Masterarbeit

LLMs in der logopädischen Tätigkeit

Wissenschaftskommunikation · Logopädie · LLMs

Wie große Sprachmodelle den logopädischen Alltag verändern können

Diese interaktive Seite erzählt die Geschichte meiner Masterarbeit (FH Campus Wien, 2024). Sie führt von der Ausgangsfrage über Methodik und Co-Design bis zu drei getesteten Prototypen. Ziel ist eine zugängliche Navigation durchs Thema – für Neugierige genauso wie für fachliche Expert*innen.

PDF öffnen (Masterarbeit) Zur Storyline

1

Hauptforschungsfrage
Welche LLM-Anwendungsfälle sind für die logopädische Tätigkeit relevant?

3

LLM-Prototypen
BerichtGPT, LoCo, Blitzstarter*in

19

Tester*innen im Co-Design
13 strukturierte Feedbacks

Story-Map

Von der Idee zur getesteten Lösung

1

Ausgangspunkt

Digitale Anforderungen in Therapie, Dokumentation und interdisziplinärer Zusammenarbeit. Forschungsfragen eingebettet in das Health-Assisting-Engineering.

2

Methodischer Dreiklang

Systematische Literaturrecherche, Fokusgruppe (n = 5) und iterative Prototypenentwicklung mit LLM-APIs (OpenAI, Anthropic, Mistral, Gemini, Perplexity).

3

Validierung

19 Logopäd*innen testeten die Prototypen, 13 Fragebögen flossen ein. Feedback-Schwerpunkte: Navigation, Mobilität, Personalisierung, Transparenz.

Warum interaktiv?

Wissenschaftskommunikation lebt vom Storytelling: strukturierte Tiefenebenen, Visualisierung komplexer Ergebnisse und nachvollziehbare Entscheidungen. Diese Seite folgt Best Practices aus Science Communication (z. B. modulare Dramaturgie, schnelle Orientierung, Progressive Disclosure), um Inhalte ansprechend aufzubereiten.

Research Journey

Storytelling: Von der Forschungsfrage zum evidenzbasierten Navigationspfad

Die Dramaturgie verbindet Erkenntnisse, die für Logopädie-Praktiker*innen, digitale Health Designer*innen und KI-Interessierte relevant sind. Jedes Modul bietet einen schnellen Überblick und verweist auf vertiefende Originalstellen in der Masterarbeit.

Forschungsfragen

Hauptfrage: Welche Anwendungsfälle für Large Language Models sind für die logopädische Tätigkeit relevant?
Unterfrage: Wie beurteilen Logopäd*innen die künftige Anwendbarkeit von LLMs in der Praxis?

Methodik in drei Säulen

  • Literatur: 463 Treffer → 123 Studien analysiert (PRISMA, CASP). Fokus auf dokumentierte LLM-Anwendungen in Therapie und Gesundheit.
  • Fokusgruppe: 5 Logopädinnen, thematische Kodierung nach Mayring (2015), Tools: MaxQDA, f4.
  • Prototyping: Drei LLM-basierte Lösungen, aufgebaut mit OpenAI, Anthropic, Mistral, Gemini, Perplexity und DSGVO-konformen Deployments (Hetzner, Docker, Logto, PostgreSQL, Vektor-Speicher).

Co-Design als Leitlinie

Logopäd*innen arbeiteten von der Bedürfnisanalyse bis zum finalen Feedback mit. Kommentare flossen unmittelbar in Iterationen ein (z. B. UI-Vereinfachungen, Prompt-Optimierungen, DSGVO-Checks). Ergebnis: praxisnahes Verständnis, verlässliche Priorisierungen für zukünftige Produktpfade.

Storyline

01
Bedarf verstehen

Digitale Dokumentation, personalisierte Therapie und interdisziplinärer Austausch fordern neue Tools. Fokusgruppenteilnehmer*innen betonten zugleich die Priorität der therapeutischen Beziehung und die Notwendigkeit klarer Datenschutz-Konzepte (AI Act 2024, DSGVO).

02
Technische Exploration

Analyse von Plattformen (LangChain, ChatDev, Quivr), No-/Low-Code (Botpress) und eigenem Infrastruktur-Stack (Docker Compose, Traefik, Logto, SSL, Vektor-Datenbanken). Prompt Engineering wurde iterativ getestet und dokumentiert, um konsistente Outputs zu garantieren.

03
Validieren und lernen

22 Kommentare, 13 strukturierte Fragebögen: UI-Vereinfachung, mobile Optimierung, umfangreichere Personalisierung. Testpersonen schätzten die PWA-Fähigkeiten, wünschten sich aber klare Navigationspfade.

04
Ausblick

Weiterentwicklung entlang von fünf Pfaden: UX-Optimierung, mobile-first Umsetzung, modulare Wissensdatenbanken, erweiterte Erklärbarkeit (XAI) und Integration in bestehende klinische Workflows. Zukunftsdialog zwischen Technologie, Ethik und Praxis bleibt essenziell.

Prototypen

Drei LLM-basierte Werkzeuge, co-designt mit Logopäd*innen

Jede Lösung adressiert einen spezifischen Engpass: Dokumentation, fachliche Entscheidungsfindung oder Praxisgründung. Technik, Anwendungsfall, Mehrwert und Weiterentwicklungsfelder sind direkt aus der Masterarbeit abgeleitet.

BerichtGPT · automatisierte Dokumentation

Dokumentation · Evidenzbasierte Therapie

Wandelt unstrukturierte Notizen in logopädische Berichte um, angelehnt an ICF und ICD-10 und ergänzt Lücken auf Basis fachlicher Regeln. Prompts enthalten validierte Therapieansätze (z. B. IDDSI-Stufen, Dysphagie-Konzepte) und generieren Follow-up-Fragen für Peer-Reviews.

  • Tech Stack: OpenAI GPT-4 (API), strukturierte Prompts, PWA via LobeChat, DSGVO-konformes Hosting.
  • Praxistauglichkeit: Reduziert Zeit für Berichtserstellung, ermöglicht Nachvollziehbarkeit durch klar strukturierte Abschnitte.
  • Feedback aus Tests: Wunsch nach Format-Templates, schnellerem Rendering und mobilem Layout.
Mehrwert laut Tester*innen
  • + Konsistente Dokumentation als Basis für interdisziplinäre Teams.
  • + Automatisierte ICD-10-Listen unterstützen Abrechnung und Statistik.
  • ⚡ Iterationen fokussieren auf Layout, Lokalisierung, Exportformate.
Weiterentwicklung

Kurzfristig: individuelle Vorlagen, Offline-Modus. Mittelfristig: erklärbare Komponenten (XAI), direktes Zusammenspiel mit Kliniksystemen und sicheren Datei-Uploads.

Evaluation

Was Tester*innen und Daten zeigen

Die strukturierte Fragebogenauswertung (n = 13) und 22 Kommentare liefern klare Hinweise: positive Grundhaltung, pragmatische Verbesserungsvorschläge und der Wunsch nach nutzer*innenzentrierter Weiterentwicklung.

Bewertungsschwerpunkte (Skala 1–5)

Quelle: Kapitel 4.6, Masterarbeit (2024). Werte sind Mittelwerte der geschlossenen Fragen.

Nutzungsmuster & Feedback

9 / 13

Tester*innen nutzten die Prototypen mehrfach und erkundeten Funktionsvarianten.

6

Installierten die PWA-Version, zwei meldeten Optimierungsbedarf für kleine Screens.

Top-Stimmen aus der Kommentaranalyse
„Mehr Struktur im Menü“ · „Anpassbare Berichtsvorlagen“ · „Offline-Modus wäre ideal“ · „Mobile Darstellung vereinfachen“ · „Super, dass alles in einer App ist“.

Fokusgruppe (Kap. 4.2): Sechs Themen dominierten – digitale Transformation, Ethik/Datenschutz, Rolle der Therapeut*innen, Patient*innenzentrierung, interdisziplinärer Austausch, Balance Mensch/Technik.

Kommentar-Kategorien (Kap. 4.4): 50 % UI, 8 Hinweise auf Anpassbarkeit, 5 zur Zugänglichkeit, 2 zur Performance.

Anwendungsfelder

Wirkungsfelder aus Literatur und Praxis

Die systematische Literaturrecherche (123 Studien) und die Fokusgruppe ergeben ein Portfolio an Chancen – gebündelt nach logopädischen Bedürfnissen. Die Karten lassen sich anklicken, um Details und Literaturbezüge einzublenden.

Dokumentation & Kodierung

Automatisierte Berichte, ICD-10/ Kodierung, strukturierte Daten für Outcome-Analysen.

Therapiematerial & Personalisierung

Individuelle Materialien, interaktive Übungen, multimodale Ressourcen für Neuro- und Pädiatrie.

Diagnostik & Entscheidungsunterstützung

Analyse von FEES, Röntgeninterpretation, TrialGPT-Ansätze zur Patient*innenzuordnung.

Patient*innenkommunikation

Aufklärung, Health Literacy, empathische Chatbots (EHRTutor, CLAIR), Begleiter mit 24/7 Support.

Praxismanagement & Gründung

Workflow-Automatisierung, Terminplanung, Reporting, Compliance-Checks, Ressourcenplanung.

Fortbildung & Wissensvermittlung

Adaptive Lernpfade, Simulationen, Fallbesprechungen, aktuelle Studienzugänge in Echtzeit.

FAQ & Glossar

Begriffe & Grundlagen aus der Arbeit

Für Leser*innen mit unterschiedlichem Vorwissen: kurze Erklärungen, Verweise auf Kapitel und Kontext. Die Antworten basieren direkt auf den Definitionen und Diskussionen der Masterarbeit.

Was sind Large Language Models (LLMs)?

LLMs sind Deep-Learning-Modelle, die menschliche Sprache verarbeiten und generieren (Kap. 2.1). Grundlage ist die Transformer-Architektur (Vaswani et al., 2017) mit Self-Attention, Tokenisierung und Embeddings. Sie erkennen Muster und erstellen Texte, Bilder oder multimodale Inhalte, ohne echtes Bewusstsein zu besitzen.

Was bedeutet Prompt Engineering?

Die gezielte Gestaltung von Eingaben (Prompts), damit LLMs konsistente, regelkonforme Antworten liefern (Kap. 3.4.2, 4.5.1). Enthält Rollenbeschreibungen, Strukturvorgaben, Nachfragen und Kontrollmechanismen (z. B. Follow-up-Fragen, Konfidenzangaben).

Welche Rolle spielen Ethik und Datenschutz?

Der AI Act (2024) und die DSGVO definieren Transparenz-, Sicherheits- und Datenminimierungsanforderungen (Kap. 2.4, 3.5, 5.6). Prototypen nutzen DSGVO-konforme Infrastruktur (Hetzner), transparente Datenflüsse, keine Patient*innen-Daten. Bias, Halluzinationen und Nachvollziehbarkeit (XAI) bleiben zentrale Forschungsfelder.

Wie lassen sich LLMs verantwortungsvoll einführen?

Aufklärung und Schulung (Yan et al., 2024), klare Governance, Co-Design mit Therapeut*innen, Pilotprojekte mit Evaluation (Kap. 5.4, 5.5). Wichtig ist die Balance zwischen technologischer Unterstützung und therapeutischer Beziehung.