Filtern
Erscheinungsjahr
- 2022 (23) (entfernen)
Dokumenttyp
- Dissertation (23) (entfernen)
Sprache
- Englisch (23) (entfernen)
Schlagworte
- Agriculture (2)
- Biodiversity (2)
- Biodiversität (2)
- Landwirtschaft (2)
- Aquatic ecology (1)
- Araneae (1)
- Binnengewässer (1)
- Bodenchemie (1)
- Butterflies (1)
- Climate change (1)
- Coleoptera (1)
- Consumer behaviour (1)
- Consumption renunciation (1)
- Digitalisation (1)
- Digitalisierung (1)
- Eddy-covariance (1)
- Elevation gradient (1)
- Emission (1)
- Emissionen (1)
- Energiefluss (1)
- Energy fluxes (1)
- Environmental psychology (1)
- FTIR (1)
- Food (1)
- Gewässerqualität (1)
- Gewässerökologie (1)
- Hydrodynamics (1)
- Hydrodynamik (1)
- Klimawandel (1)
- Knowledge (1)
- Kohlenstoffkreislauf (1)
- Konsumentenverhalten (1)
- Konsumverzicht (1)
- L2 writers (1)
- Lakes (1)
- Lebensmittel (1)
- Lebensstandard (1)
- Limnologie (1)
- Limnology (1)
- Loans (1)
- Microfinance (1)
- Microfinance institutions (1)
- Microplastics (1)
- Mikrofinanzierung (1)
- Mikroplastik (1)
- Mining (1)
- Mixed methods (1)
- Monitoring (1)
- Near-surface turbulence (1)
- Nyungwe National Park (1)
- Online grocery shopping (1)
- Online-Lebensmittelhandel (1)
- Ontology (1)
- Pesticides (1)
- Pestizid (1)
- Pflanzenschutzmittel (1)
- Plant protection products (1)
- Plastic mulching (1)
- Pollution (1)
- Pro-environmental behaviour change (1)
- Py-GC/MS (1)
- Reservoirs (1)
- Risikoanalyse (1)
- Risikobewertung (1)
- Risk assessment (1)
- Saving (1)
- Saving and credit cooperatives (SACCOs) (1)
- Schulden (1)
- See (1)
- Socio-ecological transformation (1)
- Socio-economic development (1)
- Software Language (1)
- Software Technology (1)
- Sozial-ökologische Transformation (1)
- Sparen (1)
- Standard of living (1)
- Stausee (1)
- Sufficiency (1)
- Sufficiency orientation (1)
- Suffizienz (1)
- Suffizienzorientierung (1)
- Surface Science (1)
- Transfer coefficients (1)
- Turbulence (1)
- Turbulenz (1)
- Umweltpsychologie (1)
- Umweltverhaltensänderung (1)
- Umweltverschmutzung (1)
- Verbraucherverhalten (1)
- Water quality (1)
- agricultural intensification (1)
- biodiversity conservation (1)
- corrosion resistance (1)
- dry inland waters (1)
- educational alliance (1)
- feedback (1)
- global carbon cycle (1)
- high power impulse magnetron sputtering (1)
- non-crop habitats (1)
- student writing (1)
- titanium nitride (1)
- wear resistance (1)
Institut
- Fachbereich 7 (7)
- Institut für Integrierte Naturwissenschaften, Abt. Biologie (3)
- Institut für Umweltwissenschaften (3)
- Fachbereich 4 (2)
- Institut für Informatik (2)
- Institut für Integrierte Naturwissenschaften, Abt. Physik (2)
- Fachbereich 6 (1)
- Fachbereich 8 (1)
- Institut für Anglistik und Amerikanistik (1)
The ongoing loss of species is a global threat to biodiversity, affecting ecosystems worldwide. This also concerns arthropods such as insects and spiders, which are especially endangered in agricultural ecosystems. Here, one of the main causing factors is management intensification. In areas with a high proportion of traditionally managed grassland, extensive hay meadows that are cut only once per year can still hold high levels of biodiversity, but are threatened by conversion into highly productive silage grassland. The Westerwald mountain range, western Germany, is such a region. In this thesis, I compare the local diversity of bees, beetles, hoverflies, leafhoppers, and spiders of five grassland management regimes along a gradient of land-use intensity. These comprise naturally occurring grassland fallows, three types of traditionally managed hay meadows, and intensively used silage grassland. By using three different sampling methods, I recorded ground-dwelling, flower-visiting, and vegetation-dwelling species. The results show that in most cases species richness and diversity are highest on fallows, whereas variation among different managed grassland types is very low. Also, for most sampled taxa, fallows harbour the most distinct species assemblages, while that of other management regimes are largely overlapping. Management has the largest effect on species composition, whereas environmental parameters are of minor importance. Long-term grassland fallows seem to be highly valuable for arthropod conservation, even in a landscape with a low overall land-use intensity, providing structural heterogeneity. In conclusion, such fallows should be subsidized agri-environmental schemes, to preserve insect and spider diversity.
Soziale Netzwerke sind allgegenwärtige Strukturen, die wir jeden Tag generieren und bereichern, während wir uns über Plattformen der sozialen Medien, E-Mails und jede andere Art von Interaktion mit Menschen verbinden. Während diese Strukturen für uns nicht greifbar sind, sind sie sehr wichtige Informationsträger. Zum Beispiel kann die politische Neigung unserer Freunde ein Näherungswert sein, um unsere eigenen politischen Präferenzen zu identifizieren. Gleichermaßen
kann die Kreditwürdigkeit unserer Freunde entscheidend bei der Gewährung oder Ablehnung unserer eigenen Kredite sein. Diese Erklärungskraft wird bei der Gesetzgebung, bei Unternehmensentscheidungen und in der Forschung genutzt, da sie maschinellen Lerntechniken hilft, genaue Vorhersagen zu treffen. Diese Verallgemeinerungen kommen jedoch häufig nur der Mehrheit der Menschen zugute, welche die allgemeine Struktur des Netzwerks prägen, und benachteiligen unterrepräsentierte Gruppen, indem sie ihre Mittel und Möglichkeiten begrenzen. Daher ist es wichtig zuerst zu verstehen, wie sich soziale Netzwerke bilden, um dann zu überprüfen, inwieweit ihre Mechanismen der Kantenbildung dazu beitragen, soziale Ungleichheiten in Algorithmen des maschinellen Lernens zu verstärken.
Zu diesem Zweck schlage ich im ersten Teil dieser Arbeit HopRank und Janus vor, zwei Methoden um die Mechanismen der Kantenbildung in realen ungerichteten sozialen Netzwerken zu charakterisieren. HopRank ist ein Modell der Daten-Hamsterei in Netzwerken. Sein Schlüsselkonzept ist ein gezinkter zufälliger Wanderer, der auf Übergangswahrscheinlichkeiten zwischen K-Hop-Nachbarschaften basiert. Janus ist ein Bayessches Rahmenwerk, mit dem wir plausible Hypothesen der Kantenbildung in Fällen identifizieren und bewerten können, in denen Knoten zusätzliche Daten enthalten. Im zweiten Teil dieser Arbeit untersuche ich die Auswirkungen dieser Mechanismen - welche die Kantenbildung in sozialen Netzwerken erklären - auf das maschinelle Lernen. Insbesondere untersuche ich den Einfluss von Homophilie, bevorzugter Bindung, Kantendichte, Anteil von Minderheiten und der Richtung von Verbindungen sowohl auf Leistung als auch auf systematische Fehler von kollektiver Klassifizierung und auf die Sichtbarkeit von Minderheiten in Top-K-Rängen. Meine Ergebnisse zeigen eine starke Korrelation zwischen der Netzwerkstruktur und den Ergebnissen des maschinellen Lernens. Dies legt nahe, dass die systematische Diskriminierung spezieller Personen: (i) durch den Netzwerktyp vorweggenommen und (ii) durch strategisches Verbinden im Netzwerk verhindert werden kann.
Soziale Medien bieten eine leistungsstarke Möglichkeit für Menschen, Meinungen und Gefühle zu einem bestimmten Thema auszutauschen, sodass andere von diesen Gedanken und Gefühlen profitieren können. Dieses Verfahren erzeugt eine riesige Menge an unstrukturierten Daten, wie Texte, Bilder und Verweise, die durch täglich anwachsende Kommentare zu verwandten Diskussionen ständig zunimmt. Die riesige Menge an unstrukturierten Daten stellt jedoch ein Risiko für den Prozess der Informationsextraktion dar, sodass die Entscheidungsfindung zu einer großen Herausforderung wird. Dies liegt daran, dass die Datenflut zu einem Verlust von nützlichen Daten aufgrund ihrer unangemessenen Darstellung und ihrer Anhäufung führen kann. Insofern leistet diese Arbeit einen Beitrag zum Gebiet der Sentimentanalyse und des Opinion Mining, das darauf abzielt, Emotionen und Meinungen aus riesigen Text- und Bilddatensätzen zu extrahieren. Das ultimative Ziel ist es, jeden Text oder jedes Bild als Ausdruck einer positiven, negativen oder neutralen Emotion zu klassifizieren, um bei der Entscheidungsfindung zu helfen. Sentiment- und Meinungsklassifikatoren wurden für Text- und Bilddatensätze aus sozialen Medien entwickelt, z. B. für Firmen- oder Produktbewertungen, Blogbeiträge und sogar Twitter-Nachrichten. In dieser Arbeit wird zunächst eine neue Methode zur Reduktion der Dimension von Textdaten auf Basis von Data-Mining-Ansätzen vorgestellt und anschließend das Sentiment auf Basis von neuronalen und Deep Neural Network-Klassifikationsalgorithmen untersucht. Anschließend untersuchen wir im Gegensatz zur Sentiment-Analyseforschung in Textdatensätzen die Sentiment Ausdrucks- und Polaritätsklassifikation innerhalb und über Bilddatensätze hinweg, indem wir tiefe neuronale Netze auf Basis des Aufmerksamkeitsmechanismus aufbauen.