Wissenschaftliche Mitarbeiter für den Arbeitsbereich Educational Technologies

Leibniz-Gemeinschaft; Frankfurt; Vor Ort; EUR 45.000 - 55.000; Vollzeit

Zusammenfassung

Ein Forschungsinstitut in Frankfurt sucht einen wissenschaftlichen Mitarbeiter zur Promotion im Bereich Educational Technologies. Die Position umfasst die Entwicklung eines AI-gestützten Annotation-Agents sowie die eigenständige Forschungsarbeit und die Analyse komplexer Kodierschemata. Ein sehr guter Masterabschluss in Informatik oder einer verwandten Disziplin ist erforderlich. Wir bieten ein herausforderndes Arbeitsumfeld sowie flexible Arbeitszeiten.

Leistungen

Flexible Arbeitszeiten

Vergünstigtes Jobticket Deutschland

Zugang zu einem breiten Netzwerk in Forschung und Praxis

Qualifikationen

• Erfahrung mit NLP/ML/Text Mining.
• Kenntnisse in der Entwicklung von Algorithmen für große Textkorpora.
• Fähigkeit zur Entwicklung von Human-in-the-Loop-Strategien.
• Sehr gute Deutsch- und Englischkenntnisse erforderlich.

Aufgaben

• Entwicklung eines Educational‑AI Agents zur automatisierten Annotation.
• Analysis und Optimierung des Trade-offs zwischen Genauigkeit und Geschwindigkeit.
• Eigenständige Anfertigung einer Dissertation.

Kenntnisse

NLP-Kenntnisse

Programmierung in Python

Experimente in ML/NLP führen

Teamfähigkeit

Ausbildung

Sehr guter Masterabschluss in Informatik, Data Science oder verwandten Disziplinen

Tools

PyTorch

spaCy

INCEpTION

Jobbeschreibung

Position

Wissenschaftliche*r Mitarbeiter*in zur Promotion im Arbeitsbereich Educational Technologies – Vollzeit, befristet bis 31.12.2029, € Für das Projekt Z03 „Educational Science Methodologies of Participation Challenged by Digital Technologies“. Der Dienstort ist Frankfurt am Main.

Responsibilities

• Entwicklung, Training und Kalibrierung eines Educational‑AI Agents zur automatisierten Annotation, Kodierung und Labeling‑Unterstützung für transkribierte Interviews und weitere qualitative Textdaten.
• Operationalisierung komplexer Kodierschemata (z.B. participation & belonging, inclusion, recognition, justice) in NLP‑Pipelines: von Guidelines über Label‑Formate bis hin zu Modell‑ und Evaluationsdesign.
• Aufbau und Pflege von Annotation‑Workflows (z.B. mit INCEpTION/WebAnno): 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).
• Systematische Evaluation der Labeling‑Genauigkeit im Vergleich zu traditionellen qualitativen Verfahren: Gold‑Standard‑Design, Inter‑Rater‑Agreement, Fehleranalysen, Robustheits‑ und Bias‑Checks.
• 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.
• Aufbau einer reproduzierbaren Infrastruktur für Datenaufbereitung, Training/Fine‑Tuning, Experimenttracking und Dokumentation (inkl. Unterstützung durch studentische Hilfskräfte).
• Eigenständige Anfertigung einer Dissertation zu KI‑gestützter Textkodierung sowie aktive Mitwirkung an Publikationen, Workshops, Tagungen und dem Forschungs‑ und Studienprogramm des SFB.

Qualifications

• Sehr guter Masterabschluss in Informatik, Data Science, Mathematik oder verwandter Disziplin; einschlägige Forschungserfahrung 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, Transformer‑based 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.
• Erfahrung mit Annotation & Coding‑Workflows (idealerweise INCEpTION) und Qualitätssicherung (Guideline‑Entwicklung, Konsistenzprüfungen, Metriken).
• Fähigkeit, Human‑in‑the‑Loop‑Strategien zu entwickeln, die Genauigkeit und Geschwindigkeit balancieren (Active Learning, Smart Sampling, Konfidenzschwellen).
• Sicheres Programmieren (Python) und Umgang mit ML/NLP‑Tooling (PyTorch/Transformers, spaCy) sowie Grundlagen in MLOps/Experimenttracking (DVC/MLflow/Git).
• Sehr gute Deutsch‑ und Englischkenntnisse in Wort und Schrift.

We Expect

Ein hohes Maß an Eigeninitiative, intrinsischer Motivation und große Freude an der kreativen Problemlösung unter Anwendung neuster Technologien im Bildungsumfeld. Persönliches Engagement, Teamfähigkeit und Befähigung zum selbständigen wissenschaftlichen Arbeiten in einem interdisziplinären Umfeld setzen wir voraus.

Benefits

Ein anspruchsvolles und herausforderndes Arbeitsumfeld, ein breites Netzwerk in Forschung und Praxis sowie Anschluss an das Weiterbildungsprogramm GRADE der Goethe‑Universität. Flexible Arbeitszeiten, die „Kita im DIPF“ und die Möglichkeit eines vergünstigten Jobtickets Deutschland gehören zum Angebot.

EEO Statement

Das DIPF ist zertifiziert mit dem Siegel audit berufundfamilie+vielfalt, fördert die Gleichstellung aller Mitarbeiter*innen und begrüßt Bewerbungen unabhängig von ethnischer, kultureller oder sozialer Herkunft, Alter, Religion, Weltanschauung, Behinderung, Geschlecht und sexueller Identität. Schwerbehinderte Menschen werden bei gleicher Eignung besonders berücksichtigt. Die Reduzierung der Arbeitszeit ist unter Berücksichtigung dienstlicher Belange grundsätzlich möglich.

Contact

Prof. Dr. Hendrik Drachsler – Dipf | Leibniz-Institut für Bildungsforschung und Bildungsinformation, Rostocker Straße 6, 60323 Frankfurt am Main. Bewerbungen bitte per E‑Mail unter