Heutzutage können chirurgische Assistenzsysteme, wie z.B. chirurgische Roboter, bei vielen Operationen bereits unterstützend sein. Dafür benötigen sie allerdings ein bildbasiertes Szenenverständnis, um Operationskontexte wahrzunehmen, den Operationsablauf zu verstehen und schließlich sichere Abläufe zu generieren. Um ein solches Szenenverständnis zu erreichen, ist die Erkennung und semantische Segmentierung verschiedener Operationsaspekte (z. B. gezeigte Organe, verwendete chirurgische Werkzeuge, verschiedene Operationsschritte) eine notwendige Vorbedingung. Machine Learning (ML)-Ansätze sind dabei eine vielversprechende Technologie für die semantische Segmentierung von Bildern. Um Roboter mit ML-Methoden zu trainieren, werden annotierte Bilddaten (z. B. in Form von Videos) benötigt. Die Bildannotation von chirurgischen Bildern und Videos wird häufig manuell von medizinischem Fachpersonal durchgeführt. Dies ist notwendig, da ein gewisses Maß an medizinischem Fachwissen erforderlich ist. Der Prozess der manuellen Annotierung ist dabei anfällig für menschliche Fehler, da er mühsam, monoton und anstrengend sein kann. Eine mögliche Folge ist eine nicht ausreichende Annotationsqualität. Gerade für chirurgische Roboter, die chirurgische Verfahren verbessern sollen, ist eine ausreichende Datenqualität der annotierten Bilder jedoch ein entscheidender Faktor. Wenn ML-Modelle für chirurgische Roboter auf der Basis von schlecht annotierten Bilddaten trainiert werden, kann sich dies im schlimmsten Fall sogar negativ auf die Gesundheit der Patienten auswirken, da die Roboter nicht ihr volles Potenzial ausschöpfen können. In diesem Projekt adressieren wir das Problem mangelnder Annotationsqualität von chirurgischen Bilddaten, indem wir den Annotationsprozess mit Spielelementen erweitern. Ziel des Projekts ist es ein datengetriebenes ML-basiertes Gamificationkonzept zu entwerfen, zu implementieren und zu evaluieren. Dies soll die Motivation der Annotatoren fördern und dadurch eine hohe Qualität der Annotation gewährleisten. Durch den Einsatz von ML-Methoden soll das Gamification-Konzept dabei in der Lage sein, sich an die individuellen Nutzerpräferenzen anzupassen und die Schwächen von One-Size-Fits-All Gamificationansätzen zu überwinden.