Open Access

The University of Hildesheim owns many different software systems for teaching. So far, no one has attempted to cover all systems and create an architectural description of e-learning at the University of Hildesheim. This report describes the applications relevant to education. These include software developed by the university, third-party tools provided by the university, cloud tools closely associated with the university, and tools provided by the university under contract. Implemented functionalities are explored, and functional specifcations are described, including information about technical and operational requirements. Here, the software is primarily teaching tools. However, the report does not include software and development environments in which students are taught but rather tools that apply to teaching. The variety of tools in different courses makes it impossible to cover all the applications that are used by work groups or individuals. The main goal of this investigation is to capture the university's e-learning state and describe the architecture - mainly to ease the development of applications for developers. Further objectives are to identify new ideas and summarize current goals. We conducted surveys of the teaching staff to determine the current status. Transcripts of interviews, tables provided by interviewed persons, and websites were used as references to prepare this document. We hope that future investigations will provide updates on current information and add information in this context.

Auf der IdeenExpo 2019 stellte das Institut für Technik der Universität Hildesheim unter dem Titel „Smart Home - ein Digitalisierungsprojekt im Unterricht“ das Realmodell eines mit smarter Technik ausgerüsteten Hauses mit interaktiver Tablet-Fernsteuerung und -überwachung zum Selbstprobieren aus, parallel dazu konnten Schülergruppen unter dem Motto „Bau dir dein eigenes Smart Home!“ in Workshops Grundzüge der im Exponat dargestellten Lösung durch eigenes Tun schrittweise selbst nachbauen oder eigene Ideen umsetzen. Aufgrund großen Interesses und zahlreicher Anfragen entstand die vorliegende Dokumentation. Sie richtet sich in erster Linie an Lehrende der Fächer Technik und Informatik sowie an ambitionierte Lernende, die ein wenig technisches Verständnis bereits mitbringen. Sie eignet sich gleichwohl auch für den Einstieg interessierter Laien in das Themenfeld der digitalen Hausautomation. Sie erhebt ausdrücklich keinen Anspruch auf technische Perfektion oder Professionalität, ist also keine Anleitung zum Aufbau eines kommerziellen Smart Homes, sondern versteht sich als Anstiftung zum Selbermachen und Ausprobieren unter Schutzkleinspannung – oder eben, um eigene Schulprojekte daraus zu entwickeln.

Das Spar- und Anlageverhalten der breiten Bevölkerung hat sich insbesondere in Deutschland in den letzten Jahren zum gesellschaftlichen Brennpunktthema entwickelt. Insbesondere in Zeiten von hoher Inflation, welche die Kaufkraft ceteris paribus negativ beeinflusst, sind Menschen darauf angewiesen, ihr Geld renditeorientiert anzulegen, um Vermögensverluste zu vermeiden. In diesem Buch wird dargestellt, welche Faktoren das Spar- und Anlageverhalten beeinflussen können. Ein besonderes Augenmerk wird dabei auf den Faktor finanzielle Grundbildung (financial literacy) gelegt. Das hat mehrere Gründe. Zum einen steht financial literacy immer mehr im Fokus der wissenschaftlichen Literatur und von Organisationen wie zum Beispiel der OECD (Organization for Economic Co-operation and Development). Zum anderen können gezielte Maßnahmen im Bildungsbereich die Ausprägung positiv beeinflussen. Neben der Darstellung der Einflussfaktoren stellt der Autor dar, wie ein Testinstrument, welches einen Teilbereich der finanziellen Grundbildung, das Spar- und Anlagewissen misst, methodisch geleitet entworfen und weiterentwickelt werden kann. Bei der Auswertung und Weiterentwicklung kommen sowohl Methoden der Klassischen Testtheorie als auch der Probabilistischen Testtheorie zum Einsatz, sodass am Ende ein messtheoretisch fundiertes Testinstrument zur Messung von Spar- und Anlagewissen entsteht. Dieses Testinstrument könnte in nachfolgenden Forschungsarbeiten verwendet werden, um in ganz unterschiedlichen Kontexten weitergehende Erkenntnisse zu generieren. Das finale Testinstrument steht auch als App zum kostenlosen Download im Apple-Store zur Verfügung. Weitere Informationen finden Sie innerhalb des Buches.

Stream processing is a popular paradigm to process huge amounts of unbounded data, which has gained significant attention in both academia and industry. Typical stream processing applications such as stock trading and network traffic monitoring require continuously analyzed results provided to end-users. During processing, the characteristics of data streams such as volume or velocity can vary, e.g., peak load or bursty streams can occur at certain points. In order to cope with such situations, it requires the analytical systems to be able to adapt the execution of stream processing as quickly as possible. In literature, different approaches adapting data stream processing such as load-shedding and elastic parallelization do exist. However, each of them have their different shortcomings like skewed results (due to the dropped data) or strong limits on the adaptation due to the parallelization overhead. One specific challenge motivating us is to minimize the impact of runtime adaptation on the overall data processing, in particular for real-time data analytics. Moreover, while the need to create adaptive stream processing systems is well known, there is currently no systematic and broad analysis of the solution range of creating adaptation mechanisms for stream processing applications. In this dissertation, we focus on algorithm switching as a fundamental approach to the construction of adaptive stream processing systems. Algorithm switching is a form of adaptation, where stream processing algorithms, with fundamentally similar input-/output-characteristics but different runtime tradeoffs like resource consumption or precision, are replaced to optimize the processing. As our overall goal, we present a general algorithm switching framework that models a wide range of switching solutions (called switch variants) in a systematic and reusable manner as well as characterizes the switch variants with their quality guarantees. Concretely, we focus on developing a general model of algorithm switching to systematically capture possible variants of different switching behavior. We also present a theoretical specification to predict the timeliness-related qualities for the switch variants. Moreover, from the practical perspective, we also develop a component-based design to ease the realization effort of the algorithm switching variants. Finally, we provide a validation of the algorithm switching framework against the realized switch variants.

In der hier vorgelegten Promotionsarbeit wird das Potenzial gruppenbasierter und semistrukturierter Aushandlungsprozesse analysiert. In einer entsprechenden Interventionsstudie mit Pre- und Post-Analysen wurden 146 Schüler:innen einer Gesamtschule in Niedersachsen/Deutschland aufgefordert, Begründungen zu acht selbstentwickelten Argumenten zu einem Thema über den Erhalt der lokalen Biodiversität, einem bioethischen Konflikt im Rahmen von nachhaltiger Entwicklung, vor und nach einer gruppenbasierten Aushandlung zu formulieren und diese zu gewichten. Zu diesem Zweck verwendeten die Schüler:innen in allen Phasen die Zielmat als ein Instrument zur Strukturierung des Bewertungsprozesses. Die Begründungen wurden inhaltsanalytisch hinsichtlich der Nutzung argumentativer Ressourcen analysiert. Darüber hinaus wurde die Richtung der Veränderungen der Begründungen nach der Aushandlung qualitativ verglichen und die Veränderung der Gewichtungen quantitativ berechnet. Bei diesen Analysen wurden individuelle Gewichtungen und Begründungen beider Phasen und die Veränderung der Gewichtungen mit den Gruppengewichtungen verglichen. Die Ergebnisse der Begründungen zeigen, dass die Schüler:innen bereits vor dem Aushandlungsprozess über eine Bandbreite an argumentativen Ressourcen (nämlichen faktenbasierte und normative Ressourcen) verfügen. Die Ergebnisse des Vergleichs der Begründungen von der Pre- zur Post-Phase zeigen, dass etwa ein Drittel aller Begründungen verändert wurden. Die Richtung der Veränderung ist zudem sehr divers, da die Schüler:innen die Begründungen widerlegten, revidierten, aber auch bestätigten und verstärkten. Ebenso wurde etwa ein Drittel aller Gewichtungen in der Post-Phase verändert. Ein Vergleich der Gewichtungsänderung der Pre- zu Post-Phase mit der Gruppengewichtung zeigt, dass diese der Tendenz der Gruppengewichtung entspricht. Die Ergebnisse dieser Studie machen auf das Potenzial gruppenbasierter Aushandlungsprozesse in bioethischen Konflikten aufmerksam, nämlich die Aktivierung relevanter argumentativer Ressourcen und die Initiierung tiefer und revidierender Denkprozesse. Darüber hinaus zeigen die Daten das besondere Potenzial der in der Studie verwendeten Zielmat, nämlich die Unterstützung komplexer und sonst für Schüler:innen überfordernder kompensatorischer Gewichtungsstrategien.

Finding an available parking spot in city centers can be a cumbersome task for individual drivers and also negatively affects general traffic flow and CO2 emissions. In the context of smart cities and the internet of things this problem can be mitigated by using available data to monitor and predict parking occupancy in order to guide users to an available parking location near their destination. With this goal in mind there arise multiple challenges of which we introduce selected ones to propose novel solutions based on machine learning. The focus of this work is to enable the usage of readily available and inexpensive data sources like parking meter transactions, opposed to expensive technology like in-ground sensors or cameras where the costs prevent a widespread coverage. Our proposed data sources do not directly monitor the actual parking availability but still provide enough signal for our algorithms to infer the real parking situation with high accuracy. As part of this work we developed a parking availability prediction system based on parking meter transactions that was deployed to 33 german cities. A main contribution of our work is the proposal of a novel way to generate labels based on the parking transactions and to use semi-supervised-, more specifically positive-unlabeled learning, to leverage the sparse signal in order to require as little data as possible. Additionally, we utilize and design novel methodologies in the area of transfer learning to learn simultaneously from different cities which leads to the previously seldom explored setting of combining transfer learning with positive-unlabeled learning. We therefore introduce a novel algorithm to tackle this problem type. We hope that our work enables the deployment of smart parking systems at lower costs and therefore leads towards the goal of smart parking guidance in smart cities.

Recent decades have seen exponential growth in data acquisition attributed to advancements in edge device technology. Factory controllers, smart home appliances, mobile devices, medical equipment, and automotive sensors are a few examples of edge devices capable of collecting data. Traditionally, these devices are limited to data collection and transfer functionalities, whereas decision-making capabilities were missing. However, with the advancement in microcontroller and processor technologies, edge devices can perform complex tasks. As a result, it provides avenues for pushing training machine learning models to the edge devices, also known as learning-at-the-edge. Furthermore, these devices operate in a distributed environment that is constrained by high latency, slow connectivity, privacy, and sometimes time-critical applications. The traditional distributed machine learning methods are designed to operate in a centralized manner, assuming data is stored on cloud storage. The operating environment of edge devices is impractical for transferring data to cloud storage, rendering centralized approaches impractical for training machine learning models on edge devices. Decentralized Machine Learning techniques are designed to enable learning-at-the-edge without requiring data to leave the edge device. The main principle in decentralized learning is to build consensus on a global model among distributed devices while keeping the communication requirements as low as possible. The consensus-building process requires averaging local models to reach a global model agreed upon by all workers. The exact averaging schemes are efficient in quickly reaching global consensus but are communication inefficient. Decentralized approaches employ in-exact averaging schemes that generally reduce communication by communicating in the immediate neighborhood. However, in-exact averaging introduces variance in each worker's local values, requiring extra iterations to reach a global solution. This thesis addresses the problem of learning-at-the-edge devices, which is generally referred to as decentralized machine learning or Edge Machine Learning. More specifically, we will focus on the Decentralized Parallel Stochastic Gradient Descent (DPSGD) learning algorithm, which can be formulated as a consensus-building process among distributed workers or fast linear iteration for decentralized model averaging. The consensus-building process in decentralized learning depends on the efficacy of in-exact averaging schemes, which have two main factors, i.e., convergence time and communication. Therefore, a good solution should keep communication as low as possible without sacrificing convergence time. An in-exact averaging solution consists of a connectivity structure (topology) between workers and weightage for each link. We formulate an optimization problem with the objective of finding an in-exact averaging solution that can achieve fast consensus (convergence time) among distributed workers keeping the communication cost low. Since direct optimization of the objective function is infeasible, a local search algorithm guided by the objective function is proposed. Extensive empirical evaluations on image classification tasks show that the in-exact averaging solutions constructed through the proposed method outperform state-of-the-art solutions. Next, we investigate the problem of learning in a decentralized network of edge devices, where a subset of devices are close to each other in that subset but further apart from other devices not in the subset. Closeness specifically refers to geographical proximity or fast communication links. We proposed a hierarchical two-layer sparse communication topology that localizes dense communication among a subgroup of workers and builds consensus through a sparse inter-subgroup communication scheme. We also provide empirical evidence of the proposed solution scaling better on Machine Learning tasks than competing methods. Finally, we address scalability issues of a pairwise ranking algorithm that forms an important class of problem in online recommender systems. The existing solutions based on a parallel stochastic gradient descent algorithm define a static model parameter partitioning scheme, creating an imbalance of work distribution among distributed workers. We propose a dynamic block partitioning and exchange strategy for the model parameters resulting in work balance among distributed workers. Empirical evidence on publicly available benchmark datasets indicates that the proposed method scales better than the static block-based methods and outperforms competing state-of-the-art methods.

Road accidents are one of the leading causes of death worldwide, particularly among young people. The police and local authorities therefore strive to reduce the risk of accidents through appropriate road safety measures. In order to plan these measures, the relevant types of accidents, i. e., accidents with certain features, must first be recognized. However, the variety of accident features and the amount of resulting feature combinations make it impossible to monitor all accident types manually. In this thesis, methods are proposed to automatically identify interesting accident types. Here, it is investigated whether combinations of features occur together and how the temporal pattern of the combined occurrence behaves. The change mining approach can then be used to determine whether structural changes in frequency occur during the period under consideration. For example, a feature combination that suddenly appears more frequently or exhibits a change in seasonality should be prioritized for further investigation so that appropriate road safety measures may be initiated for that combination. The implemented strategic, multi-stage data mining framework based on frequent itemset mining, time series clustering, forecasting methods, and a scoring process is able to detect interesting feature combinations. These are then processed on a map in a web interface suitable for the respective audience in order to support the strategic planning of road safety measures. The framework is applied to several accident data sets from different countries to determine suitable default parameter values for the respective data analysis methods and to carefully align the methods. It is shown that there exist only minor dependencies of the parameter selection on the database to be analyzed. For operational planning, it is necessary to consider small geographic areas and identify the features that have the greatest impact on accident occurrence there. Therefore, the developed operational framework analyzes and predicts the course of accident time series, taking into account the associated feature-specific time series. On the one hand, this makes it possible to increase the forecast performance, and, on the other hand, to determine which accident features have a significant influence on the course of the accident numbers over time. The insights gained can be used as a basis for short-term measures.

Böden sind die Lebensgrundlage des Menschen und anderer Organismen. Ungeachtet dessen findet weltweit eine Zerstörung dieser nicht erneuerbaren Ressource statt, wodurch der Mensch diese Lebensgrundlage immer weiter degradiert. Das Konzept der Ecosystem Services (Ökosystemleistungen) soll dazu beitragen, die weltweite Zerstörung von Ökosystemen einzudämmen, indem die Leistungen der Natur sowie deren Verlust erfasst, bewertet und damit auch für Entscheidungsträger/innen sichtbar werden. Das Umweltmedium Boden, in dem sich unterschiedliche Sphären des Ökosystems überschneiden und vielfältige Wechselwirkungen und Prozesse stattfinden, bietet essenzielle Beiträge zu vielen Ökosystemleistungen. In vielen Studien werden diese Beiträge jedoch nur unzureichend betrachtet, sodass die vielfältigen Leistungen der Böden im Verborgenen bleiben. In der vorliegenden Arbeit wird beispielhaft für den Nationalpark Asinara (Sardinien) aufgezeigt, wie die Beiträge der Böden zu Ökosystemleistungen erfasst, bewertet und damit in ihrer Bedeutung sichtbar gemacht werden können. Hierzu wird ein übertragbares, auf feldbodenkundlichen Aufnahmen und physikochemischen Laboruntersuchungen aufbauendes Bewertungsschema für bereitstellende, regulierende und kulturelle Boden-Ökosystemleistungen entworfen. Eine Monetarisierung der Leistungen wird nicht angestrebt. Mit bodengeographischen Modellen und Methoden der digitalen Bodenkartierung wird ein Bodeninformationssystem aufgebaut, auf dessen Grundlage das Bewertungsschema für das Untersuchungsgebiet umgesetzt wird. In der faktorenbasierten Vorgehensweise wird die deutlich reliefabhängige Bodenverbreitung durch eine hochauflösende digitale Reliefanalyse abgebildet. Vegetationsökologische Ergebnisse werden einbezogen, um mit Fernerkundungsmethoden eine digitale Landbedeckungskartierung umzusetzen. Zudem wird eine Analyse der historischen Landnutzung vorgenommen, um die im Gelände erfasste anthropogene Veränderung der Böden flächenhaft abzubilden und kulturelle Boden-Ökosystemleistungen zu visualisieren. Es erfolgt eine Betrachtung der raumzeitlichen Veränderungen der Inanspruchnahme von Boden-Ökosystemleistungen auf der mediterranen Nationalparkinsel. Mit den Bodeninformationen wird ein hochauflösender Beitrag zum Management des Schutzgebietes bereitgestellt, welcher zur Planung von Management- und Renaturierungsmaßnahmen sowie zur Durchführung von Habitatanalysen herangezogen werden kann. Zur Förderung des Transfers von Boden-Ökosystemleistungen in Planungs- und Entscheidungsprozesse und zur Sicherung einer nicht-anthropozentrischen Perspektive wird ein Huckepackverfahren vorgeschlagen, in welchem eine Bodenfunktionsbewertung die Grundlage für die Ausweisung von Boden-Ökosystemleistungen bildet. Mit einem breiten interdisziplinären Ansatz dokumentiert das Fallbeispiel für die mediterrane Landschaft ausgehend von Primärdatenerhebungen erstmals den vollständigen Erarbeitungsprozess einer hochauflösenden Bewertung aller Kategorien von Boden-Ökosystemleistungen im regionalen Maßstab. Die Ergebnisse verdeutlichen das erhebliche Potenzial der digitalen Kartierungsverfahren, unterstreichen aber auch die Notwendigkeit eines Mindestmaßes an Geländeuntersuchungen, insbesondere zur Erfassung der kulturellen Leistungen von Böden.

Hintergrund: Die Software-Produktlinienentwicklung ermöglicht eine kostengünstige und effiziente Entwicklung von Produktfamilien bei gesteigerter Qualität im Vergleich zur Einzelsystementwicklung. Dieses wird durch die Einführung von Variabilitätsmechanismen ermöglicht, welche eine hohe Anpassbarkeit der Produkte an verschiedene Kundenbedürfnisse ermöglichen. Allerdings erhöhen diese Variabilitätsmechanismen auch die Komplexität, da Entwickler das Zusammenwirken der Komponenten für verschiedene Produktvarianten berücksichtigen müssen. Daher wurden zur Qualitätssicherung von Software-Produktlinien neue Analysemethoden und -strategien entwickelt, darunter auch variabilitätsbasierte Code-Metriken. Ziel dieser Metriken ist es, unnötige Komplexität zu vermeiden und frühzeitig besonders fehleranfälligen Code zu identifizieren, um diesen zusätzlichen Qualitätsmaßnahmen unterziehen zu können. Unsere systematische Literaturstudie zu diesem Thema zeigt jedoch, dass der Nutzen dieser variabilitätsbasierten Code-Metriken nur in wenigen Fällen evaluiert wurde. Ziel: Diese Arbeit untersucht inwieweit variabilitätsbasierte Code-Metriken zur Qualitätssteigerung von Software-Produktlinien genutzt werden können. Dazu wird betrachtet, ob sich mit Hilfe empirischer Untersuchungen Entwicklungsrichtlinien zur proaktiven Vermeidung von Komplexität und damit verbundenen Fehlern ableiten lassen. Der Fokus liegt auf der Analyse, ob sich die betrachteten Metriken zur Identifikation von potentiell fehleranfälligeren Code nutzen lassen. Dies umfasst sowohl die univariate Verwendung einzelner Metriken als auch den Aufbau von Vorhersagemodellen mit Verfahren des maschinellen Lernens. Dabei wird auch untersucht, ob die speziell für die Software-Produktlinienentwicklung konzipierten variabilitätsbasierten Code-Metriken einen Mehrwert gegenüber etablierten Metriken der Einzelsystementwicklung bieten. Methodik: Es findet eine empirische Untersuchung von 692 Einzelsystem- und variabilitätsbasierte Code-Metriken auf dem Linux-Kernel statt. Dazu wird zunächst analysiert, inwieweit die Messwerte der Metriken mit Kompilierfehlern und Sicherheitslücken korreliert sind, welche von den Entwicklern übersehen wurden und so erst nach dem Commit bzw. nach dem Release entdeckt wurden. Darüber hinaus werden die Metriken bezüglich der gemessenen Eigenschaften gruppiert und mit vier Verfahren des maschinellen Lernens eine Identifikation der fehleranfälligen Codestellen erprobt, um so den Nutzen verschiedener Codeeigenschaften beurteilen zu können. Ergebnisse und Schlussfolgerung: Auch wenn für einen Großteil der Metriken ein signifikanter Zusammenhang zwischen den Messwerten und fehleranfälligen Codestellen nachgewiesen werden kann, so zeigt sich, dass univariate Verfahren für die Praxis untauglich sind. Auf Grund der starken Klassenimbalance von nur 1,5% defekten Codefunktionen (Kompilierfehler), bzw. 0,4% Codefunktionen mit nachgewiesenen Sicherheitslücken, lassen sich bei der Verwendung einer einzelnen Metrik nur F1-Werte unterhalb von 0,073 erzielen. Mangels alternativer Implementierungen lassen sich so, entgegen den Aussagen einiger Veröffentlichungen, auch keine Entwicklungsempfehlungen ableiten. Hingegen können variabilitätsbasierte Code-Metriken, insofern sie auch die Variabilität verbundener Artefakte mit berücksichtigen, erfolgreich zur Fehlervorhersage genutzt werden. So lässt sich beispielsweise bei Verwendung von Random Forest F1-Werte von 0,667 (Kompilierfehler), bzw. 0,711 (Sicherheitslücken), erzielen.