Der Lehrstuhl deckt ein breites Methoden-, Domänen- und Datenformatspektrum ab und verfügt über umfangreiche Expertise bei der Entwicklung maschineller Lernverfahren, insbesondere moderner Deep-Learning-Architekturen sowie deren Anwendung in Wirtschaft, Verwaltung und Verteidigung:
Autonome Roboter/Drohnen:
Im Bereich autonomer Roboter/Drohnen verfügt der Lehrstuhl über Expertise zur Koordination autonomer Roboterschwärme (Büttner 2010), zur Orts- und Lageerkennung (Baumgartl & Büttner 2020) sowie deren Angriffsszenarien (Bertram/Eisentraut/Büttner 2025), zur Erkennung forensisch relevanter Signale (Gohe et al. 2024) und wichtiger Zeichen in Rettungsszenarien (Büttner & Baumgartl 2019), zur Energieoptimierung in Drohnen (Gatscher/Breitenbach/Büttner 2023) und zur drohnenbasierten Detektion von Objekten, bspw. von Landminen (Heuschmid et al. 2025). Wir entwickeln und verbessern Systeme für jede Art von Objekterkennung für militärische, aber auch für zivile Anwendungen, bspw. im Pflegeumfeld (Auweiler et al. 2025).
Heuschmid/Wacker/Zimmermann/Penava/Buettner (2025): Advancements in Landmine Detection: Deep Learning-Based Analysis with Thermal Drones. IEEE Access 13:91777-91794. doi:10.1109/ACCESS.2025.3572196.
Bertram/Eisentraut/Buettner (2025): A Systematic Literature Review of Current Machine Learning Approaches for Detecting GNSS Spoofing Attacks. IEEE Access 13:108898-108917. doi:10.1109/ACCESS.2025.3582435.
Auweiler/Mueller/Puhla/Penava/Buettner (2025): A Novel High Performance Object Identification Approach in Care Homes Using Gaussian Preprocessing. IEEE Access 13:79705-79717. doi:10.1109/ACCESS.2025.3566223.
Weitere zum Forschungsbereich Autonome Roboter/Drohnen zugehörige Veröffentlichungen
Gohe/Kottek/Buettner/Penava (2024): Classifying forensically important flies using deep learning to support pathologists and rescue teams during forensic investigations. PLOS ONE 19(12):e0314533. doi:10.1371/journal.pone.0314533.
Gatscher/Breitenbach/Buettner (2023): Machine Learning-Based Power Consumption Prediction for Unmanned Aerial Vehicles in Dynamic Environments. HICSS-56 Proceedings, pp. 6924-6933. doi:10.24251/HICSS.2023.839.
Baumgartl/Buettner (2020): Development of a highly precise place recognition module for effective human-robot interactions in changing lighting and viewpoint conditions. HICSS-53 Proceedings, pp. 563-572. doi:10.24251/HICSS.2020.069.
Buettner/Baumgartl (2019): A highly effective deep learning based escape route recognition module for autonomous robots in crisis and emergency situations. HICSS-52 Proceedings, pp. 659-666. doi:10.24251/HICSS.2019.081.
Büttner (2010): Automatisierte Verhandlungen in Multi-Agenten-Systemen: Entwurf eines argumentationsbasierten Mechanismus für nur imperfekt beschreibbare Verhandlungsgegenstände, Zugl.: Diss. Univ. Hohenheim 2009, Gabler-Verlag, 2010, 287 Seiten,
ISBN 978-3-8349-2131-4. doi:10.1007/978-3-8349-6500-4.
Behavioral Analytics:
Im Bereich Behavioral Analytics sind wir spezialisiert auf Social-Media-Daten (Büttner 2014, 2017d), digitale Fußabdrücke (Büttner 2019), Sprachsignale (Büttner et al. 2022), Eye-Tracking und Videodaten zur Prognose von Nutzerperformanz (Büttner et al. 2018), Workload (Büttner 2017c), Aufmerksamkeit (Sauer/Büttner et al. 2018), Karrierechancen (Büttner 2017b), Kaufabsichten (Büttner 2017a), Trends (Contala et al. 2024) und Stimmungen (Braig et al. 2023), der Erkennung von Gesten (Hax et al. 2024) und zur datenschutzkonformen Gesichtserkennung (Büttner 2018).
Hax/Penava/Krodel/Razova/Buettner (2024): A Novel Hybrid Deep Learning Architecture for Dynamic Hand Gesture Recognition. IEEE Access 12:28761-28774. doi:10.1109/ACCESS.2024.3365274.
Contala/Gerk/Hoettler/Buettner (2024): Topic trends in sustainability disclosure of German DAX 40 companies – A text mining-based analysis. IEEE Access 12:77300-77335. doi:10.1109/ACCESS.2024.3404368.
Braig/Benz/Voth/Breitenbach/Buettner (2023): Machine Learning Techniques for Sentiment Analysis of COVID-19-Related Twitter Data. IEEE Access 11:14778-14803. doi:10.1109/ACCESS.2023.3242234.
Weitere zum Forschungsbereich Behavioral Analytics zugehörige Veröffentlichungen
Buettner/Gross/Roessler/Winter/Sauter/Baumgartl/Ulrich (2022): High-Performance Fake Voice Detection on Automatic Speaker Verification Systems for the Prevention of Cyber Fraud with Convolutional Neural Networks. HICSS-55 Proceedings, pp. 6302-6311. doi:10.24251/HICSS.2022.764. Best Paper Award
Büttner (2019): Online user behavior and digital footprints. Zugl.: Kumulative Habil.-schrift. Univ. Trier 2019. Link.
Buettner (2018): Robust user identification based on facial action units unaffected by users’ emotions. HICSS-51 Proceedings, pp. 265-273. doi:10.24251/HICSS.2018.036.
Sauer/Buettner/Heidenreich/Lemke/Berg/Kurz (2018): Mindful Machine Learning: Using Machine Learning Algorithms to Predict the Practice of Mindfulness. European Journal of Psychological Assessment 34(1):6-13. doi:10.1027/1015-5759/a000312.
Buettner/Sauer/Maier/Eckhardt (2018): Real-time Prediction of User Performance based on Pupillary Assessment via Eye-Tracking. AIS Transactions on Human-Computer Interaction 10(1):26-56. doi:10.17705/1thci.00103. Best Paper Award
Buettner (2017a): Predicting user behavior in electronic markets based on personality-mining in large online social networks: A personality-based product recommender framework. Electronic Markets: The International Journal on Networked Business 27(3):247-265. doi:10.1007/s12525-016-0228-z. Paper of the Year Award
Buettner (2017b): Getting a job via career-oriented social networking markets: The weakness of too many ties. Electronic Markets: The International Journal on Networked Business 27(4):371-385. doi:10.1007/s12525-017-0248-3.
Buettner (2017c): Asking both the User’s Brain and its Owner using Subjective and Objective Psychophysiological NeuroIS Instruments. ICIS 2017 Proceedings: 38th International Conference on Information Systems (ICIS), December 10-13, 2017, Seoul, South Korea. Link.
Büttner (2017d): Prädiktive Algorithmen zur Persönlichkeitsprognose auf Basis von Social-Media-Daten. PERSONALquarterly 3:22-27, 2017. Link.
Buettner (2014): A Framework for Recommender Systems in Online Social Network Recruiting: An Interdisciplinary Call to Arms. HICSS-47 Proceedings, pp. 1415-1424. doi:10.1109/HICSS.2014.184.
Infrastructure Security:
Zur Sicherung der Infrastruktur bei Hochbelastungsszenarien entwickeln wir robuste KI-Architekturen zur Infrastrukturüberwachung. Beispielsweise lassen sich Stahlbetonbrücken in Echtzeit mittels Ultraschallsensorik und Video-/Bilddaten überwachen (Büttner/Bertram/Fischer-Brandies 2025). Damit lassen sich feine Risse, Abplatzungen und entstehende Hohlräume früh erkennen. Diese KI-Architekturen sind so entwickelt, dass sie bei unterschiedlichen Lichtverhältnissen, Verschmutzungen und Materialien robust funktionieren.
Weitere Informationen zum Schutz kritischer Infrastruktur (KRITIS) erhalten Sie auf den zugehörigen Informationsseiten des Bundesamts für Bevölkerungsschutz und Katastrophenhilfe und des Bundesamts für Sicherheit in der Informationstechnik.
Buettner/Bertram/Fischer-Brandies (2025): The Impact of Combining Datasets on the Robustness of Deep Learning Architectures: A Cross-Dataset Analysis. IEEE Access 13:151993-152009, 2025. doi:10.1109/ACCESS.2025.3604689.
Fischer-Brandies/Bertram/Mai/Buettner (2025): AsphaltCrackNet: A Novel Architecture for Classifying Cracks in Asphalt Pavement. IEEE Access, 13:177160-177174, 2025. doi:10.1109/ACCESS.2025.3620212.
Pagers/Penava/Buettner (2025): A High-Performance Deep-Learning-based Ground Penetrating Radar Classification Approach with Special Focus on Multi-Class Robustness. IEEE Access, 13:175847-175857, 2025. doi:10.1109/ACCESS.2025.3619159.
Cyber Security:
Die Abwehr hybrider Angriffe erfordert organisatorische und technologische Schutzmaßnahmen. Hier analysieren wir Bedrohungen für Unternehmen (Ulrich/Frank/Büttner 2021) und entwickeln KI-basierte Schutztechnologien (Büttner et al. 2021, 2022), bspw. zur Detektion gefälschter Stimmen (Büttner et al. 2022) oder von GNSS-Spoofing-Angriffen (Bertram/Eisentraut/Büttner 2025).
Weitere Informationen zu hybriden Bedrohungen erhalten Sie auf den zugehörigen Informationsseiten des Bundesministeriums der Verteidigung und des BND.
Bertram/Eisentraut/Buettner (2025): A Systematic Literature Review of Current Machine Learning Approaches for Detecting GNSS Spoofing Attacks. IEEE Access 13:108898-108917. doi:10.1109/ACCESS.2025.3582435.
Buettner/Gross/Roessler/Winter/Sauter/Baumgartl/Ulrich (2022): High-Performance Fake Voice Detection on Automatic Speaker Verification Systems for the Prevention of Cyber Fraud with Convolutional Neural Networks. HICSS-55 Proceedings, pp. 6302-6311. doi:10.24251/HICSS.2022.764. Best Paper Award
Buettner/Sauter/Klopfer/Breitenbach/Baumgartl (2021): A review of recent advances in machine learning approaches for cyber defense. IEEE BigData 2021 Proceedings, 5th International Workshop on Big Data Analytics for Cyber Intelligence and Defense, pp. 3969-3974. doi:10.1109/BigData52589.2021.9671918.
Weitere zum Forschungsbereich Cyber Security zugehörige Veröffentlichungen
Ulrich/Frank/Buettner (2021): One Single Click is enough – an Empirical Study on Human Threats in Family Firm Cyber Security. HICSS-54 Proceedings, pp. 4548-4556. doi:10.24251/HICSS.2021.551.
Industrial Data Science:
Im Bereich Industrial Data Science entwickeln wir Deep-Learning-Architekturen und Bildverarbeitungs-Algorithmen für die KI-basierte Qualitätskontrolle in der Produktion. Beispielsweise haben wir zahlreiche Projekte zur lichtkamerabasierten Kontrolle von Stoffen wie Leder (Mai/Penava/Büttner 2024) oder Baumwolle (Wiedemann/Penava/Mai/Büttner 2025), Verpackungen, Schweißnähten (Breitenbach et al. 2021) und Lötstellen (Eisentraut et al. 2025) durchgeführt. Zudem sind wir in einem breiten Bilddatenformatspektrum, bspw. zur computertomografiebasierten Qualitätsprüfung von Flugturbinen, ultraschallbasierten Kontrolle von Halbleiterplatten und zur wärmebildkamerabasierten Kontrolle von Metall-3D-Druck-Produkten (Baumgartl et al. 2020) international ausgewiesen.
Wiedemann/Penava/Mai/Buettner (2025): Deep-Learning-based Determination of Textile Properties: A Novel Triplet Architecture Approach for Classifying Cotton Content. IEEE Access 13:164395-164408, 2025. doi:10.1109/ACCESS.2025.3610920.
Eisentraut/Hosch/Roytenberg/Benecke/Penava/Buettner (2025): Defect Detection in Industrial Soldering Processes Using Machine Learning: A Critical Literature Review. IEEE Access 13:41533-41558. doi:10.1109/ACCESS.2025.3547847.
Mai/Penava/Buettner (2024): A novel deep learning-based approach for defect detection of synthetic leather using Gaussian filtering. IEEE Access 12:196702-196714. doi:10.1109/ACCESS.2024.3521497.
Weitere zum Forschungsbereich Industrial Data Science zugehörige Veröffentlichungen
Breitenbach/Dauser/Illenberger/Traub/Buettner (2021): A Systematic Literature Review on Machine Learning Approaches for Quality Monitoring and Control Systems for Welding Processes. IEEE BigData 2021 Proceedings, pp. 2019-2025. doi:10.1109/BigData52589.2021.9671887.
Baumgartl/Tomas/Buettner/Merkel (2020): A deep learning based model for defect detection in laser-powder bed fusion using in-situ thermographic monitoring. Progress in Additive Manufacturing 5:277-285. doi:10.1007/s40964-019-00108-3.
Medical Data Science I (KI-basierte Biosignalanalyse):
Der Lehrstuhl verfügt über umfangreiche Expertise zur EEG-basierten Auswertung von Persönlichkeitsmerkmalen (Penava & Büttner 2025; Rieck/Penava/Büttner 2025), Persönlichkeitsstörungen (Baumgartl et al. 2020), Diagnose von Depression (Penava & Büttner 2024), Alkoholismus (Flathau et al. 2021; Rieg et al. 2019), Schizophrenie (Büttner et al. 2019, 2020; Frick/Rieg/Büttner 2021; Baumgartl et a. 2021), Epilepsieprävalenz (Büttner/Frick/Rieg 2019; Rieg/Frick/Büttner 2020), stoffungebundenen Süchte (Groß/Baumgartl/Büttner 2020), Entwicklungsstörungen (Breitenbach et al. 2021; Groß et al. 2021; Büttner et al. 2021), Angststörungen (Groß et al. 2021), Schlafstörungen (Büttner/Grimmeisen/Gotschlich 2020; Breitenbach/Baumgartl/Büttner 2020; Büttner/Fuhrmann/Kolb 2019), Stress (Baumgartl/Fezer/Büttner 2020) und Essstörungen (Raab/Baumgartl/Büttner 2020).
Zudem nutzen wir weitere Biosignale wie EKG zur machine-learning-basierten robusten Erkennung von Herzrhythmusstörungen (Rieg et al. 2020) und -krankheiten (Büttner & Schunter 2019).
Penava & Buettner (2025): A novel subject-independent deep learning approach for user behavior prediction in electronic markets based on electroencephalographic data. Electronic Markets 35, article no. 37. doi:10.1007/s12525-025-00778-8.
Rieck/Penava/Buettner (2025): A Systematic Literature Review of Machine Learning-based Personality Trait Detection using Electroencephalographic Data. IEEE Access 13:114812-114833. doi:10.1109/ACCESS.2025.3586005.
Penava & Buettner (2024): Early-Stage non-severe Depression Detection using a novel Convolutional Neural Network Approach based on resting-state EEG data. IEEE Access 12:173380-173389. doi:10.1109/ACCESS.2024.3502540.
Weitere zum Forschungsbereich Medical Data Science I (KI-basierte Biosignalanalyse) zugehörige Veröffentlichungen
Flathau/Breitenbach/Baumgartl/Buettner (2021): Early Detection of Alcohol Use Disorder Based on a Novel Machine Learning Approach Using EEG Data. IEEE BigData 2021 Proceedings, pp. 3897-3904. doi:10.1109/BigData52589.2021.9671448.
Baumgartl/Scholz/Sauter/Buettner (2021): Detection of Schizophrenia Using Machine Learning on the Five Most Predictive EEG-Channels. PACIS 2021 Proceedings, article no. 38. Link.
Frick/Rieg/Buettner (2021): Detection of schizophrenia: A machine learning algorithm for potential early detection and prevention based on event-related potentials. HICSS-54 Proceedings, pp. 3794-3803. Link.
Rieg/Frick/Baumgartl/Buettner (2020): Demonstration of the potential of white-box machine learning approaches to gain insights from cardiovascular disease electrocardiograms. PLOS ONE 15(12):e0243615. doi:10.1371/journal.pone.0243615.
Buettner/Beil/Scholtz/Djemai (2020): Development of a machine learning based algorithm to accurately detect schizophrenia based on one-minute EEG recordings. HICSS-53 Proceedings, pp. 3216-3225. doi:10.24251/HICSS.2020.393.
Baumgartl/Dikici/Sauter/Buettner (2020): Detecting Antisocial Personality Disorder Using a Novel Machine Learning Algorithm Based on Electroencephalographic Data. PACIS 2020 Proceedings, paper no. 48. Link.
Buettner & Schunter (2019): Efficient machine learning based detection of heart disease. IEEE Healthcom Proceedings, pp. 1-6. doi:10.1109/HealthCom46333.2019.9009429.
Buettner/Hirschmiller/Schlosser/Roessle/Fernandes/Timm (2019): High-performance exclusion of schizophrenia using a novel machine learning method on EEG data. IEEE Healthcom Proceedings, pp. 1-6. doi:10.1109/HealthCom46333.2019.9009437.
Rieg/Frick/Hitzler/Buettner (2019): High-performance detection of alcoholism by unfolding the amalgamated EEG spectra using the Random Forests method. HICSS-52 Proceedings, pp. 3769-3777. doi:10.24251/HICSS.2019.455. Best Paper Award
Medical Data Science II (KI-basierte Bildgebung):
Hier entwickeln wir hochpräzise und robuste KI-Architekturen zur automatisierten Auswertung bildgebender Systeme, bspw. ophthalmologischer Aufnahmen zur Detektion von Augenkrankheiten (Groß et al. 2021; Rieck et al. 2025) oder zur Diagnose von Tuberkulose in Röntgen/CT-Aufnahmen (Eisentraut et al. 2025).
Eisentraut/Mai/Hosch/Benecke/Penava/Buettner (2025): Deep Learning-Based Detection of Tuberculosis Using a Gaussian Chest X-Ray Image Filter as a Software Lens. IEEE Access 13:36065-36081. doi:10.1109/ACCESS.2025.3544923.
Rieck/Mai/Eisentraut/Buettner (2025): A Novel Transformer-CNN Hybrid Deep Learning Architecture for Robust Broad-Coverage Diagnosis of Eye Diseases on Color Fundus Images. IEEE Access 13:156285-156300. doi:10.1109/ACCESS.2025.3606334.
Gross/Breitenbach/Baumgartl/Buettner (2021): High-Performance Detection of Corneal Ulceration Using Image Classification with Convolutional Neural Networks. HICSS-54 Proceedings, pp. 3416-3425. doi:10.24251/HICSS.2021.415.
Materials Data Science:
Im Bereich Materials Data Science entwickeln wir KI-basierte Verfahren, um nichtlineare physikalische und elektrochemische Zusammenhänge sichtbar zu machen. Diese Verfahren setzen wir bspw. zur Ableitung von Massendichtemodellen für Hartmagneten (Kini et al. 2023) und zur Analyse der nichtlinearen Eigenschafts-Prozess-Zusammenhänge in Galvanisierungsprozessen (Sörgel/Büttner et al. 2021) ein.
Beispielsweise entwickeln wir hier im BMFTR-Verbundprojekt mit der TU Ilmenau, der Hochschule Aalen, der Hochschule Offenburg, dem Fraunhofer Institut für Produktionstechnik und Automatisierung IPA sowie den Unternehmen Hansgrohe SE, DiTEC GmbH, PlanB. GmbH, Atotech Deutschland GmbH & Co. KG, Betz-Chrom GmbH, IPT International Plating Technologies GmbH digitale Werkzeuge zur Verbesserung galvanischer Schichten am Beispiel Chrom (III)-basierter Prozesse (Kurzbezeichnung: DigiChrom). DigiChrom ist Bestandteil der Initiative der Plattform MaterialDigital.
Kini/Choudhary/Hohs/Jansche/Baumgartl/Buettner/Bernthaler/Goll/Schneider (2023): Machine learning-based mass density model for hard magnetic 14:2:1 phases using chemical composition-based features. Chemical Physics Letters 811:140231. doi:10.1016/j.cplett.2022.140231.
Sörgel/Buettner/Baumgartl/Seifert/Metzner/Feige/Ispas/Endikrat/Leimbach/Bund (2021): The need for digitalisation in electroplating –
How digital approaches can help to optimize the electrodeposition of chromium from trivalent electrolytes. Journal of Electrochemistry and Plating Technology 14(1):2-11. doi:10.12850/ISSN2196-0267.JEPT7147.
Lebensmittelindustrie:
Hier untersuchen wir den Umsetzungsgrad und die Potentiale des Einsatzes von KI-Technologien in der Lebensmittelindustrie (Gradl/Reis/Büttner 2025). Ein besonderer Schwerpunkt unserer Arbeiten bezieht sich auf die Entwicklung von performanten Deep-Learning-Architekturen, die über unterschiedliche Fruchtarten hinweg robust den Reifegrad von Früchten erkennen (Fischer-Brandies et al. 2025). Andere Arbeiten fokussieren spezielle Früchte, bspw. zur Bestimmung des Reifegrads von Cashew-Äpfeln (Winklmair et al. 2025).
Fischer-Brandies/Müller/Riegger/Buettner (2025): Fresh or Rotten? Enhancing Rotten Fruit Detection with Deep Learning and Gaussian Filtering. IEEE Access 13:31857-31869. doi:10.1109/ACCESS.2025.3542612.
Gradl/Reis/Buettner (2025): Industrial Maturity of Machine Learning Solutions within the Food Industry. IEEE Access 13:62831-62855. doi:10.1109/ACCESS.2025.3558091.
Winklmair/Sekulic/Kraus/Penava/Buettner (2025): A deep learning based approach for classifying the maturity of cashew apples. PLOS ONE 20(6):e0326103. doi:10.1371/journal.pone.0326103.
KI im Personalwesen:
Hier decken wir die gesamte Prozesskette ab. Angefangen von passgenauer Personalgewinnung und Eignungsfeststellung (u.a. Büttner 2014, 2016) über automatisierte Vertragsprozesse (u.a. Büttner 2013), HR Analytics (u.a. Büttner 2015a, 2015b, 2017b) und Controlling zur Einschätzung von Personallage und -planung, bis zur sprachmodellbasierten Auswertung von Abgangsinterviews (u.a. Mönks/Penava/Büttner 2025) haben wir zahlreiche BMFTR-Forschungs- und Anwendungsprojekte mit Wirtschaftsunternehmen wie Airbus, Philips und Deutsche Bahn durchgeführt.
In allen aktuellen Projekten wird KI eingesetzt, insb. für Talent Intelligence, Intelligent Training, Performance Management, Retention Management, Organizational Culture Mining und Workplace safety. Generative KI wird insb. für Personalmarketing und Employer Branding, Employee Self Services, Chatbots im Onboarding, KI-basierter Generierung und Optimierung von Stellenanzeigen sowie für KI Interviewing Tools und Chatbots eingesetzt.
Moenks/Penava/Buettner (2025): A Systematic Literature Review of Large Language Model Applications in Industry. IEEE Access, 13:160010-160033, 2025. doi:10.1109/ACCESS.2025.3608650.
Buettner (2017a): Getting a job via career-oriented social networking markets: The weakness of too many ties. Electronic Markets: The International Journal on Networked Business 27(4):371-385. doi:10.1007/s12525-017-0248-3.
Büttner (2016): Abschlussbericht zum BMBF Forschungsprojekt „Effizientes Recruiting von Fachkräften im Web 2.0 (EfficientRecruiting 2.0): Hochautomatisierte Identifikation und Rekrutierung von Fachkräften durch Analyse internetbasierter sozialer Netzwerke mittels intelligenter Softwareagenten“. doi:10.13140/RG.2.2.13529.31840.
Weitere zum Forschungsbereich KI im Personalwesen zugehörige Veröffentlichungen
Büttner (2017b): Prädiktive Algorithmen zur Persönlichkeitsprognose auf Basis von Social-Media-Daten. PERSONALquarterly 3:22-27, 2017. Link.
Weckmueller/Büttner (2017): Big Data in der Personalauswahl. Personalmagazin, 3:26-28, 2017. Link.
Buettner (2015a): Analyzing the Problem of Employee Internal Social Network Site Avoidance: Are Users Resistant due to their Privacy Concerns? In: HICSS-48 Proceedings, pp. 1819-1828. doi:10.1109/HICSS.2015.220.
Buettner (2015b): A Systematic Literature Review of Crowdsourcing Research from a Human Resource Management Perspective. In: HICSS-48 Proceedings, pp. 4609-4618. doi:10.1109/HICSS.2015.549.
Buettner (2014): A Framework for Recommender Systems in Online Social Network Recruiting: An Interdisciplinary Call to Arms. HICSS-47 Proceedings, pp. 1415-1424. doi:10.1109/HICSS.2014.184.
Büttner (2013): Abschlussbericht zum BMBF Forschungsprojekt „Entwicklung einer elektronischen Marktplattform für Zeitarbeitskräfte zur Förderung von Beschäftigung und Wertschöpfung (eMarkt Zeitarbeit)“. Link.
Letzte Änderung: 20. Oktober 2025