fünf Seiten, was du damit gemacht hast. Der Ausweg ist mechanisch: Setz hinter dein Thema ein System, eine Zielgruppe und eine Kennzahl. Bleibt es dann noch zu groß, streich die Hälfte.

Der Prototyp läuft, aber es gibt nichts zu zeigen

Der häufigste Totalausfall in Informatik-Arbeiten: Das System funktioniert, die Abgabe naht und es existiert keine Vergleichsbasis. Dann steht im Ergebnisteil, dass die Anwendung „erfolgreich implementiert“ wurde, und genau dafür gibt es in der Bewertung keine Punkte. Lege vor dem ersten Commit fest, gegen was du vergleichst: eine bestehende Lösung, eine einfache Referenzmethode oder den Zustand vor deiner Änderung.

Veraltete Rechtslage im Thema: der AI Act gilt inzwischen

Themenlisten im Netz behandeln künstliche Intelligenz weiterhin als rechtlich unreguliert. Seit August 2024 stimmt das nicht mehr. Die KI-Verordnung der EU, Verordnung (EU) 2024/1689, ist am 1. August 2024 in Kraft getreten. Die Verbote und die KI-Kompetenzpflicht gelten seit dem 2. Februar 2025, die Pflichten für Modelle mit allgemeinem Verwendungszweck seit dem 2. August 2025 und der größte Teil der Verordnung seit dem 2. August 2026 (Europäische Kommission).

Für deine Themenwahl folgt daraus ein Prüfschritt. Wer ein KI-System für einen konkreten Anwendungsbereich entwickelt, etwa für Bewerbungsverfahren, Bildung oder Medizin, ordnet es im Theorieteil in eine Risikoklasse ein und nennt die Pflichten, die daran hängen. Eine rein algorithmische Arbeit ohne Anwendungsbezug braucht das nicht. Eine Rechtsberatung ist dieser Beitrag nicht, maßgeblich ist der Verordnungstext.

Kein Zugriff auf die Daten, mit denen du rechnen willst

Ein Thema zur Sentiment-Analyse auf einer Social-Media-Plattform liest sich gut und endet oft an einer Bezahlschranke. Schnittstellen, die 2020 noch frei waren, kosten heute Geld oder sind geschlossen. Dasselbe gilt für Unternehmensdaten: Eine mündliche Zusage im Praktikum ist keine Freigabe durch die Rechtsabteilung. Lade den Datensatz herunter oder hol die schriftliche Zusage, bevor du das Thema anmeldest.

Checkliste vor der Anmeldung

• System, Zielgruppe und Kennzahl stehen im Arbeitstitel.
• Die Vergleichsbasis für die Evaluation ist benannt.
• Der Datensatz liegt vor oder die Zusage ist schriftlich da.
• Teilnehmende für einen Nutzertest sind erreichbar.
• Rechenzeit und Werkzeuge sind geklärt.
• Eine Arbeitsgruppe an der Hochschule betreut das Feld.

Ein Informatik-Thema ist nicht gut, weil die Technik spannend ist. Es ist gut, weil du am Ende etwas messen kannst.

Fazit

Nimm aus den 220 Vorschlägen drei mit, die zu einer Arbeitsgruppe deiner Hochschule passen, und entscheide dann nach der Evaluation, nicht nach dem Interesse. Themen aus der theoretischen Informatik und der Mathematik gehen immer, weil du dafür niemanden um Daten bitten musst. Alles mit Nutzertest oder Befragung braucht vier Wochen Vorlauf und genug Teilnehmende.

Wie es weitergeht

• Du willst wissen, wie lang die Arbeit sein muss und welche Kapitel hineingehören? Bachelorarbeit: Leitfaden und Aufbau
• Du brauchst einen Fragebogen für deinen Nutzertest? Fragebogen erstellen: Anleitung und Beispiele
• Du suchst eine fertige Vorlage als Ausgangspunkt? Vorlagen für Umfragen und Fragebögen

Dein Thema braucht eine Nutzerbefragung?

Lege den Fragebogen in wenigen Minuten an, teile den Link mit deiner Testgruppe und lass die Antworten direkt auswerten.

Umfrage für deine Abschlussarbeit erstellen