Logo des Repositoriums

Auflistung nach Autor:in "Schlichtig, Michael"

1 - 4 von 4
  • Textdokument
    Entwicklung und Reflexion einer Unterrichtssequenz zum Maschinellen Lernen als Aspekt von Data Science in der Sekundarstufe II
    (Informatik für alle, 2019) Opel, Simone; Schlichtig, Michael; Schulte, Carsten; Biehler, Rolf; Frischemeier, Daniel; Podworny, Susanne; Wassong, Thomas
    Die Bereiche „Data Science“ und „Big Data“ sowie ihre technischen, ethischen und gesellschaftlichen Auswirkungen werden zunehmend nicht nur in der Wissenschaft, sondern auch in diversen Medien diskutiert und somit verstärkt auch zu einem wichtigen Thema für alle. Um den Schülerinnen und Schülern der Sekundarstufe II einen theoretisch und fachwissenschaftlich fundierten Einstieg in diesen Themenbereich zu ermöglichen, wurde ein erster Entwurf eines interdisziplinären Curriculums entwickelt, das neben fachlichen Aspekten von Data Science einen Fokus auf sich hieraus ergebende gesellschaftliche Fragestellungen legt. Es werden neben der Konzeption des Kurses die bisherigen Erfahrungen aus der Durchführung – insbesondere in Hinsicht der darin enthaltenen Unterrichtseinheit zum Maschinellen Lernen - berichtet, sowie die sich hieraus ergebenden Implikationen für die Weiterentwicklung dargestellt und diskutiert.
  • Konferenzbeitrag
    Evaluation of Usability Criteria Addressed by Static Analysis Tools on a Large Scale
    (Software Engineering 2023, 2023) Nachtigall, Marcus; Schlichtig, Michael; Bodden, Eric
    Static analysis tools support developers in detecting potential coding issues, such as bugs or vulnerabilities. Research emphasizes technical challenges of such tools but also mentions severe usability shortcomings. These shortcomings hinder the adoption of static analysis tools, and user dissatisfaction may even lead to tool abandonment. To comprehensively assess the state of the art, we present the first systematic usability evaluation of a wide range of static analysis tools. We derived a set of 36 relevant criteria from the literature and used them to evaluate a total of 46 static analysis tools complying with our inclusion and exclusion criteria - a representative set of mainly non-proprietary tools. The evaluation against the usability criteria in a multiple-raters approach shows that two thirds of the considered tools off er poor warning messages, while about three-quarters provide hardly any fix support. Furthermore, the integration of user knowledge is strongly neglected, which could be used for instance, to improve handling of false positives. Finally, issues regarding workflow integration and specialized user interfaces are revealed. These findings should prove useful in guiding and focusing further research and development in user experience for static code analyses.
  • Konferenzbeitrag
    Introducing FUM: A Framework for API Usage Constraint and Misuse Classification
    (Software Engineering 2023, 2023) Schlichtig, Michael; Sassalla, Steffen; Narasimhan, Krishna; Bodden, Eric
    Application Programming Interfaces (APIs) are the primary mechanism developers use to obtain access to third-party algorithms and services. Unfortunately, APIs can be misused, which can have catastrophic consequences, especially if the APIs provide security-critical functionalities like cryptography. Understanding what API misuses are, and how they are caused, is important to prevent them, e.g., with API misuse detectors. However, definitions for API misuses and related terms in literature vary. This paper presents a systematic literature review to clarify these terms and introduces FUM, a novel Framework for API Usage constraint and Misuse classification. The literature review revealed that API misuses are violations of API usage constraints. To address this, we provide unified definitions and use them to derive FUM. To assess the extent to which FUM aids in determining and guiding the improvement of an API misuses detector’s capabilities, we performed a case study on the state-of the-art misuse detection tool CogniCrypt. The study showed that FUM can be used to properly assess CogniCrypt’s capabilities, identify weaknesses and assist in deriving mitigations and improvements.
  • Textdokument
    Maschinelles Lernen im Unterricht mit Jupyter Notebook
    (Informatik für alle, 2019) Schlichtig, Michael; Opel, Simone; Schulte, Carsten; Biehler, Rolf; Frischemeier, Daniel; Podworny, Susanne; Wassong, Thomas
    Data Science und Big Data durchdringt in ihren diversen Facetten unser tägliches Leben– kaum ein Tag, an dem nicht verschiedene Meldungen über technische Innovationen, Einsatzmöglichkeiten von Künstlicher Intelligenz (KI) und Maschinelles Lernen (ML) und ihre ethischen sowie gesellschaftlichen Implikationen in den unterschiedlichen Medien diskutiert werden. Aus diesem Grund erscheint es uns immens wichtig, diese Fragestellungen und Technologien auch in den Unterricht der Sekundarstufe II zu integrieren. Um diesem Anspruch gerecht zu werden, entwickelten wir im Rahmen eines Forschungsprojekts ein Curriculum, welches wir als konkretes Unterrichtskonzept innerhalb eines Projektkurses erprobt, evaluiert weiterentwickelt wird. Bei der Implementierung entschieden wir uns, zur aktiven Umsetzung von Konzepten von ML als Plattform Jupyter Notebook mit Python zu verwenden, da diese Umgebung durch die Verbindung von Code und Hypertext zur Dokumentation und Erklärung Medienbrüche im Lernprozess verringern kann. Zudem ist Python zur Implementierung der Methoden von ML sehr gut geeignet. Im Themenfeld des ML als Teilgebiet der KI legen wir den Fokus auf zwei unterschiedliche Lernverfahren um verschieden Aspekte von ML, u.A. wie Nachvollziehbarkeit unter gesellschaftlichen Gesichtspunkten zu vermitteln. Diese sind Künstliche Neuronale Netze (bei denen die Berechnung und Bedeutung der Kantengewichte zwischen den Neuronen für den Menschen insbesondere bei komplexeren Netzen kaum nachvollziehbar erschienen) und Entscheidungsbäume (strukturierte und gerichtete Bäume zur Darstellung von Entscheidungsregeln, welche auch für Schülerinnen und Schüler meist gut nachvollziehbares und verständliches KI-Modell darstellen). In diesem Workshop stellen wir konkrete Umsetzungsbeispiele inklusive der Programmierung für beide Verfahren mit Jupyter Notebook und Python als Teil einer Unterrichtssequenz vor und diskutieren diese.