open_access
Refine
Year of publication
- 2022 (4) (remove)
Document Type
- Master's Thesis (4) (remove)
Language
- German (4)
Has Fulltext
- yes (4)
Is part of the Bibliography
- no (4)
Keywords
- E-Learning (2)
- Informationskompetenz (2)
- Anwendungssoftware (1)
- Augmented Realiy (1)
- Battery Electric Vehicles (BEV), Elektromobilität (1)
- DeepAR (1)
- Digitale Lehre (1)
- EXIT-Puzzle (1)
- Forecasting (1)
- Hochschulbibliothek (1)
Institute
IK als Schlüsselkonzept in der Hochschulbildung beinhaltet neben anderen Fähigkeiten auch den Bereich der Quellenkompetenz. Diese beschreibt die Fähigkeit, Quellen hinsichtlich ihrer Qualität und ihrer Funktion kritisch zu
bewerten. Um diese Fähigkeit zu verbessern, wurde das HUMAN-Modell von Baldarelli et al. entwickelt. Ziel dieser Arbeit ist es, dieses HUMAN-Modell in E-Learning-Modulen zur Informationskompetenzvermittlung digital umzusetzen und die Auswirkungen des neuen Ansatzes zu evaluieren. Zu diesem
Zweck werden zunächst neue Lernmodule nach dem Human-Centered Design Ansatz entworfen und implementiert. Anschließend erfolgt die Evaluation des Moduls in einer Mixed-Methods-Untersuchung in zwei Bachelorseminargruppen zweier aufeinanderfolgender Jahrgänge, die abgesehen von
den neuen Lernmodule ein vergleichbares Treatment erhalten. Basierend auf Pre- und Post-Tests, Leistungsnachweisen und der Moodle-Aktivität beider Gruppen soll gemessen werden, inwiefern sich die Leistung und die Performance durch den Einsatz des neuen Lernmoduls verändert haben. Die Ergebnisse zeigen, dass der Leistungszuwachs zwischen Pre- und Post-Test in der HUMAN-Gruppe leicht höher ist als in der Vergleichsgruppe, insbesondere in Bezug auf den Bereich Quellenbeurteilung. Weiterhin zeigt die Analyse des schriftlichen Leistungsnachweises, dass die wissenschaftliche Qualität der zitierten Quellen in der Literaturliste bei der HUMAN-Gruppe größer ist, auch wenn die Gesamtperformanz der Studierenden sich nicht verbessert hat. Zur weiteren Analyse wäre es sinnvoll, die Quellen-
zusammensetzung der Studierenden in der Bachelorarbeit zu untersuchen, um auch langfristige Auswirkungen zu evaluieren.
Gegenstand der vorliegenden Masterarbeit ist die Realisierung eines EXIT-Puzzles mit
integrierten AR- und VR-Elementen. Im Kontext der Wissensvermittlung im Fachgebiet
Mathematik angewandt, wirken sowohl die Verwendung des Gesellschaftsspiels als
auch der Gebrauch moderner Techniken motivierend auf die Schülerinnen und Schüler.
Auf die theoretischen Erkenntnisse, welche mit Hilfe einer umfangreichen
Literaturrecherche gesammelt wurden, baut die Analyse verwandter Arbeiten auf.
Anhand von 11 semi-strukturierten Benutzerinterviews, konnten Information über die
Zielgruppe, den Nutzungskontext und eventuelle Problempunkte des geplanten Puzzles
zusammengetragen werden. Auf Grundlage dieses Wissens wurde ein Katalog der
wichtigsten Anforderungen und Schwerpunkte aufgestellt. In der Konzeptionsphase
wurde dieser Anforderungskatalog als Basis für die Planung des EXIT-Puzzles verwendet,
welche anschließend prototypisch umgesetzt wurde. Dieser Prototyp wurde
abschließend einer Evaluation anhand von zehn Benutzertests unterzogen, welche
einerseits die Gebrauchstauglichkeit des Puzzles erfassen und andererseits Anregungen
zur weiteren Verbesserung festhalten sollten. Diese abschließende Evaluation konnte
sowohl die Gebrauchstauglichkeit des Puzzles bestätigen als auch Hinweise darauf
liefern, dass die Applikation beim Anwenden und Verstehen des Unterrichtsstoffes
unterstützend wirkt und unter gewissen Bedingungen für den Einsatz im
Mathematikunterricht geeignet wäre.
Die vorliegende Arbeit beschäftigt sich mit der Frage, wie ein E-Learning-Angebot an der Technischen Hochschule Brandenburg das Interesse am Thema der Informationskompetenz steigern sowie diese Kompetenzen entsprechend vermitteln kann. Der Fokus liegt dabei auf zwei quantitativen Umfragen, der Erstellung eines Kurses in Moodle sowie eine Handlungsempfehlung, um die Digitale Lehre an der THB und der Hochschulbibliothek weiter zu etablieren.
Forecasting ist eine wichtige Methode zur Entscheidungsfindung für Unternehmen, Organisationen und Regierungen, da so der Ressourcenverbrauch reduziert werden kann. Der Forecast des prozentualen Marktanteils der neuen BEV-PKW-Zulassungen in Deutschland kann helfen, um strategische und zukunftsorientierte Entscheidungen, z.B. die vom Bund gesetzten Klimaziele, besser steuern zu können. Zur Durchführung des Forecastings wurde der Einsatz unterschiedlicher Machine-Learning-Methoden ausgenutzt.
Es wurden zwei Machine-Learning-Modelle für das Forecasting des prozentualen Marktanteils der BEV-PKW-Neuzulassungen in Deutschland verwendet: Die SARIMA(X)- und DeepAR-Modelle. Aufgrund der Unterschiede in den Eingabedatensätzen wurden vier Modelle der Univariate- und Multivariate- Zeitreihenanalyse trainiert. Mit Hilfe der RMSE-Fehlermetrik wurden die vier trainierten Modelle miteinander verglichen. Die letzten sechs Monate der Eingabedatensätze wurden zur Evaluierung der Modellqualität genutzt.
Die Ergebnisse dieser Masterarbeit zeigen, dass das SARIMAX-Modell zur Erstellung einer Prognose der multivariaten Datensätze die exogenen Variablen benötigt. Allerdings braucht das DeepAR-Modell keine exogenen Variablen, um eine Prognose generieren zu können. Wenn der Eingabedatensatz mindestens 300 Zeitreihen beträgt, eignet sich das DeepAR-Modell besser als das SARIMA(X)-Modell. Das DeepAR-Modell unterstützt nicht nur die univariaten- und multivariaten Datensätze, sondern generiert auch ein globales Modell, wodurch eine Prognose je Variable erstellt wird. Das ist ein großer Vorteil gegenüber dem SARIMA(X)-Modell, welches dazu nicht in der Lage ist.