open_access
Refine
Year of publication
Document Type
- Workingpaper / Report (18)
- Conference Proceeding (15)
- Article (14)
- Part of a Book (10)
- Researchdata (2)
- Article trade magazine (1)
- Bachelor Thesis (1)
- Collection (1)
- Moving Images (1)
- Other (1)
Is part of the Bibliography
- yes (64) (remove)
Keywords
- Hg_TCR (10)
- FHD (6)
- OER (6)
- E-Business (5)
- Datenbanken (4)
- DOAJ (3)
- higher education (3)
- Anonymität (2)
- Augmented Reality (2)
- Chance (2)
Department/institution
- Fachbereich - Medien (64) (remove)
Die Lehre von Datenbanksystemen kann durch interaktive Lehr- und Lernmaterialien ergänzt werden, um Studierende besser an die Themenbereiche heranzuführen. Diese Arbeit dokumentiert die systematisch durchgeführte Recherche interaktiver
Materialien und stellt die Rechercheergebnisse vor. Dabei wurden sowohl einzelne Anwendungen als auch wissenschaftliche Veröffentlichungen berücksichtigt. Von den insgesamt 59 gefundenen Materialien wurde eine Handvoll zur näheren Betrachtung ausgewählt. Im Detail wird auf deren Zielsetzung, Umsetzung und die Bedienung eingegangen. Die Materialien befassen sich mit den Themenbereichen SQL, ERM/UML, Normalisierung, Relationale Algebra und Weiteren. Auch bei der Umsetzung sind Unterschiede hinsichtlich der Herangehensweise und der ausgewählten Lernmethoden ersichtlich. Im Rahmen wissenschaftlicher Veröffentlichungen wurden Experimente mit Studierenden durchgeführt und deren Lernfortschritt ausgewertet. Aus dem Feedback ist ein grundsätzliches Interesse an interaktiven Lernmaterialien zu erkennen. Gleichzeitig konnten Studierende mithilfe dieser Materialien in Tests bessere Ergebnisse erzielen.
Machine Learning – eine Disziplin der IT, die in letzter Zeit immens an Traktion gewonnen hat. Durch die verzeichneten Entwicklungen, wie z.B. autonomes Fahren, ChatGPT und noch vielen mehr, haben sich in zahlreichen Sparten neue Perspektiven eröffnet. Die vorliegende Arbeit untersucht die Einsatzmöglichkeiten von Machine Learning in der Retourenmanagement Domäne, welche bislang noch wenig erforscht wurden. Gerade der boomende Online-Handel und die daraus resultierende Masse an Retouren verdeutlichen die Notwendigkeit einer Intervention mit dem Ziel, Retouren, die sowohl den Unternehmen als auch der Umwelt schaden, zu minimieren. Ob klassische Ansätze wie logistische Regression und lineare Diskriminanzanalyse oder state-of-the-art Methoden wie neuronale Netzwerke, Entscheidungsbäume, Ensemble Machine Learning, Graphen, etc. – Machine Learning bietet der Wirtschaft viele Werkzeuge, die für die Lösung des Retourenproblems eingesetzt werden können. Die Auswahl der Methoden hängt von dem Ziel und den verfügbaren Daten ab, aber die schiere Anzahl der Möglichkeiten verdeutlicht, dass mehrere Wege für die Reduzierung von Retouren eingeschlagen werden können. Abhängig von Know-How und technischen Voraussetzungen können auch einfachere Methoden, die keine allzu hohe Rechenleistung bzw. wenig Expertise benötigen, den Unternehmen äußerst nützliche Resultate liefern. Die vorliegende Arbeit versucht den aktuellen wissenschaftlichen Status-Quo darzustellen, um dadurch die den Online-Händlern verfügbaren Möglichkeiten aufzuzeigen.
In the EILD.nrw project, Open Educational Resources (OER) are being developed for teaching databases. Instructors can use the tools and courses in a variety of learning scenarios. Students of computer science and application subjects learn the complete life cycle of databases. For this purpose, quizzes, interactive tools, instructional videos, and courses for learning management systems are developed and published under a Creative Commons license.
The soundscape approach highlights the role of situational factors in sound evaluations; however, only a few studies have applied a multi‐domain approach including sound‐related, person‐related, and time‐varying situational variables. Therefore, we conducted a study based on the Experience Sampling Method to measure the relative contribution of a broad range of potentially relevant acoustic and non‐auditory variables in predicting indoor soundscape evaluations. Here we present the comprehensive dataset for which 105 participants reported temporally (rather) stable trait variables such as noise sensitivity, trait affect, and quality of life. They rated 6.594 situations regarding the soundscape standard dimensions, perceived loudness, and the saliency of its sound components and evaluated situational variables such as state affect, perceived control, activity, and location. To complement these subject‐centered data, we additionally crowdsourced object‐centered data by having participants make binaural measurements of each indoor soundscape at their homes using a low‐(self‐)noise recorder. These recordings were used to compute (psycho‐)acoustical indices such as the energetically averaged loudness level, the A‐weighted energetically averaged equivalent continuous sound pressure level, and the A‐weighted five‐percent exceedance level. This complex hierarchical data can be used to investigate time‐varying non‐auditory influences on sound perception and to develop soundscape indicators based on the binaural recordings to predict soundscape evaluations.