22455 research outputs found
Sort by
Antivirulenz-Therapie: Identifizierung und Charakterisierung neuer antimikrobieller Verbindungen zur Behandlung und Prophylaxe von Harnwegsinfektionen
Get PDFBehavioral insights into knowledge work
Get PDFThe overarching objective of this dissertation is to investigate factors that influence the transmission and generation of knowledge within organizations. Specifically, this thesis aims to understand core trade-offs in knowledge-sourcing behavior (Chapter 1), peer dynamics in engaging and communicating on digital platforms (Chapter 2), and gender disparities in innovative processes (Chapter 3). The first essay examines how reputational concerns influence advice-seeking behavior at work, revealing how misperceptions about its reputational consequences can inhibit knowledge sourcing. The second study provides insights into how early, positive interactions can enhance future participation on a knowledge exchange platform, offering platform designers guidance on sustaining user engagement and improving platform value. Finally, the third essay investigates how competition incentives and competitor gender composition impact gender disparities in generating and selecting innovative ideas. In order to comprehend the phenomena mentioned above, all chapters of this dissertation regard broad and heterogeneous samples of knowledge workers from the United States and the United Kingdom. This dissertation utilizes a modern mix of quasi-experimental, experimental, and text data methods. This dissertation exploits a quasi-experimental setting in Chapter 2 and uses two artefactual online field experiments in Chapters 1 and 3. For the questions studied in these two experimental chapters, the availability of real field settings that would allow for a consistent comparison of tasks and decisions without potentially significant career concerns for participants was limited
Overexpression of PAX3 in immortalised human mesenchymal stem cells initiates a myogenic program
Get PDFInductive representation learning and natural language question answering on temporal knowledge graphs
Get PDFFostering ePCK in pre-service biology teacher education using a video-based simulation
Get PDFThe professional knowledge of teachers encompasses three facets of knowledge: The Pedagogical Knowledge (PK), the Content Knowledge (CK) and the amalgam of these two knowledge facets: The Pedagogical Content Knowledge (PCK). The PCK is unique to teachers and includes all strategies, skills and knowledge to make lesson content available for their students. Therefore, fostering PCK is a crucial part of (pre-service) teacher education. With the publication of the Refined Consensus Model of PCK (RCM of PCK) in 2019, a new perspective on science teachers’ PCK was brought to the community. The RCM of PCK divides science teachers’ PCK into three realms: the collective PCK (cPCK), the personal PCK (pPCK) and the enacted PCK (ePCK). The cPCK includes all PCK that is commonly accessible, published and discussed on conferences. The pPCK is the individual knowledge of a teacher. It is composed of the parts of cPCK the teacher has internalized and knowledge the teacher has gained from their experience in teaching. The ePCK is tacit knowledge and only shown, when a teacher is planning (ePCKP), teaching (ePCKT) or reflecting (ePCKR) on a lesson.
While the call for more practical insights, especially in early teacher education, is persistent, real-life classroom situations can be overburdening and too complex for pre-service teachers. One possibility to offer practical insights in an early stage of knowledge acquisition, is the use of simulations. DiKoBi (diagnostic competences of biology teachers in biology classrooms) is a video-based simulation fostering pre-service biology teachers’ ePCK that was developed as part of the COSIMA project (DFG (German Research Foundation), NE-1196/8-1, 8-2). When working on DiKoBi, pre-service teachers watch videos of practice situations and complete tasks concerning biology-specific aspects of instructional quality. Through the tasks, their ePCKR and ePCKP is assessed and trained. The tasks were developed based on two concepts: Professional Vision and diagnostic competences.
To support learners with little prior knowledge, scaffolding can be a highly effective intervention in complex learning environments, such as simulations. Scaffolding can be performed in various types and modes, being adaptive and personalized or not. It has the goal of enabling learners to learn in their Zone of Proximal development (ZPD), where they are able to complete tasks that they would not be able to complete without support yet.
This dissertation pursues three aims: (1) The investigation of scaffolding opportunities and effects in the simulation DiKoBi, (2) The empirical investigation of the RCM of PCK including the interplay of PCK realms, knowledge transfer and acquisition in early biology teacher education and (3) The exploration of adaptation and personalization possibilities in digital simulations.
Three studies in a pre-post-test design with a scaffolding intervention were conducted. ePCKR and ePCKP of pre-service biology teachers was assessed with the simulation DiKoBi. In the first study (N = 57), scaffolding the diagnostic activity of the task was compared to scaffolding the PCK. In the second study (N = 78), one treatment group received cPCK-scaffolding, the other treatment group received pPCK-scaffolding. In the third study (N = 115), one treatment group had a fixed adaptation of the scaffolding, the other treatment group had a situation-specific adaptation of the scaffolding. To provide answers to the research aims of this dissertation, the findings of the three studies are combined and discussed.
In all three studies, PCK-scaffolding has proven to be an effective intervention for fostering pre-service biology teachers’ ePCK. It enables them to learn in their ZPD and supports the training of ePCK in the simulation DiKoBi. The findings of study 1 indicate that PCK-scaffolding is effective. Furthermore, the findings of study 2 reveal that scaffolding referring to the prior knowledge of what needs to be applied in the respective practice situation in the simulation (here: pPCK) is beneficial. The findings of the third study indicate that a finer granularity of the scaffolding adaptation (situation-specific) is more effective than a fixed adaptation in advance to working on the simulation. These results underline the effectiveness of personalized learning that simulations can offer.
Although relationships between the realms of PCK could be empirically confirmed, the findings of study 2 and 3 led to a modification of the original model in that, among other things, the pPCK was moved to the center to highlight its importance concerning knowledge acquisition. A detailed description and illustration of the modified RCM of PCK is provided in this dissertation.
For the exploration of adaptation and personalization strategies in simulations, the data obtained from study 1 and 2 was automatically evaluated with the help of keywords (= technical terms relevant to the aspect of biology-specific instructional quality of the task in DiKoBi). The evaluation via keywords came to the same results as the manual evaluation by human coders with the help of the coding manual. This could be a starting point for an automatic evaluation of the tasks in DiKoBi resulting in possibilities for in-time personalization of, e.g., scaffolding. Study 3 revealed that a situation-specific adaptation is more effective than a fixed adaptation supporting the necessity of a personalized scaffolding strategy.
Overall, the findings of this dissertation contribute to a deeper understanding of scaffolding in digital simulations by providing empirical evidence on the effectiveness of different scaffolding types and strategies implemented into the simulation DiKoBi. The simulation DiKoBi was successfully used as tool for fostering pre-service teachers’ ePCK and offers a possible solution for closing the gap between teaching practice and teacher education. Moreover, by introducing a modified RCM of PCK, it contributes to the discussion on the professional knowledge of science teachers.Das Professionswissen von Lehrkräften kann als Zusammenspiel der Wissensfacetten Pädagogisches Wissen (PK), Fachwissen (CK) und deren Überschneidungsbereich Fachdidaktisches Wissen (PCK) beschrieben werden. PCK wird als spezifisches Wissen für Lehrkräfte angesehen und beinhaltet Strategien, Fähigkeiten und Wissen, um Fachinhalte für Schüler:innen zugänglich zu machen. Folglich ist die Förderung von PCK ein substanzieller Bestandteil der Lehrkräfteausbildung. Mit der Publikation des Refined Consensus Model of PCK (RCM of PCK) wurde der wissenschaftlichen Community eine neue Perspektive eröffnet. Das RCM of PCK unterteilt PCK in drei Bereiche: collective PCK (cPCK), personal PCK (pPCK) und enacted PCK (ePCK). cPCK schließt öffentlich verfügbares, publiziertes auf Fachkonferenzen diskutiertes Wissen ein. pPCK beschreibt das individuelle Wissen einer einzelnen Lehrkraft. Es setzt sich aus den Teilen des cPCKs, die eine Lehrkraft verinnerlicht hat und aus durch Unterrichtserfahrung selbst angeeignetem Wissen zusammen. ePCK ist implizites Wissen, welches nur dann gezeigt wird, wenn eine Lehrkraft Unterricht plant (ePCKP), unterrichtet (ePCKT) oder reflektiert (ePCKR). Während der Wunsch nach mehr Praxisnähe, vor allem in der frühen Lehrkräfteausbildung, persistent ist, können echte Unterrichtssituationen für angehende Lehrkräfte als überfordernd und zu komplex erlebt werden. Simulation bieten eine Möglichkeit, praktische Einblicke in einem frühen Stadium des Wissenserwerbs zu gewährleisten. DiKoBi (Diagnosekompetenzen von Biologielehrkräften im Biologieunterricht) ist eine videobasierte Simulation zur Förderung des ePCK angehender Biologielehrkräfte. DiKoBi wurde im Rahmen des COSIMA-Projektes (DFG, NE1186/8-1, 8-2) entwickelt. Beim Nutzen der Simulation DiKoBi betrachten angehende Biologielehrkräfte Unterrichtsvideos und bearbeiten zugehörige Aufgaben zu biologiespezifischen Unterrichtsqualitätsmerkmalen. Über die Bearbeitung der Aufgaben wird dabei ihr ePCKR und ePCKP erfasst and trainiert. Die Aufgaben wurden basierend auf den Konzepten Professionelle Wahrnehmung und Diagnosekompetenz entwickelt. Zur Unterstützung Lernender mit wenig Vorwissen in komplexen Lernumgebungen, wie z.B. Simulationen, kann Scaffolding eine sehr effektive Unterstützungsmaßnahme sein. Es gibt verschiedene Typen von Scaffolds und vielfältige Modi zum Einsatz, wie adaptives und personalisierbares Scaffolding. Das Ziel von Scaffolding ist es Lernenden zu ermöglichen in ihrer sogenannten „Zone Proximaler Entwicklung (ZPD)“ zu lernen. In der ZPD sind sie in der Lage eine Aufgabe mit Unterstützung zu lösen, die sie ohne diese Unterstützung noch nicht hätten lösen können. Diese Dissertation verfolgt drei Ziele: (1) Die Untersuchung von Möglichkeiten des Scaffoldings und dessen Effekten in der Simulation DiKoBi, (2) die empirische Untersuchung des RCM of PCK inklusive des Zusammenspiels der Wissensbereiche sowie der Mechanismen des Wissenstransfers und -erwerbs in der frühen Lehrkräfteausbildung und (3) die Exploration von Adaptations- und Personalisierungsmöglichkeiten in digitalen Simulationen. Es wurden drei Studien im Prä-Posttest-Design mit einer Scaffolding-Intervention durchgeführt. ePCKR und ePCKP angehender Biologielehrkräfte wurde über die Simulation DiKoBi erfasst. In der ersten Studie (N = 57) wurde ein Scaffolding der diagnostischen Aktivitäten mit einem PCK-Scaffolding verglichen. In der zweiten Studie (N = 78) erhielt eine Gruppe ein cPCK-Scaffolding, die andere Gruppe erhielt ein pPCK-Scaffolding. In der dritten Studie (N = 115) wurde das Scaffolding der einen Gruppe fixiert adaptiert und das der anderen Gruppe situationsspezifisch. Um die drei Ziele zu erfüllen, wurden die Ergebnisse der drei durchgeführten Studien kombiniert und diskutiert. In allen drei Studien konnte gezeigt werden, dass Scaffolding eine effektive Intervention zur Förderung des ePCK angehender Biologielehrkräfte ist. Es ermöglicht das Lernen in der ZPD und unterstützt so das Training von ePCK in der Simulation DiKoBi. Studie 1 zeigte, dass ein PCK-Scaffolding effektiv ist. Darüber hinaus zeigen die Ergebnisse der zweiten Studie, dass insbesondere Scaffolding, welches sich auf das in der Praxissituation anzuwendende Vorwissen bezieht, also hier pPCK, besonders vorteilhaft ist. Die Ergebnisse der dritten Studie zeigen, dass eine situationsspezifische Anpassung des Scaffoldings effektiver ist als eine fixierte Anpassung. Diese Ergebnisse unterstreichen die Effektivität von personalisiertem Lernen, welches durch Simulationen ermöglicht werden kann. Obwohl die Beziehungen zwischen den Wissensbereichen des RCM of PCK grundsätzlich bestätigt werden konnten, fordern die Ergebnisse der Studien 2 und 3 eine Modifikation des ursprünglichen Models, in der, unter anderem, pPCK in die Mitte des Models gerückt wird, um seine Relevanz im Wissenserwerb hervorzuheben. Eine detaillierte Beschreibung und Abbildung des modifizierten RCM of PCK wird in der Dissertation diskutiert. Zur Erforschung von Anpassungs- und Personalisierungsstrategien in Simulationen wurden die aus Studie 1 und 2 gewonnenen Daten automatisiert mit Hilfe von keywords (= Fachbegriffe, die für den Aspekt biologiespezifischer Unterrichtsqualität in der Aufgabe in DiKoBi relevant sind) ausgewertet. Diese Auswertung über keywords kam zu den gleichen Ergebnissen wie die manuelle Auswertung durch menschliche Kodierer:innen mit Hilfe des Kodiermanuals. Dies könnte ein Ausgangspunkt für eine automatisierte Auswertung der Aufgaben in DiKoBi sein, wodurch sich Möglichkeiten zur Personalisierung von z.B. Scaffolds während der Aufgabenbearbeitung ergeben. Die Ergebnisse von Studie 3 unterstützen diese Entwicklung, da gezeigt werden konnte, dass eine situationsspezifische Anpassung der Scaffolds effektiver ist als eine fixierte Anpassung. Insgesamt tragen die Ergebnisse dieser Dissertation zu einem tieferen Verständnis von Scaffolding in digitalen Simulationen bei, indem sie empirische Belege für die Wirksamkeit verschiedener Scaffoldingtypen und -strategien liefert, die in die Simulation DiKoBi implementiert werden können. Die Simulation DiKoBi wurde erfolgreich als Tool zur Förderung des ePCK für angehende Lehrkräfte eingesetzt und bietet eine mögliche Lösung, um eine Brücke zwischen Unterrichtspraxis und Lehramtsausbildung zu bauen. Darüber hinaus tragen die Ergebnisse durch die Einführung eines modifizierten RCM of PCK zur Diskussion über das Professionswissen von Lehrkräften und dessen Förderung bei
Designing and optimizing deep learning methods for genomic sequencing data
Get PDFWhile modern deep learning techniques have significantly impacted fields such as natural language processing and computer vision, their application to biology still needs to be expanded. To bridge the gap between these fields, several deep learning approaches are proposed and tailored to genomics, based on recent advances in machine learning research and the characteristics of sequential genomic data. The main contributions of the dissertation aim at advancing several aspects of deep learning for sequential genomic data: self-supervised learning, uncertainty quantification, and automated model design or, more generally, optimization of architectures and hyperparameters.
A challenge that this thesis aims to address is the effective use of unlabeled genomic data to improve model performance. In this context, self-supervised approaches for sequential genomic data are investigated. These methods improve performance especially when the amount of labeled data is limited and the acquisition of large amounts of annotated data is not feasible due to factors such as increased cost. A major contribution of the thesis, Self-GenomeNet, is a self-supervised learning method tailored for genomic data, using reverse-complement sequences within self-supervised learning.
Another aspect explored in this thesis is the design and optimization of deep learning architectures and hyperparameters for genomics. While models such as ResNets or Visual Transformers are the standard architectures in computer vision and various transformer models such as BERT or GPT in natural language processing, there is still no consensus on a standard architecture in computational biology, a field with many different tasks and subfields. As a result, it can be difficult for researchers to train successful machine learning models in genomics using out-of-the-box architectures and hyperparameters. To address this problem, the first part of the thesis investigates automated model design methods. These methods optimize model architectures for the specific dataset and task. An important contribution of this work is a model-based optimization approach called GenomeNet-Architect, which simultaneously optimizes both the model architecture through proposed hyperparameters and the optimization hyperparameters. In another contribution of this thesis, various neural architecture search methods are optimized using our proposed search space and benchmarked against expert-designed architectures. Both papers suggest that automated architecture design methods find better models than those designed by experts.
Other contributions of this thesis deal with uncertainty quantification methods applied to genomic data. Applications in health and biology are often safety-critical, so the reliability of deep learning models should be investigated and improved. To this end, various uncertainty quantification methods for predicting regulatory activity are investigated, and a novel deep learning method for improving the calibration of predictions is studied in the context of sequential genomic data.
Finally, contributions are made to the development of user-friendly software that can handle different formats of genomic data, including the integration of key parts of several of the methods outlined in this thesis into this software.Obwohl moderne Deep-Learning-Techniken bereits einen großen Einfluss auf Bereiche wie die Verarbeitung natürlicher Sprache und maschinelle Bildverarbeitung haben, muss ihre Anwendung in der Biologie erst noch entwickelt werden. Um die Lücke zwischen diesen beiden Bereichen zu schließen, werden verschiedene Deep-Learning-Ansätze vorgeschlagen und auf die Genomik zugeschnitten, die auf den jüngsten Fortschritten in der maschinellen Lernforschung und den Eigenschaften sequenzieller Genomdaten basieren. Die Hauptbeiträge der Dissertation zielen darauf ab, verschiedene Aspekte des Deep Learning für sequenzielle Genomdaten voranzutreiben: selbstüberwachtes Lernen, Quantifizierung von Unsicherheiten und automatisiertes Modelldesign oder, allgemeiner, Optimierung von Architekturen und Hyperparametern.
Eine Herausforderung, die in dieser Arbeit angegangen werden soll, ist die effektive Nutzung unmarkierter Genomdaten zur Verbesserung der Modellleistung. In diesem Zusammenhang werden selbstüberwachende Ansätze für sequenzielle Genomdaten untersucht. Diese Methoden verbessern die Leistung insbesondere dann, wenn die Menge an markierten Daten begrenzt ist und die Beschaffung großer Mengen annotierter Daten aus Kostengründen nicht möglich ist. Ein wichtiger Beitrag der Arbeit, Self-GenomeNet, ist eine selbstüberwachte Lernmethode, die auf genomische Daten zugeschnitten ist und revers-komplementäre Sequenzen innerhalb des selbstüberwachten Lernens verwendet.
Ein weiterer Aspekt, der in dieser Arbeit untersucht wird, ist der Entwurf und die Optimierung von Deep-Learning-Architekturen und Hyperparametern für die Genomik. Während Modelle wie ResNets oder Visual Transformers Standardarchitekturen in der Computer Vision und verschiedene Transformatormodelle wie BERT oder GPT in der natürlichen Sprachverarbeitung sind, gibt es noch keinen Konsens über eine Standardarchitektur in der Computerbiologie, einem Gebiet mit vielen verschiedenen Aufgaben und Teilgebieten. Infolgedessen kann es für Forscher schwierig sein, erfolgreiche maschinelle Lernmodelle in der Genomik mit Standardarchitekturen und Hyperparametern zu trainieren. Um dieses Problem zu lösen, werden im ersten Teil der Arbeit Methoden zur automatischen Modellentwicklung untersucht. Diese Methoden optimieren Modellarchitekturen für den jeweiligen Datensatz und die jeweilige Aufgabenstellung. Ein wichtiger Beitrag dieser Arbeit ist ein modellbasierter Optimierungsansatz namens GenomeNet-Architect, der sowohl die Modellarchitektur durch vorgeschlagene Hyperparameter als auch die Optimierungshyperparameter gleichzeitig optimiert. In einem weiteren Beitrag dieser Arbeit werden verschiedene Suchmethoden für neuronale Architekturen, die den von uns vorgeschlagenen Suchraum nutzen, optimiert und mit von Experten entworfenen Architekturen verglichen. Beide Arbeiten deuten darauf hin, dass automatische Architekturentwurfsmethoden bessere Modelle finden als von Experten entworfene Modelle.
Weitere Beiträge dieser Arbeit befassen sich mit Methoden zur Quantifizierung von Unsicherheiten, die auf genomische Daten angewendet werden. Anwendungen im Bereich Gesundheit und Biologie sind oft sicherheitskritisch, weshalb die Zuverlässigkeit von Deep-Learning-Modellen untersucht und verbessert werden sollte. Zu diesem Zweck werden verschiedene Methoden zur Quantifizierung von Unsicherheiten bei der Vorhersage regulatorischer Aktivitäten untersucht und eine neue Deep-Learning-Methode zur Verbesserung der Kalibrierung von Vorhersagen im Kontext sequenzieller Genomdaten erforscht.
Schließlich wird ein Beitrag zur Entwicklung einer benutzerfreundlichen Software geleistet, die verschiedene Formate genomischer Daten verarbeiten kann, einschließlich der Integration wichtiger Teile mehrerer in dieser Arbeit vorgestellter Methoden in diese Software