Open Access

Diese Arbeit untersuchte, inwieweit Deep-Learning-basierte Knowledge-Tracing-Modelle (KT-Modelle) dazu geeignet sind, das Kompetenzniveau von Lernenden im Umgang mit der Data Query Language zu erfassen und auf dieser Grundlage die Komplexität von DQL-Aufgaben dynamisch anzupassen. Ziel war es, herauszufinden, ob Interaktionsdaten, die bei der Bearbeitung von DQL-Aufgaben entstehen, als Trainingsbasis für KT-Modelle dienen können und ob diese Modelle geeignet sind, individualisierte Aufgaben mit optimalem Lerneffekt zu erzeugen. Zunächst wurde die Struktur der DQL als Teil von SQL dargestellt und ein Modell entwickelt, das die Komplexität von DQL-Aufgaben über die Häufigkeit und Art der verwendeten Syntaxelemente beschreibt. Das Kompetenzniveau eines Lernenden und die Komplexität einer DQL-Aufgabe wurden für jedes einzelne Syntaxelement separat als Teilkompetenz betrachtet. Die Zone of Proximal Development (ZPD) bildet den theoretischen Rahmen zur Bestimmung des Aufgabenbereichs, in dem ein Lerneffekt durch angemessene Herausforderung erzielt wird. Zur Evaluation wurde eine Simulation entworfen, in der Lernende einer synthetischen Lernerpopulation Aufgaben bearbeiten. Die Aufgabenkomplexität wurde zufällig innerhalb einer „geschätzten“ ZPD gewählt. Die in der Simulation entstehenden Daten wurden in einem Datensatz in einem Format des ASSISTments-Datensatzes gespeichert, um sie für existierende KT-Modelle nutzbar zu machen. Im Anschluss wurden drei Deep-Learning-KT-Modelle – Deep Knowledge Tracing (DKT), Dynamic Key-Value Memory Network (DKVMN) und Attentive Knowledge Tracing (AKT) – sowohl mit dem simulierten als auch mit dem ASSISTments-Datensatz trainiert. Die Vorhersagegenauigkeit wurde anhand der AUC (Area Under the Curve) gemessen. AKT erzielte in beiden Szenarien die höchsten AUC-Werte, während DKT und DKVMN konsistent niedrigere Werte lieferten. Alle getesteten Modelle übertrafen jedoch das Niveau zufällig ausgewählter Aufgabenkomplexitäten. Die Anwendung des trainierten DKT-Modells in der Simulation zeigt, dass die Vorhersagen von KT-Modellen über das Kompetenzniveau eines Lernenden genutzt werden können, um Aufgaben mit geeigneter Komplexität zu generieren. Diese erzeugen im Durchschnitt einen höheren Lerneffekt als zufällig gewählte Aufgaben. Die Differenz ist jedoch moderat, was auf die eingeschränkte Prognosekraft des DKT-Modells hinweist. Zudem wird deutlich, dass die Qualität der erzeugten Aufgaben wesentlich davon abhängt, wie präzise sich kontinuierlich vorhergesagte Werte für das Kompetenzniveau in konkrete Syntaxelementhäufigkeiten übertragen lassen. Insgesamt zeigt die Arbeit, dass Deep-Learning-KT-Modelle grundsätzlich geeignet sind, das Kompetenzniveau von Lernenden im Umgang mit DQL zu erfassen und Aufgaben adaptiv anzupassen. Voraussetzung für den praktischen Einsatz ist jedoch eine sorgfältige Parametrisierung der Modelle sowie eine systematische Transformation der prognostizierten Werte für das Kompetenzniveau in realisierbare Aufgabenformate.

Defibrillatoren und AEDs spielen besonders in der Notfallmedizin bei der Behandlung von Herzrhythmusstörungen eine wichtige Rolle. Während die manuellen Defibrillatoren von Fachpersonal genutzt wird, dienen AEDs dazu, ebenfalls von Laien angewendet zu werden. In dieser Arbeit wird die Konzeptplanung für die Neuanschaffung manueller Defibrillatoren und AEDs unter Beachtung von gerätetechnischen und wirtschaftlichen Faktoren durchgeführt. Für zukünftige Planung in verschiedenen Krankenhauskomplexen sind Hinweise und Fragestellungen zur Unterstützung angefügt. Die Analyse und die abschließenden Ergebnisse zeigen, dass eine Neuausstattung eines Krankenhauses mit Defibrillatoren einer strategischen und komplexen Planung zu Grunde liegt. Mit optimierten Prozessen können die Überlebenschancen der Patienten und die Effektivität der Notfallversorgung erhöht werden.

Der Einfluss der Neutralgasteilchen beim reaktiven Ionenstrahlätzen wurde mit einer Prozessgasmischung bestehend aus CHF3 und O2 anhand optisch relevanter Materialien wie Silizium, Siliziumdioxid und einem Photoresist untersucht. Basierend auf den Arbeiten von Mayer, Barker et al. [1, 2, 3] wurde das Verhältnis zwischen Ionen und Neutralteilchen zu Gunsten der Neutralteilchen durch eine Erhöhung des Kammerdruckes verschoben. Die Druckvariation wurde auf zwei verschiedenen Wegen durchgeführt. Einerseits durch die Erhöhung des pV‐Gesamtdurchflusses in die Quelle (Variante 1) und andererseits durch die Reduzierung der Saugleistung der Turbomolekularpumpen durch die Schieberstellungen (Variante 2). Für beide Varianten wurden signifikante Einflüsse auf die Abtragsprofile und deren Kenngrößen, wie die Peakätzraten, Peakselektivitäten, Halbwertsbreiten und Volumenätzraten sowie die elektrischen Strahlprofile (z. B. Peakstromdichten, Halbwertsbreiten, Umladung) festgestellt. Der Neutralteilchenanteil während des Prozesses wurde durch die Druckänderungen in beiden Varianten variiert, wobei Variante 1 einen stärkeren Einfluss auf die Abtragsprofile zeigte. In einer weiteren Versuchsreihe wurde die statistische Versuchsplanung genutzt, um den Einfluss der drei Faktoren pV‐Gesamtdurchfluss, Reaktivgaszusammensetzung und Ionenstrom auf den Neutralteilchenanteil und den Ätzprozess zu untersuchen. Änderungen der Peakätzraten konnten gut durch teilweise bekannte Adsorptions‐Desorptions‐Mechanismen beschrieben werden. Gleichzeitig konnten die Literaturergebnisse um optisch relevante Materialien, eine andere Ionenstrahlquellenart, andere Prozessgase, eine Vielzahl an Kenngrößen und das Aufspannen eines ganzen Parameterraums erweitert werden. Insgesamt wurden für die wichtigsten Kenngrößen wie die Peakätzraten, Peakselektivitäten und Volumenätzraten „Response Surface Methodology“‐Modelle erstellt. Aus diesen geht hervor, dass die Substrat‐Ätzraten insbesondere durch einen hohen Neutralteilchenanteil (Kammerdruck), einen hohen Ionenstromsowie einematerialspezifische Reaktivgasmischung gesteigert werden können. Die Selektivitäten weisen dagegen bei einem mittleren Neutralteilchenanteil, niedrigen Ionenströmen sowie bei hohen CHF3‐Anteilen im Prozessgasgemisch hohe Werte auf.

Die Arbeit befasst sich mit der Entwicklung eines automatisierten Analyseverfahrens zur Untersuchung laserinduzierter Hautgewebeschädigungen. Hierfür wurde ein Bildsegmentierungsmodell auf Basis der U-Net-Architektur implementiert und zur Detektion sowie Quantifizierung von Gewebeschädigungen eingesetzt. Die Datengrundlage bilden experimentell erzeugte Hautgewebeschädigungen, bei denen Leistung, Frequenz und Strahldurchmesser variiert wurden, um unterschiedliche Schädigungsgrade zu erzeugen. Neben der Analyse energierelevanter Schwellwerte lag der Schwerpunkt auf der Optimierung der Segmentierungsgenauigkeit durch den Vergleich von Mehrklassen- und Binärsegmentierungsansätzen unter Einbindung verschiedener Verlustfunktionen und Backbones. Die Ergebnisse zeigen, dass durch den Einsatz eines vortrainierten ResNeXt50-Backbones in Kombination mit der CCE\_Dice-Verlustfunktion die besten Segmentierungsgenauigkeiten erzielt werden konnten. Die Mehrklassensegmentierung erwies sich aufgrund des kombinierten Lernansatzes beider Schädigungsgrade als besonders vorteilhaft für die Erkennung der komplexeren, leichteren Schädigungen. Darüber hinaus wurde die Generalisierbarkeit des Modells anhand modifizierter Bilddaten validiert, wobei sich das Verfahren insbesondere bei stärkeren Schädigungen als robust und zuverlässig erwies. Die entwickelte Methode leistet somit einen Beitrag zur objektiven und automatisierten Analyse von Gewebeschädigungen und bietet Potenzial für den Einsatz in der medizinischen Diagnostik zur Entlastung von Fachpersonal.

Ziel der vorliegenden Arbeit ist die Entwicklung eines Linux-Treibers für einen Chip, welcher einen I²C-Bus über den One-Wire-Bus bereitstellt und Befehle in einem Sequenzer speichern kann. Dazu werden Anforderungen gestellt, welche sich aus der Projektspezifikation ableiten. Mögliche Implementierungen werden zunächst theoretisch verglichen und anschließend als Bibliothek und Kernel-Treiber implementiert. Bei der Implementierung des Treibers werden dabei zwei Varianten - mit und ohne optimierte Allokationslogik des Sequenzer-Speichers - unterschieden. Die Bibliothek und die beiden Konfigurationen des Treibers werden hinsichtlich ihrer Laufzeit empirisch betrachtet und verglichen. Außerdem wird der Erfüllungsgrad der Anforderungen durch die Treiber-Implementierung bewertet. Im Ergebnis zeigt sich, dass die Implementierung als Kernel-Treiber mit optimierter Speicher-Allokationslogik einen deutlichen Vorteil in der Laufzeit aufweist.