1582 research outputs found
Sort by
Konflikte analysieren und verstehen lernen
Get PDFDer Praxisbeitrag stellt zentrale Analysemethoden vor, die in unterschiedlichen Unterrichtsfächern angewendet werden können, aber auch bei der Reflexion eigener Konflikte in der Familie, der Klasse oder Schulgemeinschaft unterstützen
Jahresbericht 2022 Universtitätsbibliothek Trier
Get PDFBericht über die Ereignisse und Entwicklungen der UB Trier 2022
Riemannian Optimization for Advanced Statistical Models with Clustered Data
Get PDFModern decision making in the digital age is highly driven by the massive amount of
data collected from different technologies and thus affects both individuals as well as
economic businesses. The benefit of using these data and turning them into knowledge
requires appropriate statistical models that describe the underlying observations well.
Imposing a certain parametric statistical model goes along with the need of finding
optimal parameters such that the model describes the data best. This often results in
challenging mathematical optimization problems with respect to the model’s parameters
which potentially involve covariance matrices. Positive definiteness of covariance matrices
is required for many advanced statistical models and these constraints must be imposed
for standard Euclidean nonlinear optimization methods which often results in a high
computational effort. As Riemannian optimization techniques proved efficient to handle
difficult matrix-valued geometric constraints, we consider optimization over the manifold
of positive definite matrices to estimate parameters of statistical models. The statistical
models treated in this thesis assume that the underlying data sets used for parameter
fitting have a clustering structure which results in complex optimization problems. This
motivates to use the intrinsic geometric structure of the parameter space. In this thesis,
we analyze the appropriateness of Riemannian optimization over the manifold of positive
definite matrices on two advanced statistical models. We establish important problem-
specific Riemannian characteristics of the two problems and demonstrate the importance
of exploiting the Riemannian geometry of covariance matrices based on numerical studies
Design-Based Methods for Compensating for the Effects of Frame Errors in Business Surveys
Get PDFAmtliche Unternehmensstichproben bilden die Grundlage einer Vielzahl nationaler und regionaler Unternehmensstatistiken und sind somit von großer Bedeutung für Analysen der Lage und Leistungsfähigkeit der Wirtschaft. Jedoch stellen sowohl die Heterogenität von Unternehmensdaten als auch deren hohe Dynamik eine besondere Herausforderung für die Durchführbarkeit der Stichproben und die Qualität der resultierenden Schätzwerte dar. Ein geeigneter und weithin verwendeter Auswahlrahmen zur Erstellung des Designs einer amtlichen Unternehmensstichprobe ist der Auszug eines amtlichen Unternehmensregisters. Wenn dieser jedoch die Zielgesamtheit nicht genau abbildet, entstehen sogenannte Fehler im Auswahlrahmen. Verstärkt durch die Heterogenität und Dynamik der Unternehmensgesamtheiten können diese Fehler die Schätzgüte erheblich beeinträchtigen und zu Ineffizienzen und Verzerrungen führen. Diese Dissertation behandelt daher designbasierte Methoden zur Optimierung von Unternehmensstichproben im Hinblick auf verschiedene Arten von Fehlern im Auswahlrahmen.
Zum einen werden Methoden zur Anpassung des Designs von Unternehmensstichproben behandelt. Diese Ansätze integrieren Hilfsinformationen über die zu erwartenden Strukturen von Fehlern im Auswahlrahmen in das Stichprobendesign. Ziel ist es, dass vermehrt Unternehmen in die Stichprobe gelangen, welche mit hoher Wahrscheinlichkeit entsprechenden Fehlern unterliegen. Diese Wahrscheinlichkeit kann auf der Grundlage von Hilfsinformationen über in vorherigen Stichproben beobachtete Fehler geschätzt werden. Die im Rahmen dieser Arbeit behandelten Ansätze berücksichtigen verschiedene Arten von Fehlern im Auswahlrahmen und lassen sich in vordefinierte Designs mit festen Schichten einbauen.
Als zweite wesentliche Säule dieser Arbeit werden Methoden zur Anpassung von Gewichten zur Korrektur von Fehlern im Auswahlrahmen bei der Schätzung erarbeitet und untersucht. Aufgrund dieser Fehler sind die Annahmen, unter denen die ursprünglichen Designgewichte aufgrund des Stichprobendesigns festgelegt wurden, nicht mehr erfüllt. Die entwickelten Methoden korrigieren die Designgewichte unter Berücksichtigung der Fehler, die anhand der Stichprobe identifiziert werden konnten. Fallzahlbasierte Neugewichtungsansätze versuchen dabei, die unbekannte Größe der einzelnen Schichten in der Zielgesamtheit zu rekonstruieren. Im Rahmen einer Gewichteglättung hingegen werden Designgewichte modelliert und in Abhängigkeit von Ziel- oder Hilfsvariablen geglättet. Dies dient dazu, Ineffizienzen aufgrund von stark streuenden Gewichten oder schwachen Korrelationen zwischen Gewichten und Zielvariablen zu vermeiden. Außerdem werden Möglichkeiten der Korrektur von Fehlern im Auswahlrahmen durch Kalibrierungsmethoden erarbeitet. Besonders dann, wenn der Auswahlrahmen eine Über- und/oder Untererfassung aufweist, kann die Einbeziehung externer Hilfsinformationen eine deutliche Verbesserung der Schätzgüte ermöglichen. Für die Methoden, deren Qualität nicht anhand von Standardverfahren messbar ist, wird ein Verfahren zur Schätzung der Varianz auf Basis eines Rescaling Bootstraps vorgestellt. Dieses ermöglicht eine Beurteilung der Schätzgüte bei der Verwendung der Verfahren in der Praxis.
Im Rahmen zweier umfangreicher Simulationsstudien werden die in dieser Arbeit vorgestellten Methoden evaluiert und miteinander verglichen. Zunächst wird in der Umgebung einer experimentellen Simulation beurteilt, welche Ansätze im Hinblick auf verschiedene in der Praxis gegebene Situationen besonders geeignet sind. In einer weiteren Simulationsstudie, welche auf der Strukturerhebung im Dienstleistungsbereich basiert, wird die Einsetzbarkeit der Verfahren in der Praxis unter realitätsnahen Bedingungen evaluiert.Official business surveys form the basis for national and regional business statistics and are thus of great importance for analysing the state and performance of the economy. However, both the heterogeneity of business data and their high dynamics pose a particular challenge to the feasibility of sampling and the quality of the resulting estimates. A widely used sampling frame for creating the design of an official business survey is an extract from an official business register. However, if this frame does not accurately represent the target population, frame errors arise. Amplified by the heterogeneity and dynamics of business populations, these errors can significantly affect the estimation quality and lead to inefficiencies and biases. This dissertation therefore deals with design-based methods for optimising business surveys with respect to different types of frame errors.
First, methods for adjusting the sampling design of business surveys are addressed. These approaches integrate auxiliary information about the expected structures of frame errors into the sampling design. The aim is to increase the number of sampled businesses that are subject to frame errors. The element-specific frame error probability is estimated based on auxiliary information about frame errors observed in previous samples. The approaches discussed consider different types of frame errors and can be incorporated into predefined designs with fixed strata.
As the second main pillar of this work, methods for adjusting weights to correct for frame errors during estimation are developed and investigated. As a result of frame errors, the assumptions under which the original design weights were determined based on the sampling design no longer hold. The developed methods correct the design weights taking into account the errors identified for sampled elements. Case-number-based reweighting approaches, on the one hand, attempt to reconstruct the unknown size of the individual strata in the target population. In the context of weight smoothing methods, on the other hand, design weights are modelled and smoothed as a function of target or auxiliary variables. This serves to avoid inefficiencies in the estimation due to highly scattering weights or weak correlations between weights and target variables. In addition, possibilities of correcting frame errors by calibration weighting are elaborated. Especially when the sampling frame shows over- and/or undercoverage, the inclusion of external auxiliary information can provide a significant improvement of the estimation quality. For those methods whose quality cannot be measured using standard procedures, a procedure for estimating the variance based on a rescaling bootstrap is proposed. This enables an assessment of the estimation quality when using the methods in practice.
In the context of two extensive simulation studies, the methods presented in this dissertation are evaluated and compared with each other. First, in the environment of an experimental simulation, it is assessed which approaches are particularly suitable with regard to different data situations. In a second simulation study, which is based on the structural survey in the services sector, the applicability of the methods in practice is evaluated under realistic conditions
Visual Transfer Learning using Knowledge Graphs
Get PDFWhile humans find it easy to process visual information from the real world, machines struggle with this task due to the unstructured and complex nature of the information. Computer vision (CV) is the approach of artificial intelligence that attempts to automatically analyze, interpret, and extract such information. Recent CV approaches mainly use deep learning (DL) due to its very high accuracy. DL extracts useful features from unstructured images in a training dataset to use them for specific real-world tasks. However, DL requires a large number of parameters, computational power, and meaningful training data, which can be noisy, sparse, and incomplete for specific domains. Furthermore, DL tends to learn correlations from the training data that do not occur in reality, making DNNs poorly generalizable and error-prone.
Therefore, the field of visual transfer learning is seeking methods that are less dependent on training data and are thus more applicable in the constantly changing world. One idea is to enrich DL with prior knowledge. Knowledge graphs (KG) serve as a powerful tool for this purpose because they can formalize and organize prior knowledge based on an underlying ontological schema. They contain symbolic operations such as logic, rules, and reasoning, and can be created, adapted, and interpreted by domain experts. Due to the abstraction potential of symbols, KGs provide good prerequisites for generalizing their knowledge. To take advantage of the generalization properties of KG and the ability of DL to learn from large-scale unstructured data, attempts have long been made to combine explicit graph and implicit vector representations. However, with the recent development of knowledge graph embedding methods, where a graph is transferred into a vector space, new perspectives for a combination in vector space are opening up.
In this work, we attempt to combine prior knowledge from a KG with DL to improve visual transfer learning using the following steps: First, we explore the potential benefits of using prior knowledge encoded in a KG for DL-based visual transfer learning. Second, we investigate approaches that already combine KG and DL and create a categorization based on their general idea of knowledge integration. Third, we propose a novel method for the specific category of using the knowledge graph as a trainer, where a DNN is trained to adapt to a representation given by prior knowledge of a KG. Fourth, we extend the proposed method by extracting relevant context in the form of a subgraph of the KG to investigate the relationship between prior knowledge and performance on a specific CV task. In summary, this work provides deep insights into the combination of KG and DL, with the goal of making DL approaches more generalizable, more efficient, and more interpretable through prior knowledge.Während es Menschen leicht fällt, visuelle Informationen der realen Welt zu verarbeiten, gestaltet sich dies bei Maschinen deutlich schwieriger, da die Informationen unstrukturiert und komplex sind. Computer Vision (CV) ist der Ansatz der künstlichen Intelligenz, der versucht solche Informationen automatisch zu analysieren, zu interpretieren und zu extrahieren. Neuere CV-Ansätze verwenden aufgrund der sehr hohen Genauigkeit hauptsächlich Deep Learning (DL). Dabei werden nützliche Merkmale aus unstrukturierten Bildern eines Trainingsdatensatzes extrahiert, um diese für bestimmte Aufgaben in der realen Welt zu nutzen. DL erfordert jedoch eine große Menge an Parametern, Rechenleistung und aussagekräftigen Trainingsdaten, die für bestimmte Bereiche verrauscht, spärlich und unvollständig sein können. Daru ̈ber hinaus neigt DL dazu, aus den Trainingsdaten auch Korrelationen zu lernen, die in der Realität nicht vorkommen. Diese Eigenschaften machen DL-Modelle schlecht generalisierbar und fehleranfällig.
Deshalb sucht das Forschungsfeld des Visual Transfer Learning nach Methoden, die weniger stark von den Trainingsdaten abhängen und somit besser in der sich ständig verändernden Welt anwendbar sind. Eine dieser Methoden versucht, DL mit Vorwissen anzureichern. Dazu dienen Knowledge Graphs (KG) als leistungsfähiges Werkzeug, da sie Vorwissen auf Basis eines zugrunde liegenden ontologischen Schemas gut formalisieren und organisieren können. Sie beinhalten symbolische Operationen wie Logik, Regeln und Schlussfolgerungen und können von Domänenexperten erstellt, angepasst und interpretiert werden. Aufgrund des Abstraktionspotentials von Symbolen bieten KGs gute Voraussetzungen, ihr Wissen zu generalisieren. Um die Vorteile von KG und DL zu vereinen, wurde schon lange Zeit versucht, explizite Graph- und implizite Vektorrepräsentationen zu kombinieren. Durch die Entwicklung von Knowledge Graph Embedding Methods, bei denen ein Graph in den Vektorraum transferiert wird, eröffnen sich neue Perspektiven für eine Kombination.
In dieser Arbeit untersuchen wir die Kombination von KG und DL, um Visual Transfer Learning zu verbessern, anhand der folgenden Schritte: Erstens untersuchen wir die potenziellen Vorteile der Verwendung von in einem KG kodiertem Vorwissen für DL-basiertes Visual Transfer Learning. Zweitens fassen wir Ansätze zusammen, die bereits KG und DL kombinieren, und erstellen eine Kategorisierung auf der Grundlage ihrer allgemeinen Idee der Wissensintegration. Drittens schlagen wir eine neuartige Methode für die spezielle Kategorie der Verwendung des Wissensgraphen als Trainer vor, bei der ein Deep Neural Network (DNN) so trainiert wird, dass es sich an eine durch das Vorwissen eines KG gegebene Darstellung anpasst. Viertens erweitern wir die vorgeschlagene Methode durch die Extraktion von relevantem Kontext in Form eines Subgraphen des KG, um die Beziehung zwischen dem Vorwissen und der Leistung bei einer bestimmten CV-Aufgabe zu untersuchen. Zusammenfassend lässt sich sagen, dass diese Arbeit tiefe Einblicke in die Kombination von KG und DL bietet, mit dem Ziel, DL-Ansätze durch Vorwissen verallgemeinerbarer, effizienter und interpretierbarer zu machen
Improving Predictive Modeling With Machine Learning Techniques
Get PDFThere is no longer any doubt about the general effectiveness of psychotherapy. However, up to 40% of patients do not respond to treatment. Despite efforts to develop new treatments, overall effectiveness has not improved. Consequently, practice-oriented research has emerged to make research results more relevant to practitioners. Within this context, patient-focused research (PFR) focuses on the question of whether a particular treatment works for a specific patient. Finally, PFR gave rise to the precision mental health research movement that is trying to tailor treatments to individual patients by making data-driven and algorithm-based predictions. These predictions are intended to support therapists in their clinical decisions, such as the selection of treatment strategies and adaptation of treatment. The present work summarizes three studies that aim to generate different prediction models for treatment personalization that can be applied to practice. The goal of Study I was to develop a model for dropout prediction using data assessed prior to the first session (N = 2543). The usefulness of various machine learning (ML) algorithms and ensembles was assessed. The best model was an ensemble utilizing random forest and nearest neighbor modeling. It significantly outperformed generalized linear modeling, correctly identifying 63.4% of all cases and uncovering seven key predictors. The findings illustrated the potential of ML to enhance dropout predictions, but also highlighted that not all ML algorithms are equally suitable for this purpose. Study II utilized Study I’s findings to enhance the prediction of dropout rates. Data from the initial two sessions and observer ratings of therapist interventions and skills were employed to develop a model using an elastic net (EN) algorithm. The findings demonstrated that the model was significantly more effective at predicting dropout when using observer ratings with a Cohen’s d of up to .65 and more effective than the model in Study I, despite the smaller sample (N = 259). These results indicated that generating models could be improved by employing various data sources, which provide better foundations for model development. Finally, Study III generated a model to predict therapy outcome after a sudden gain (SG) in order to identify crucial predictors of the upward spiral. EN was used to generate the model using data from 794 cases that experienced a SG. A control group of the same size was also used to quantify and relativize the identified predictors by their general influence on therapy outcomes. The results indicated that there are seven key predictors that have varying effect sizes on therapy outcome, with Cohen's d ranging from 1.08 to 12.48. The findings suggested that a directive approach is more likely to lead to better outcomes after an SG, and that alliance ruptures can be effectively compensated for. However, these effects
were reversed in the control group. The results of the three studies are discussed regarding their usefulness to support clinical decision-making and their implications for the implementation of precision mental health
mateneen - Praxishefte Demokratische Schulkultur 08/2023: Konflikte bearbeiten
Get PDFDie Praxishefte Demokratische Schulkultur erscheinen halbjährlich und bieten Schulleitungen und Schulpersonal theoretische Grundlagen und praxisorientierte Anleitungen zur demokratiepädagogischen Schulentwicklung. Jedes Themenheft ist jeweils einer demokratiepädagogischen Bauform oder strategischen Frage der Schulentwicklung gewidmet. Die Praxishefte werden allen Luxemburger Schulen als Printausgabe zur Verfügung gestellt und online mit zusätzlichen Materialien und in französischer Fassung vorgehalten
Das eigene Verhalten erkennen für eine bessere Konfliktbearbeitung: Mit Kindern Konfliktprävention üben
Get PDFDer Artikel bietet ein Raster und konkrete Übungen, die es den Schüler*innen ermöglichen, die eigene Haltung in Konfliktsituationen zu identifizieren sowie auf nüchterne und analytische Art und Weise zu reflektieren
No Longer Printing the Legend: The Aporia of Heteronormativity in the American Western (1903-1969)
Get PDFThis study critically investigates the U.S.-American Western and its construction of sexuality and gender, revealing that the heteronormative matrix that is upheld and defended in the genre is consistently preceded by the exploration of alternative sexualities and ways to think gender beyond the binary. The endeavor to naturalize heterosexuality seems to be baked in the formula of the U.S.-Western. However, as I show in this study, this endeavor relies on an aporia, because the U.S.-Western can only ever attempt to naturalize gender by constructing it first, hence inevitably and simultaneously construct evidence that supports the opposite: the unnaturalness and contingency of gender and sexuality.
My study relies on the works of Raewyn Connell, Pierre Bourdieu, and Judith Butler, and amalgamates in its methodology established approaches from film and literary studies (i.e., close readings) with a Foucaultian understanding of discourse and discourse analysis, which allows me to relate individual texts to cultural, socio-political and economical contexts that invariably informed the production and reception of any filmic text. In an analysis of 14 U.S.-Westerns (excluding three excursions) that appeared between 1903 and 1969 I give ample and minute narrative and film-aesthetical evidence to reveal the complex and contradictory construction of gender and sexuality in the U.S.-Western, aiming to reveal both the normative power of those categories and its structural instability and inconsistency.
This study proofs that the Western up until 1969 did not find a stable pattern to represent the gender binary. The U.S.-Western is not necessarily always looking to confirm or stabilize governing constructs of (gendered) power. However, it without fail explores and negotiates its legitimacy. Heterosexuality and male hegemony are never natural, self-evident, incontestable, or preordained. Quite conversely: the U.S.-Western repeatedly – and in a surprisingly diverse and versatile way – reveals the illogical constructedness of the heteronormative matrix.
My study therefore offers a fresh perspective on the genre and shows that the critical exploration and negotiation of the legitimacy of heteronormativity as a way to organize society is constitutive for the U.S.-Western. It is the inquiry – not necessarily the affirmation – of the legitimacy of this model that gives the U.S.-Western its ideological currency and significance as an artifact of U.S.-American popular culture.Die vorliegende Studie verfolgt das Ziel, den U.S.-Western auf hegemoniekritische und feministisch-kritische Weise zu durchleuchten und dabei klar die Ambiguitäten in der Konstruktion von Gender und Sexualität auszuloten, die für das Genre konstitutiv sind. In meiner Studie zeige ich, dass der Konstruktion und Verteidigung der heteronormativen Matrix wiederholt das Erforschen alternativer Begehrensformen sowie Wegen, Gender außerhalb binärer Strukturen zu denken, vorausgeht. Entsprechend zeige ich, dass das wiederkehrende Muster des U.S.-Westerns, Heterosexualität zu naturalisieren, auf der Aporie beruht, dieses Ziel über einen Weg zu erreichen, der gleichermaßen die Unnatürlichkeit und Kontingenz von Gender und Sexualität beweist.
Meine Studie fußt auf den theoretischen Vorarbeiten Raewyn Connells, Pierre Bourdieus und Judith Butlers und verschmilzt in ihrer Herangehensweise Ansätze der klassischen Filmanalyse und der Diskursanalyse nach Michel Foucault. Sie setzt bei ihrer Durchleuchtung von filmischen Texten sowohl auf close readings einzelner Szenen als auch auf das Verbinden breiterer, kultureller, sozio-politischer oder ökonomischer Kontexte mit dem filmischen Text. Anhand der Analyse von insgesamt 14 U.S.-Westernfilmen (zuzüglich dreier Exkurse), die zwischen 1903 und 1969 erschienen sind, arbeite ich dezidiert narrative und filmästhetische Ambiguitäten in der Konstruktion von Gender und Sexualität heraus, mit dem Ziel, einerseits die normative Macht dieser Kategorien identifizierbar und beschreibbar, und anderer-seits die Konstruiertheit dieser Macht sowie deren immanente Widersprüchlichkeit und Instabilität sichtbar zu machen.
Es wird deutlich, dass der U.S.-Western (bis 1969) kein stabiles Repräsentationsmuster zweigeschlechtlicher Identität findet. Er ist nicht immer zwingend herrschaftsstabilisierend, aber immer herrschaftsverhandelnd. Heterosexualität und männliche Hegemonie sind hier keineswegs selbstverständlich, offensichtlich, unanfechtbar, oder vorherbestimmt. Im Gegen-teil: der U.S.-Western legt wiederholt und auf erstaunlich vielseitige Weisen die (widersprüchliche) Konstruiertheit einer heteronormativen Geschlechterordnung offen.
Die vorliegende Studie liefert damit eine neue Perspektive auf das Genre und zeigt auf, dass die kreative Auseinandersetzung mit der Legitimität von Heteronormativität als gesellschaftliches Ordnungsprinzip konstitutiv für den U.S.-Western als identitätsstiftendes Artefakt U.S.-amerikanischer Kultur ist
Unvollkommenes und vollkommenes Glück Über menschliche Vollendung mit Blick auf Aristoteles und Thomas von Aquin
Get PDFDas Thema Glück wird in dieser Dissertation von Aristoteles für das diesseitige Leben beschrieben, während Thomas von Aquin das vollkommene Glück mit Blick auf das jenseitige Leben darstellt