Logo des Repositoriums

Auflistung nach Autor:in "Sauer, Petra"

1 - 3 von 3
  • Zeitschriftenartikel
    Data Science für die Mobilität in Smart Cities
    (Vol. 42, Data Science und Digitale Transformation, 2018) Sauer, Petra; Kunde, Felix
    Mobilität ist ein Zukunftsthema in den Großstädten weltweit, Parkplätze werden knapp, Staus und Unfälle häufen sich, CO2-Emissionen nehmen zu. Neue Lösungen müssen die existierenden Verkehrssensoren und Live-Verkehrsmeldungen besser nutzen, um den Verkehr optimal zu steuern. Intelligente Datenanalyse durch verschiedene Data Science Ansätze können hier einen wirklichen Beitrag leisten, der über die Visualisierung von Analyseergebnissen bis zur Vorhersage von Verkehrssituationen und vorausschauende Verkehrslenkung reicht. Gezeigt werden im Beitrag ausgewählte Ergebnisse des Smart-Data-For- schungsprojektes ExCELL, welches eine Plattform für Mobi- litätsdienstleistungen zunächst am Beispiel der Stadt Dresden entwickelt und danach weiteren, interessierten Städten in Deutschland zur Nachnutzung anbietet. Durch die Dienste der Plattform sollen vor allem kleine und mittelständische Unternehmen in die Lage versetzt werden, mit veredelten Mobilitätsdaten eigene Dienste und Applikationen zu entwickeln.
  • Konferenzbeitrag
    Erste Untersuchungen zur Notenprognose für ein Kursempfehlungssystem
    (Proceedings of DELFI Workshops 2020, 2020) Wagner, Kerstin; Merceron, Agathe; Sauer, Petra
    Kursempfehlungssysteme können den Studienerfolg unterstützen. Eine wichtige Komponente eines solchen Systems ist die Prognose der Note, die Studierende bei Kursbelegung erwarten können. In diesem Beitrag werden verschiedene Algorithmen zur Notenprognose eingesetzt und verglichen. Die Modelle der linearen Regression liefern die besseren Ergebnisse. Darüber hinaus haben sie den Vorteil, nachvollziehbar zu sein, was Nutzende befähigt, die Grenzen des Modells besser einzuschätzen, und somit zu entscheiden, wie viel Vertrauen sie dem System schenken möchten.
  • Konferenzbeitrag
    Task Definition in Big Sets of Heterogeneously Structured Moodle LMS Courses
    (21. Fachtagung Bildungstechnologien (DELFI), 2023) Dogaru, Teodora; Götze, Nora; Rotelli, Daniela; Berendsohn, Yoel; Merceron, Agathe; Sauer, Petra
    Analysing Learning Management System (LMS) log data gives insight into student learning behaviour that can help to predict performance, and as a consequence to avoid drop-out. This contribution provides an application and an adaptation of Rotelli and Monreale’s methodology [RM22] for defining tasks in a set of 10,532 online courses collected from seven universities. Unlike [RM22], we access the log data directly from the Moodle database. Even though our data set is much bigger and more heterogeneous than the one described in [RM22], we could adapt the data selection and filtering, as well as the components’ redefinition and alignment and employ their methodology to define tasks. This work is a contribution to make log data preprocessing open, replicable and more transparent.