Refine
Year of publication
Document Type
- Doctoral Thesis (477)
- Part of Periodical (357)
- Bachelor Thesis (275)
- Diploma Thesis (196)
- Master's Thesis (194)
- Study Thesis (138)
- Article (23)
- Conference Proceedings (12)
- Other (8)
- Report (8)
- Book (5)
- Habilitation (5)
- (1)
- Lecture (1)
- Preprint (1)
- Working Paper (1)
Language
- German (1144)
- English (551)
- Multiple languages (4)
- Spanish (2)
- (1)
Keywords
- Vorlesungsverzeichnis (55)
- Bildverarbeitung (16)
- Augmented Reality (15)
- Simulation (12)
- Computersimulation (11)
- Computergraphik (10)
- Pestizid (10)
- Robotik (10)
- Computergrafik (9)
- Computervisualistik (9)
Institute
- Institut für Computervisualistik (336)
- Fachbereich 4 (299)
- Zentrale Einrichtungen (178)
- Institut für Informatik (147)
- Institut für Wirtschafts- und Verwaltungsinformatik (147)
- Institut für Management (117)
- Fachbereich 7 (99)
- Institute for Web Science and Technologies (59)
- Institut für Softwaretechnik (54)
- Fachbereich 8 (47)
Enterprise Collaboration Systems (ECS) sind essentielle Werkzeuge für die Unterstützung der digitalen Zusammenarbeit und ad hoc Projektarbeit in Unternehmen. Mit der zunehmenden Nutzung von ECS steigen auch die Bedeutung und der Bedarf an Analysen zur Schaffung eines verbesserten Verständnisses von digitaler Arbeit. Da Kollaboration sich regelmäßig über mehr als ein System erstreckt, stellt die Heterogenität der Daten verschiedener Systeme für Analysen eine Herausforderung dar, insbesondere weil plattformübergreifende Nutzungsmuster nicht ohne Weiteres nachverfolgbar und vergleichbar sind. Daher wurde die „Collaborative Actions on Documents Ontology“ (ColActDOnt) entwickelt, um Konzepte aus ECS (z. B. Events und Dokumente) einheitlich zu beschreiben. Basierend auf der ColActDOnt wurde ein Datastore implementiert, in welchem die Daten verschiedener Systeme in der Struktur der Ontologie gespeichert werden. Durch den ontologiebasierten Datastore stehen die Daten für Analysen in einheitlicher Form zur Verfügung. In die Datenebene wurden Daten aus dem ECS HCL Connections (CNX), welches somit das initiale Quellsystem darstellt, importiert. Mittels der ColActDOnt wurde außerdem eine abstrakte Ontologieebene mit den Elementen der Ontologie geschaffen. Die Elemente beider Ebenen sind über Beziehungen innerhalb einer Graphdatenbank miteinander und untereinander verknüpft.
Der ontologiebasierte Datenzugriff ermöglicht es dem Benutzer ohne Kenntnisse über die Datenstrukturen des Quellsystems, lediglich mit Domänenwissen über die ColActDOnt, Inhalte abzufragen.
Der Datastore ist als Graphdatenbank (Neo4j) implementiert und somit können Abfragen nativ als Graphenstrukturen visualisiert werden. Weiterhin kann der Prototyp an Business Intelligence Tools wie Microsoft PowerBI angebunden werden und bietet somit die Möglichkeit für tiefergehende Analysen. Die erste Version des Datastores stellt einen wichtigen Schritt in Richtung der Harmonisierung von Trace Data aus ECS dar. In Zukunft sollen weitere Kollaborationssysteme an den Datastore angeschlossen werden, um systemübergreifende Analysen von komplexen Kollaborationsplattformen zu ermöglichen.
The political targets for CO2 reduction in industrial processes are leading to a technological change in the area of pig iron production. In future, pig iron will be produced by using the direct reduction process instead of the blast furnace process. Direct reduction plants are currently operated with natural gas, this is to be replaced by hydrogen in the future in order to meet the climate targets. Within this work, the influence of hydrogen-containing atmospheres on currently used refractory materials from the Al2O3-SiO2 system was investigated. An experiment was developed to simulate the corrosion of refractory materials in the laboratory under realistic test conditions. Taking into account the atmosphere, the temperature and the sample material, a variety of practical corrosion tests were carried out. By applying a comprehensive analysis strategy, relevant corrosion effects on the materials were subsequently described as a result of the gas composition. The test temperature was in the range of 716 °C < T < 1150 °C. Physical and chemical-mineralogical tests were used to investigate the corrosion effects. In addition, the intensity of the corrosion effects was evaluated based on the gas compositions used. Pure hydrogen atmospheres in particular led to strong gas corrosion, while the presence of water vapor inhibited the chemical reactions. The mixture of methane and hydrogen can create an aggressive H2 / CO atmosphere, which also can lead to the formation of solid carbon. This phenomenon changes the possible causes of damage to refractory material; the crystallization pressure of carbon inside the structure of the refractory can also contribute to material failure. Furthermore, the corrosion reactions could be described by coupling imaging analysis methods and element determination. It was shown that, in contrast to the general opinion in the state of the art, there was not exclusively a decrease in SiO2-amount. Several reactions took place in the investigated, industrially used materials, which led to the local chemical attack of SiO2 (silicate glass phase) and caused a parallel crystallization of cristobalite. The chemical attack of hydrogen on the silicate glass phase can be defined as the primary corrosion reaction in the range of 716 °C < T < 1150 °C in a pure hydrogen atmosphere. In addition, the reaction kinetics as a function of temperature were experimentally investigated and described. Based on these analyses, material properties can be defined that are particularly suitable for the future use of defined refractory qualities within reduction processes.
Zweiunddreißigste Ordnung zur Änderung der Prüfungsordnung für die Prüfung im lehramtsbezogenen Bachelorstudiengang an der Universität Koblenz
Achtundzwanzigste Ordnung zur Änderung der Prüfungsordnung für die Prüfung in den Masterstudiengängen für das Lehramt an Grundschulen, das Lehramt an Realschulen plus sowie das Lehramt an Gymnasien an der Universität Koblenz
Neunundzwanzigste Ordnung zur Änderung der Ordnung für die Prüfung im lehramtsbezogenen Zertifikatsstudiengang (Erweiterungsprüfung) an der Universität Koblenz und der Hochschule Koblenz
Vierte Ordnung zur Änderung der Gemeinsamen Prüfungsordnung für die Bachelor- und Masterstudiengänge des Fachbereichs Informatik an der Universität Koblenz
Gemeinsame Prüfungsordnung für den Masterstudiengang Master of Engineering „Ceramic Science and Engineering“ an der Hochschule Koblenz und der Universität Koblenz (Kooperativer Masterstudiengang)
Wahlordnung der Studierendenschaft der Universität Koblenz
Satzung zur Festsetzung von Zulassungszahlen an der Universität Koblenz für das Studienjahr 2024/2025
Satzung zur Festsetzung der Normwerte für den Ausbildungsaufwand (Curricularnormwerte) der Universität Koblenz
Zweite Ordnung zur Änderung Ordnung für die Prüfung im Masterstudiengang Applied Physics an der Hochschule Koblenz und der Universität Koblenz (Kooperativer Masterstudiengang)
The findings of this study demonstrate that the Random Forest (RF) algorithm provided the most accurate predictions in comparison with other boosting machine learning algorithms. Key drivers of energy consumption identified through XAI techniques such as SHAP and LIME include energy star rating, facility type, and floor area. These XAI methods helped enhance the interpretability of the models, making them more accessible for non-expert users, such as building managers and policymakers. By leveraging machine learning and XAI, this research provides a transparent and actionable framework for optimizing building energy efficiency and supporting sustainable energy management.
In the realm of education, the timely identification of students who need further support to succeed in their respective courses, plays a pivotal role in fostering aca- demic success and preventing potential setbacks. This thesis thus aims to contribute to this critical area by focusing on the development of predictive models for the early detection of at-risk students in their academic journey. The primary dataset used for this thesis is provided by kaggle, encompassing diverse student informa- tion, including demographic, socio-economic factors, and academic performance categorized into three different classes, presenting an imbalanced nature that poses a significant challenge.
Thus the primary objectives of this thesis are to address the problem of imbal- anced data, explore and assess the performance of multiple classification methods such as, logistic regression, decision tress, random forests and support vector ma- chines (SVM), neural networks, and create a comprehensive end-to-end processing pipeline which includes the systematic steps of balancing the data, model training and evaluation. Additionally the developed pipeline is tested on two additional datasets to assess its generalizability and robustness. This research aims to provide a comprehensive understanding of addressing the challenges of imbalanced data and how different classification methods and regression can be optimally applied to early detection of at-risk students. The findings are expected to aid educational institutions in supporting their students and enhancing academic success through timely interventions.
Key findings demonstrates the robustness of SVM SMOTE balancing technique acro- ss the datasets used in this study, where it consistently achieved best results when combined with various models, particularly highlighting the success of the combi- nation of Random Forest model with SVM SMOTE, and Decision tree model with SVM SMOTE in achieving notable accuracy rates. This emphasizes the adaptability of the balancing techniques employed, providing a strong foundation for predictive intervention educational settings.
Die vorliegende Dissertation hat sich unter dem Titel >>„Woher soll ich denn vorher wissen, ob ich den Job liebe?“ – Eine qualitative Längsschnitt-Studie zur Differenzierung der Phasenstruktur vorliegender Modelle beruflicher Orientierung anhand von Jugendlichen aus drei kontrastierenden institutionellen Ausgangslagen<< dem Erkenntnisinteresse gewidmet, Modelle zur beruflichen Orientierung anhand eines ethnografischen Zugangs aus der Perspektive unterschiedlicher institutioneller Settngs weiterzuentwickeln, um der Komplexität gegenwärtiger Lebenswelten besser gerecht zu werden. Dabei wurde unter Betrachtung von Berufsorientierungsaspekten als Forschungsgegenstand sowie unter Betrachtung der Gestalt der Berufsorientierung als Forschungsfeld der Fragestellung nachgegangen, inwiefern sich das in der Debatte zentrale Sechs-Phasenmodell der Berufswahl nach Herzog et. al. (2006) im Licht ethnografischer Forschung, welche die Perspektiven Jugendlicher eines allgemeinbildenden Gymnasiums, eines beruflichen Gymnasiums sowie eines Freiwilligen Sozialen Jahres umfasst, ausdifferenzieren lässt. Dabei wurde die Grounded Theory-Methodologie als Forschungsstil zugrunde gelegt, der wiederum im Rahmen der Datenerhebung die Ethnografie, im Rahmen der Datenanalyse die Grounded Theory untergeordnet wurde.
Als zentrales Untersuchungsergebnis lässt sich zum einen aufführen, dass das bestehende Berufswahlmodell deutlich modifiziert, ausdifferenziert und folglich erweitert werden konnte. Mit dieser Erweiterung ist eine Spezifikation dahingehend verbunden, dass viele Komponenten und Ebenen hinzugekommen sind, die bei dem ursprünglichen Modell nicht bedacht waren, im Gegenzug jedoch auch solche Komponenten gestrichen und als irrelevant deklariert wurden, die sich anhand der Untersuchungsdaten nicht zu bestätigen wussten. So konnte ein Neun-Phasenmodell der Berufsorientierung in Gestalt eines Ablaufdiagramms
entstehen, das den Prozessverlauf beruflicher Orientierung anschaulich in Phasen eingebettet darzustellen vermag. Dabei ist es gelungen, das Modell derart auszugestalten, dass es institutionsübergreifend anwendbar und nicht lediglich auf eine bestimmte institutionelle Ausgangslage beschränkt ist. Zum anderen kann statuiert werden, dass das vorliegende neunphasige Modell vor allem Phasen der Orientierungslosigkeit und der Desorientierung, des Entscheidungsaufschubs, der Überprüfung und der Überbrückung sowie der Um- und Neuorientierung explizit zu nutzen weiß, um diejenigen Situationen zu berücksichtigen, die den beruflichen Orientierungsprozess der Untersuchungsteilnehmenden aus allen drei
institutionellen Ausgangslagen maßgeblich geprägt haben.
Assessing ChatGPT’s Performance in Analyzing Students’ Sentiments: A Case Study in Course Feedback
(2024)
The emergence of large language models (LLMs) like ChatGPT has impacted fields such as education, transforming natural language processing (NLP) tasks like sentiment analysis. Transformers form the foundation of LLMs, with BERT, XLNet, and GPT as key examples. ChatGPT, developed by OpenAI, is a state-of-the-art model and its ability in natural language tasks makes it a potential tool in sentiment analysis. This thesis reviews current sentiment analysis methods and examines ChatGPT’s ability to analyze sentiments across three labels (Negative, Neutral, Positive) and five labels (Very Negative, Negative, Neutral, Positive, Very Positive) on a dataset of student course reviews. Its performance is compared with fine tuned state-of-the-art models like BERT, XLNet, bart-large-mnli, and RoBERTa-large-mnli using quantitative metrics. With the help of 7 prompting techniques which are ways to instruct ChatGPT, this work also analyzed how well it understands complex linguistic nuances in the given texts using qualitative metrics. BERT and XLNet outperform ChatGPT mainly due to their bidirectional nature, which allows them to understand the full context of a sentence, not just left to right. This, combined with fine-tuning, helps them capture patterns and nuances better. ChatGPT, as a general purpose, open-domain model, processes text unidirectionally, which can limit its context understanding. Despite this, ChatGPT performed comparably to XLNet and BERT in three-label scenarios and outperformed others. Fine-tuned models excelled in five label cases. Moreover, it has shown impressive knowledge of the language. Chain-of-Thought (CoT) was the most effective technique for prompting with step by step instructions. ChatGPT showed promising performance in correctness, consistency, relevance, and robustness, except for detecting Irony. As education evolves with diverse learning environments, effective feedback analysis becomes increasingly valuable. Addressing ChatGPT’s limitations and leveraging its strengths could enhance personalized learning through better sentiment analysis.
Exploring Academic Perspectives: Sentiments and Discourse on ChatGPT Adoption in Higher Education
(2024)
Artificial intelligence (AI) is becoming more widely used in a number of industries, including in the field of education. Applications of artificial intelligence (AI) are becoming crucial for schools and universities, whether for automated evaluation, smart educational systems, individualized learning, or staff support. ChatGPT, anAI-based chatbot, offers coherent and helpful replies based on analyzing large volumes of data. Integrating ChatGPT, a sophisticated Natural Language Processing (NLP) tool developed by OpenAI, into higher education has sparked significant interest and debate. Since the technology is already adapted by many students and teachers, this study delves into analyzing the sentiments expressed on university websites regarding ChatGPT integration into education by creating a comprehensive sentiment analysis framework using Hierarchical Residual RSigELU Attention Network (HR-RAN). The proposed framework addresses several challenges in sentiment analysis, such as capturing fine-grained sentiment nuances, including contextual information, and handling complex language expressions in university review data. The methodology involves several steps, including data collection from various educational websites, blogs, and news platforms. The data is preprocessed to handle emoticons, URLs, and tags and then, detect and remove sarcastic text using the eXtreme Learning Hyperband Network (XLHN). Sentences are then grouped based on similarity and topics are modeled using the Non-negative Term-Document Matrix Factorization (NTDMF) approach. Features, such as lexico-semantic, lexico structural, and numerical features are extracted. Dependency parsing and coreference resolution are performed to analyze grammatical structures and understand semantic relationships. Word embedding uses the Word2Vec model to capture semantic relationships between words. The preprocessed text and extracted features are inputted into the HR-RAN classifier to categorize sentiments as positive, negative, or neutral. The sentiment analysis results indicate that 74.8% of the sentiments towards ChatGPT in higher education are neutral, 21.5% are positive, and only 3.7% are negative. This suggests a predominant neutrality among users, with a significant portion expressing positive views and a very small percentage holding negative opinions. Additionally, the analysis reveals regional variations, with Canada showing the highest number of sentiments, predominantly neutral, followed by Germany, the UK, and the USA. The sentiment analysis results are evaluated based on various metrics, such as accuracy, precision, recall, F-measure, and specificity. Results indicate that the proposed framework outperforms conventional sentiment analysis models. The HR-RAN technique achieved a precision of 98.98%, recall of 99.23%, F-measure of 99.10%, accuracy of 98.88%, and specificity of 98.31%. Additionally, word clouds are generated to visually represent the most common terms within positive, neutral, and negative sentiments, providing a clear and immediate understanding of the key themes in the data. These findings can inform educators, administrators, and developers about the benefits and challenges of integrating ChatGPT into educational
settings, guiding improvements in educational practices and AI tool development.
Die Untersuchung der Erwartungen und Anforderungen der Generation Z an Führungskräfte ist sowohl praktisch als auch wissenschaftlich von hoher Relevanz. Praktisch gesehen erfordert der Fachkräftemangel in Deutschland und die veränderten Vorstellungen der Generation Z ein Umdenken bei Führungskräften. Wissenschaftlich besteht eine Forschungslücke, da traditionelle Führungstheorien oft nicht mehr zeitgemäß sind und spezifische Studien zu den Präferenzen der Generation Z fehlen.
Ziel der Masterthesis ist es, diese Lücke durch qualitative Experteninterviews zu schließen und neue Erkenntnisse über die Ansichten der Generation Z zu gewinnen. Dabei sollen Unternehmen unterstützt werden, junge Fachkräfte langfristig zu gewinnen.
Die Methode umfasst eine qualitative Studie mit 14 Interviewpartnern, darunter Mitarbeiter der Generation Z und Führungskräfte. Die semistrukturierten Interviews wurden transkribiert und mithilfe der qualitativen Inhaltsanalyse nach Mayring und der Software MAXQDA ausgewertet. Induktiv wurden Kategorien aus dem Material gebildet.
Die Ergebnisse zeigen, dass die Generation Z authentische, empathische Führung und klare Perspektiven erwartet. Hauptkategorien wie Organisation, soziale Kompetenz, Teamfähigkeit und zukunftsfähige Wege wurden identifiziert. Beide Gruppen betonen die Bedeutung von Befähigung, regelmäßiger Kommunikation, Fairness und Transparenz.
Praktisch implizieren die Ergebnisse, dass Unternehmen praktische Maßnahmen und Weiterentwicklungen vornehmen müssen, um den Bedürfnissen der jungen Generation gerecht zu werden. Für die Forschung bietet die Studie eine Basis für weiterführende quantitative Untersuchungen und ein konzeptionelles Framework zur Darstellung der wichtigsten Kategorien und ihrer Zusammenhänge.