OPUS - Volltextserver Universität Passau
Not a member yet
1021 research outputs found
Sort by
Stranger Danger? Drei Essays über Konsumentenvertrauen und Datenpreisgabe in Multi-Akteurs-Umgebungen
No full textTechnological advancements and digitalization in recent decades have led an increasing number of firms to recognize the value of multi-actor business models. Integrating third parties into business processes provides firms with several benefits, including access to additional resources, skills, and information. However, from the consumer’s perspective, the involvement of third parties, often unknown to the consumer, is frequently associated with uncertainty, privacy concerns, and, thus, a reluctance to engage with multi-actor business models. Such concerns are not unfounded: In many multi-actor environments, privacy-related misbehavior is common, whether caused by third-party firms, network users, or other actors. Incidents range from unauthorized data sharing to illegal surveillance, identity theft, and financial fraud. Consumers’ skepticism poses challenges for firms, requiring strategic measures that not only foster consumer engagement with the network but also help build trust in the presence of third-party involvement and manage the consequences of trust erosion following negative third-party experiences. While privacy research recognizes consumer concerns in multi-actor environments, the literature does not offer specific business strategies to encourage data disclosure in the context of third-party involvement. Instead, research on multi-actor business models has largely focused on the benefits of shared value creation, while the broader impact of negative third-party privacy-related incidents on the overall actor-network remains underexplored.
This dissertation addresses this research gap through three independent essays, aiming to identify business strategies that enhance consumer trust and willingness to disclose data in multi-actor environments and counteract the negative effects of (potential) third-party misbehavior on the actor-network. It focuses on preventive measures that address consumers’ concerns before interacting with the actor-network, as well as reactive strategies that are designed to maintain consumers’ engagement with an actor-network after a negative experience with one of the actors.
As a first step toward identifying effective business strategies in multi-actor environments, Essay 1 examines two mechanisms: transparency and control, commonly used to foster consumers’ willingness to disclose data. While not explicitly framed as a multi-actor study, Essay 1 investigates how firms’ implementation of transparency and control features regarding data practices influences consumers’ willingness to disclose data. Two online scenario experiments compare a proactive approach, where consumers receive all relevant information and control options upfront, with an upon-request approach, where they access details by clicking for more information. The results show that the proactive approach increases cognitive effort and reduces data disclosure, while perceptions of procedural fairness do not significantly differ between the approaches. This pattern also holds in high-sensitivity conditions involving third-party data sharing, suggesting that the upon-request approach is effective across both single-actor and multi-actor environments.
Building on these findings, Essay 2 analyzes how the representation of actor-networks influences consumers’ willingness to disclose data. Drawing on social psychology research on perceived entitativity, three online scenario experiments show that consumers trust firm networks more when they perceive them as highly entitative - as cohesive and integrated entities - rather than as low entitative, meaning a loose collection of independent firms. This greater trust, in turn, enhances their willingness to disclose personal data. Moreover, the analyses reveal that consumers process information about highly entitative firm networks more fluently and experience lower uncertainty than when engaging with low-entitativity networks. This essay also holds substantial practical significance by identifying concrete design recommendations to enhance perceived entitativity.
In Essay 3, a platform is conceptualized as a multi-actor environment that enables peer-to-peer interactions. This essay investigates how consumers’ negative experiences with other users in multi-actor environments affect trust in the platform as a whole. Two studies were conducted in the home-sharing context, where consumers grant deep access to their privacy by allowing others into their homes or by sharing images of their private living spaces, addresses, and payment details. This openness entails inherent risks when interacting with other users and may facilitate misbehavior. The findings reveal a negative bottom-up trust transfer, whereby a negative experience with another user leads to diminished trust in the misbehaving user and, subsequently, in the platform. Although the platform does not directly control user behavior, consumers attribute part of the responsibility for negative incidents to the platform, which in turn reduces loyalty. This effect is stronger for negative outcome-related incidents, which pertain to the core service itself, than for negative process-related incidents, which relate to the service delivery process. To effectively mitigate this erosion of loyalty, Essay 3 identifies high prior relationship satisfaction between the consumer and the platform as a key buffering mechanism in which firms should actively invest.
The insights from my dissertation extend privacy research by examining multi-actor environments and analyzing how firms can encourage consumers to disclose personal data, which psychological mechanisms guide their decision-making, and how trust is established and transferred within the network. Furthermore, this dissertation raises corporate awareness of the risks associated with the involvement of third parties in multi-actor settings. It provides practical strategies to mitigate these risks, fostering consumer acceptance and ensuring the long-term success of such business models.Technologische Fortschritte und die zunehmende Digitalisierung der letzten Jahrzehnte haben dazu geführt, dass immer mehr Unternehmen den Wert von Multi-Akteurs-Geschäftsmodellen erkennen. Die Integration von Drittakteuren in Geschäftsprozesse bietet Unternehmen zahlreiche Vorteile, darunter den Zugang zu zusätzlichen Ressourcen, Kompetenzen und Informationen. Aus Konsumentensicht ist die Einbindung von Drittparteien, die den Konsumenten häufig unbekannt sind, jedoch oftmals mit Unsicherheit und Datenschutzbedenken verbunden und führt folglich zu einer geringeren Bereitschaft, mit Multi-Akteurs-Geschäftsmodellen zu interagieren. Diese Bedenken sind nicht unbegründet: In vielen Multi-Akteurs-Umgebungen ist datenschutzbezogenes Fehlverhalten weit verbreitet, unabhängig davon, ob es von Drittunternehmen, Netzwerknutzern oder anderen Akteuren ausgeht. Die Vorfälle reichen von unautorisierter Datenweitergabe über illegale Überwachung und Identitätsdiebstahl bis hin zu finanziellem Betrug.
Die Skepsis der Konsumenten stellt Unternehmen vor erhebliche Herausforderungen und erfordert strategische Maßnahmen, die nicht nur die Interaktion der Konsumenten mit dem Netzwerk fördern, sondern auch Vertrauen trotz der Einbindung von Drittakteuren aufbauen und die Folgen von Vertrauensverlusten nach negativen Erfahrungen mit Drittparteien abfedern. Zwar erkennt die Datenschutzforschung Konsumentenbedenken in Multi-Akteurs-Umgebungen an, die bestehende Literatur bietet jedoch kaum konkrete unternehmerische Strategien zur Förderung der Datenpreisgabe im Kontext von Drittparteien. Stattdessen konzentriert sich die Forschung zu Multi-Akteurs-Geschäftsmodellen bislang überwiegend auf die Vorteile gemeinsamer Wertschöpfung, während die umfassenderen Auswirkungen negativer, datenschutzbezogener Vorfälle durch Drittakteure auf das gesamte Akteursnetzwerk weitgehend unerforscht bleiben.
Diese Dissertation adressiert diese Forschungslücke in drei eigenständigen Essays mit dem Ziel, unternehmerische Strategien zu identifizieren, die das Vertrauen der Konsumenten und ihre Bereitschaft zur Datenpreisgabe in Multi-Akteurs-Umgebungen stärken sowie die negativen Effekte (potenziellen) Fehlverhaltens von Drittakteuren auf das Akteursnetzwerk abmildern. Der Fokus liegt dabei sowohl auf präventiven Maßnahmen, die Konsumentenbedenken bereits vor der Interaktion mit dem Akteursnetzwerk adressieren, als auch auf reaktiven Strategien, die darauf abzielen, das Engagement der Konsumenten nach einer negativen Erfahrung mit einem der Akteure aufrechtzuerhalten.
Als ersten Schritt zur Identifikation wirksamer Strategien in Multi-Akteurs-Umgebungen untersucht Essay 1 zwei etablierte Mechanismen zur Förderung der Datenpreisgabebereitschaft von Konsumenten: Transparenz und Kontrolle. Obwohl Essay 1 nicht explizit als Multi-Akteurs-Studie konzipiert ist, analysiert er, wie die Umsetzung von Transparenz- und Kontrollmechanismen in Bezug auf Datenpraktiken die Bereitschaft der Konsumenten zur Datenpreisgabe beeinflusst. Zwei Online-Szenarioexperimente vergleichen einen proaktiven Ansatz, bei dem Konsumenten alle relevanten Informationen und Kontrollmöglichkeiten unmittelbar erhalten, mit einem Upon-Request-Ansatz, bei dem weiterführende Informationen erst durch aktives Anklicken zugänglich sind. Die Ergebnisse zeigen, dass der proaktive Ansatz den kognitiven Aufwand erhöht und die Datenpreisgabe reduziert, während sich die Wahrnehmung prozeduraler Fairness zwischen den Ansätzen nicht signifikant unterscheidet. Dieses Muster zeigt sich auch in Hochsensitivitätsbedingungen, die eine Datenweitergabe an Drittparteien beinhalten, was darauf hindeutet, dass der Upon-Request-Ansatz sowohl in Single-Actor- als auch in Multi-Akteurs-Umgebungen effektiv ist.
Aufbauend auf diesen Ergebnissen analysiert Essay 2, wie die Darstellung von Akteursnetzwerken die Bereitschaft der Konsumenten zur Datenpreisgabe beeinflusst. In Anlehnung an sozialpsychologische Forschung zur wahrgenommenen Entitativität zeigen drei Online-Szenarioexperimente, dass Konsumenten Netzwerken von Unternehmen stärker vertrauen, wenn sie diese als hoch entitativ – also als kohäsive und integrierte Einheiten – wahrnehmen, im Vergleich zu niedrig entitativen Netzwerken, die als lose Zusammenschlüsse unabhängiger Unternehmen erscheinen. Dieses erhöhte Vertrauen steigert wiederum die Bereitschaft zur Preisgabe persönlicher Daten. Darüber hinaus zeigen die Analysen, dass Konsumenten Informationen über hoch entitative Unternehmensnetzwerke fließend verarbeiten und geringere Unsicherheit empfinden als bei niedrig entitativen Netzwerken. Dieser Essay besitzt zudem eine hohe praktische Relevanz, da er konkrete Gestaltungsempfehlungen zur Erhöhung der wahrgenommenen Entitativität identifiziert.
In Essay 3 wird eine Plattform als Multi-Akteurs-Umgebung konzeptualisiert, die Peer-to-Peer-Interaktionen ermöglicht. Der Essay untersucht, wie negative Erfahrungen von Konsumenten mit anderen Nutzern in Multi-Akteurs-Umgebungen das Vertrauen in die Plattform als Ganzes beeinflussen. Zwei Studien wurden im Kontext der privaten Wohnraumvermietung durchgeführt, in dem Konsumenten tiefgehenden Zugang zu ihrer Privatsphäre gewähren, indem sie anderen Personen Zutritt zu ihren Wohnungen erlauben oder Bilder privater Wohnräume, Adressdaten und Zahlungsinformationen teilen. Diese Offenheit ist mit inhärenten Risiken verbunden und kann Fehlverhalten durch andere Nutzer begünstigen. Die Ergebnisse zeigen einen negativen Bottom-up-Vertrauenstransfer: Eine negative Erfahrung mit einem anderen Nutzer führt zu einem Vertrauensverlust gegenüber dem fehlhandelnden Nutzer und in der Folge auch gegenüber der Plattform. Obwohl die Plattform das Verhalten der Nutzer nicht direkt kontrolliert, schreiben Konsumenten ihr dennoch eine Mitschuld an negativen Vorfällen zu, was die Loyalität gegenüber der Plattform verringert. Dieser Effekt ist stärker bei ergebnisbezogenen Vorfällen, die den Kern der Dienstleistung betreffen, als bei prozessbezogenen Vorfällen, die sich auf die Leistungserbringung beziehen. Um dieser Loyalitätserosion wirksam entgegenzuwirken, identifiziert Essay 3 eine hohe vorherige Beziehungszufriedenheit zwischen Konsument und Plattform als zentralen Puffermechanismus, in den Unternehmen gezielt investieren sollten.
Die Erkenntnisse dieser Dissertation erweitern die Datenschutzforschung, indem sie Multi-Akteurs-Umgebungen in den Fokus rücken und analysieren, wie Unternehmen Konsumenten zur Preisgabe persönlicher Daten motivieren können, welche psychologischen Mechanismen ihre Entscheidungsprozesse steuern und wie Vertrauen innerhalb von Netzwerken entsteht und übertragen wird. Darüber hinaus schärft die Dissertation das Bewusstsein von Unternehmen für die Risiken, die mit der Einbindung von Drittakteuren in Multi-Akteurs-Konstellationen verbunden sind. Sie liefert praxisnahe Strategien zur Reduktion dieser Risiken, fördert die Akzeptanz solcher Geschäftsmodelle bei Konsumenten und trägt damit zu deren langfristigem Erfolg bei
The Literate Human in the Loop: AI Feedback in Higher Education
No full textThis cumulative dissertation, titled "The Literate Human in the Loop: AI Feedback in Higher Education," investigates the integration of Artificial Intelligence (AI) feedback systems within academic settings and the critical role of user competence
Einbettung und Charakterisierung von aligned bar 1-visibility Graphen und outer fan free Graphen
No full textIn dieser Arbeit werden drei verschiedene Klassen von Graphen untersucht. Die Klassen sind die bar (1;1)-visibilty Graphen, die aligned bar 1-visibility Graphen und die outer fan free Graphen. Die Klassen werden durch ihre möglichen Einbettungen charakterisiert.
Die Repräsentation der bar (1; j)-visibility Graphen ist, dass jeder Knoten als horizontaler Strich und jede Kante als vertikaler Strich gezeichnet wird. Eine Kante kann einen Knoten genau einmal schneiden und ein Knoten kann j-mal geschnitten werden. Wir erweitern die Ergebnisse von Dean et. al. und geben Beispiele mit einer maximalen Dichte an für bar (1; 2)-visibility, bar (1; 3)-visibility und bar (1; 4)-visibility Graphen und geben einen maximal dünnen Graphen für die Klasse der bar (1;1) visibility Graphen an. Wir zeigen, dass die Klassen der bar (1; j)-visibility Graphen für 1 < j < 1eine unendliche Hierarchie bilden. Abschließend beweisen wir, dass das Erkennungsproblem ob ein Graph eine bar (1;1)-visibility Repräsentation hat, NP-vollständig ist.
Die Klasse der aligned bar 1-visibility Graphen (AB1V ) erhält man, indem man die bar (1;1)-visibility Repräsentation um 90 Grad dreht und alle Knoten verlängert, so dass diese alle mit der y-Koordinate 0 starten. Die relative Position bzgl. der x-Koordinate wird mit der t-Ordnung beschrieben und mit der r-Ordnung die relative Position bzgl. der y-Koordinate. Wir erweitern die Erkenntnisse von Felsner und Massow für die Klasse der AB1V Graphen bzgl. ihrer maximalen Dichte, der minimale Grad eines Knotens. Wir führen die Methode Pfadaddition ein, um anhand deren Abschlusseigenschaften zu unterscheiden, ob ein Graph in einer Klasse liegt oder nicht. Diese Methode nutzen wir, um die Beziehung der Klasse der AB1V Graphen mit anderen Klassen zu untersuchen.
Für die Klasse der maximalen Graphen geben wir einen dünnen Graphen und eine untere Schranke bzgl. der Dichte an. Wir geben einen Algorithmus an, welcher eine Bucheinbettung aus einer AB1V Einbettung berechnet. Für die Klassen der optimalen AB1V Graphen geben wir einen Einbettungsalgorithmus an. Wir verbessern den Erkennungsalgorithmus von Felsner und Massow, ob ein Graph mit einer gegebenen t-Ordnung eine AB1V Einbettung besitzt. Für die Klasse der distinkt strong AB1V Graphen, Graphen in der jeder Knoten ein unterschiedliche r-Ordnung hat und maximal für die r-Ordnung ist, geben wir einen Algorithmus an, der in O(n6) eine mögliche Einbettung berechnet. Zum Schluss zeigen wir für diese Klasse, dass es exponentiell viele verschiedene Einbettungen gibt.
Ein Graph hat eine outer fan free Einbettung, wenn alle Knoten inzident zu einer Fläche sind und keine Kante von zwei Kanten geschnitten wird, die adjazent zu einem Knoten sind. Wir untersuchen diese Klasse zuerst auf die Dichte. Weiter erforschen wir die Beziehung zwischen den Klassen der AB1V , RAC und k-planaren Graphen. Abschließend geben wir eine Reduktion von NAE-3-SAT auf das Erkennungsproblem von outer fan free Graphen an
Structure-aware Deep Learning
No full textGraph structures permeate the digital landscape in explicit and implicit forms. They connect or construct artifacts by combining semantic and structural information. We also observe them in the systems designed to process this data, in their learning algorithms and the very nature of the tasks they solve. At the same time, machine learning methods are extremely data-hungry, requiring petabytes of data for training.
Due to their complexity, graphs remain an under-utilized resource in this regard. Many approaches cannot incorporate them due to being fully structurally unaware or not suited to the specific flavour of graphs encountered in some domains. This disconnect is sub-optimal from an effectiveness and efficiency perspective. We present methods that extend the scope of structure-aware deep learning through structural knowledge integration and enrichment, structural performance prediction, and synergistic transfer learning.
Knowledge graphs organize information and make it directly available for querying. They provide a structured inference interface for manual and automated inspection, though they can suffer from data quality issues and require careful schema design. We rephrase the reconciliation of knowledge in knowledge graphs as a link prediction task, making it tractable with adapted graph neural networks, while also benefiting conventional link prediction tasks.
We further combine textual semantics and structural expression for legal reference prediction via adapted heterogeneous graph neural networks operating on complex meta-information enriched graphs. Additionally, we explore methods for the integration of intermediary expressions in strongly typed heterogeneous graphs, improving prediction via meta-path-based processing.
We also develop methods for automated machine learning workflow analysis and performance prediction. This includes the learning of salient representations for management as well as improvement of workflows through automatic suggestion and refinement of components. These are then extended to the prediction of Neural Architecture Search performance prediction, including adaptation to operation-on-edge spaces.
Finally, we investigate the transfer capability of pre-trained attention structures for text-based prediction tasks and find it to be both inferior to directly optimized attention masks as well as highly dependent on inherent domain knowledge. We also show that the exploitation of hierarchical task formulation can improve prediction performance through joint learning in diverse learning domains, including link prediction, performance prediction, and specialized and general argumentation mining.
The dissertation contains previously published or submitted texts:
Wendlinger, L., Hübscher, G., Ekelhart, A., Granitzer, M. (2022). Reconciliation of Mental Concepts with Graph Neural Networks. In: Strauss, C., Cuzzocrea, A., Kotsis, G., Tjoa, A.M., Khalil, I. (eds): Database and Expert Systems Applications. DEXA 2022. Lecture Notes in Computer Science, vol 13427, p 133-146. Springer, Cham. https://doi.org/10.1007/978-3-031-12426-6_11;
Wendlinger, L., Granitzer M. (2024). Informed Heterogeneous Attention Networks for Metapath Based Learning. In: SAC '24: Proceedings of the 39th ACM/SIGAPP Symposium on Applied Computing, p 458-465, ACM, New York. https://doi.org/10.1145/3605098.3635890;
Wendlinger, L., Nonn, S.A., Al Zubaer, A., Granitzer, M. (2026). The Missing Link: Joint Legal Citation Prediction Using Heterogeneous Graph Enrichment. In: Wrembel, R., Kotsis, G., Tjoa, A.M., Khalil, I. (eds) Database and Expert Systems Applications. DEXA 2025. Lecture Notes in Computer Science, vol 16047, p 197-211. Springer, Cham. https://doi.org/10.1007/978-3-032-02088-8_14;
Wendlinger, L., Stier, J., Granitzer, M. (2021). Evofficient: Reproducing a Cartesian Genetic Programming Method. In: Hu, T., Lourenço, N., Medvet, E. (eds) Genetic Programming. EuroGP 2021. Lecture Notes in Computer Science, vol 12691, p 162-178. Springer, Cham. https://doi.org/10.1007/978-3-030-72812-0_11;
Wendlinger, L., Berndl, E., Granitzer, M. (2021). Methods for Automatic Machine-Learning Workflow Analysis. In: Dong, Y., Kourtellis, N., Hammer, B., Lozano, J.A. (eds) Machine Learning and Knowledge Discovery in Databases. Applied Data Science Track. ECML PKDD 2021. Lecture Notes in Computer Science, vol 12979, p 52-67. Springer, Cham. https://doi.org/10.1007/978-3-030-86517-7_4;
Wendlinger, L., Granitzer, M., Fellicious, C. (2023). Pooling Graph Convolutional Networks for Structural Performance Prediction. In: Nicosia, G., et al. (eds) Machine Learning, Optimization, and Data Science. LOD 2022. Lecture Notes in Computer Science, vol 13811, p 1-16. Springer, Cham. https://doi.org/10.1007/978-3-031-25891-6_1;
Wendlinger, L., Braun, C., Zubaer, A., Nonn, S., Großkopf, S., Fellicious, C., Granitzer, M.: On the Suitability of pre-trained foundational LLMs for Analysis in German Legal Education, submitted to the proceedings of the International Conference on Machine Learning, Optimization, and Data Science 2025, preprint published: https://doi.org/10.48550/arXiv.2412.15902;
Wendlinger, L., Kuhn, R., Mitrovic, J., Granitzer, M. (2025). Joint Learning for Efficient German Argument Mining. In: 2025 IEEE 37th International Conference on Tools with Artificial Intelligence (ICTAI), Athens, Greece, 2025, p 770-777. IEEE, Los Alamitos. https://doi.org/10.1109/ICTAI66417.2025.00111.Graphenstrukturen durchdringen die digitale Landschaft in expliziten und impliziten Formen. Sie verbinden oder konstruieren Artefakte, indem sie semantische und strukturelle Informationen kombinieren. Wir beobachten sie auch in den Systemen, die zur Verarbeitung dieser Daten entwickelt wurden, in ihren Lernalgorithmen und in der Art der Aufgaben, die sie lösen. Gleichzeitig sind die Methoden des maschinellen Lernens extrem datenhungrig und benötigen Petabytes an Daten für das Training.
Aufgrund ihrer Komplexität bleiben Graphen in dieser Hinsicht eine unzureichend genutzte Ressource. Viele Ansätze können sie nicht einbeziehen, weil sie die Struktur der Graphen nicht kennen oder nicht für die spezielle Art von Graphen geeignet sind, die in einigen Bereichen vorkommen. Diese Trennung ist aus Sicht der Effektivität und Effizienz suboptimal. Wir stellen Methoden vor, die den Anwendungsbereich des strukturbewussten Deep Learning durch strukturelle Wissensintegration und -anreicherung, strukturelle Leistungsvorhersage und synergetisches Transferlernen erweitern.
Wissensgraphen organisieren Informationen und machen sie direkt für Abfragen verfügbar. Sie bieten eine strukturierte Inferenzschnittstelle für die manuelle und automatische Überprüfung, obwohl sie unter Problemen der Datenqualität leiden können und ein sorgfältiges Schemadesign erfordern. Wir formulieren den Abgleich von Wissen in Wissensgraphen als eine Aufgabe der Kantenvorhersage um, die mit angepassten neuronalen Netzen für Graphen durchführbar ist und auch konventionellen Kantenvorhersageaufgaben zugute kommt.
Darüber hinaus kombinieren wir Textsemantik und strukturelle Ausdrücke für die Vorhersage rechtlicher Verweise mit Hilfe angepasster heterogener Graph neuronaler Netze, die auf komplexen, mit Metainformationen angereicherten Graphen arbeiten. Darüber hinaus erforschen wir Methoden zur Integration von intermediären Ausdrücken in stark typisierten heterogenen Graphen und verbessern die Vorhersage durch metapfadbasierte Verarbeitung.
Wir entwickeln auch Methoden für die automatische Analyse von Prozessbeschreibungen und Leistungsvorhersagen für maschinelles Lernen. Dies beinhaltet das Lernen von bedeutungsvollen Repräsentationen für das Management sowie die Verbesserung von Prozessbeschreibungen durch automatische Vorschläge und Verfeinerung von Komponenten. Diese Methoden werden dann auf die Leistungsvorhersage der neuronalen Architektursuche ausgeweitet, einschließlich der Anpassung an die Operation-on-Edge-Räume.
Schließlich untersuchen wir die Transferfähigkeit von vortrainierten Aufmerksamkeitsstrukturen für textbasierte Vorhersageaufgaben und stellen fest, dass diese sowohl den direkt optimierten Aufmerksamkeitsmasken unterlegen sind als auch in hohem Maße vom inhärenten Domänenwissen abhängen. Wir zeigen auch, dass die Ausnutzung hierarchischer Aufgabenformulierung die Vorhersageleistung durch gemeinsames Lernen in verschiedenen Lernbereichen verbessern kann, einschließlich Kantenvorhersage, Leistungsvorhersage und spezialisierter und allgemeiner Argumentationsanalyse.
Die Dissertation beinhaltet bereits veröffentlichte oder zur Veröffentlichung vorgesehene Texte:
Wendlinger, L., Hübscher, G., Ekelhart, A., Granitzer, M. (2022). Reconciliation of Mental Concepts with Graph Neural Networks. In: Strauss, C., Cuzzocrea, A., Kotsis, G., Tjoa, A.M., Khalil, I. (Hgg.): Database and Expert Systems Applications. DEXA 2022. Lecture Notes in Computer Science, vol 13427, S. 133-146. Springer, Cham. https://doi.org/10.1007/978-3-031-12426-6_11;
Wendlinger, L., Granitzer M. (2024). Informed Heterogeneous Attention Networks for Metapath Based Learning. In: SAC '24: Proceedings of the 39th ACM/SIGAPP Symposium on Applied Computing, S. 458-465, ACM, New York. https://doi.org/10.1145/3605098.3635890;
Wendlinger, L., Nonn, S.A., Al Zubaer, A., Granitzer, M. (2026). The Missing Link: Joint Legal Citation Prediction Using Heterogeneous Graph Enrichment. In: Wrembel, R., Kotsis, G., Tjoa, A.M., Khalil, I. (Hgg.) Database and Expert Systems Applications. DEXA 2025. Lecture Notes in Computer Science, vol 16047, S. 197-211. Springer, Cham. https://doi.org/10.1007/978-3-032-02088-8_14;
Wendlinger, L., Stier, J., Granitzer, M. (2021). Evofficient: Reproducing a Cartesian Genetic Programming Method. In: Hu, T., Lourenço, N., Medvet, E. (Hgg.) Genetic Programming. EuroGP 2021. Lecture Notes in Computer Science, vol 12691, S. 162-178. Springer, Cham. https://doi.org/10.1007/978-3-030-72812-0_11;
Wendlinger, L., Berndl, E., Granitzer, M. (2021). Methods for Automatic Machine-Learning Workflow Analysis. In: Dong, Y., Kourtellis, N., Hammer, B., Lozano, J.A. (Hgg.) Machine Learning and Knowledge Discovery in Databases. Applied Data Science Track. ECML PKDD 2021. Lecture Notes in Computer Science, vol 12979, S. 52-67. Springer, Cham. https://doi.org/10.1007/978-3-030-86517-7_4;
Wendlinger, L., Granitzer, M., Fellicious, C. (2023). Pooling Graph Convolutional Networks for Structural Performance Prediction. In: Nicosia, G., et al. Machine Learning, Optimization, and Data Science. LOD 2022. Lecture Notes in Computer Science, vol 13811, S. 1-16. Springer, Cham. https://doi.org/10.1007/978-3-031-25891-6_1;
Wendlinger, L., Braun, C., Zubaer, A., Nonn, S., Großkopf, S., Fellicious, C., Granitzer, M.: On the Suitability of pre-trained foundational LLMs for Analysis in German Legal Education, eingereicht für die Proceedings der International Conference on Machine Learning, Optimization, and Data Science 2025, vorab veröffentlicht: https://doi.org/10.48550/arXiv.2412.15902;
Wendlinger, L., Kuhn, R., Mitrovic, J., Granitzer, M. (2025). Joint Learning for Efficient German Argument Mining. In: 2025 IEEE 37th International Conference on Tools with Artificial Intelligence (ICTAI), Athens, Greece, 2025, S. 770-777. IEEE, Los Alamitos. https://doi.org/10.1109/ICTAI66417.2025.00111
Multidimensional Wavelets and Neural Networks
No full textThe construction of scaling functions and wavelets in multiple dimensions and for arbitrary scaling matrices is a challenging task entailing some complexities. Existing approaches mainly focus on the two-dimensional case using dyadic or quincunx sampling. This thesis aims to develop a method to construct multidimensional scaling and wavelet filters yielding orthogonal scaling functions and wavelets under the usage of convolutional neural networks.
We start by recalling substantial fundamentals of ideals, modules, Fourier analysis, filterbanks and multiresolution analyses, where the mentioned concepts are already considered in an arbitrary dimensional setting to prepare the proof of the main result.
There, we show the connection between multivariate scaling functions and multidimensional filters possessing certain properties. This enables us to construct scaling functions and corresponding wavelets by discrete filter design. Exploiting the link between the discrete wavelet decomposition, filterbanks and neural networks, we utilize the latter to do so.
Being the main difficulty of this process, we especially focus on the Cohen criterion, which concerns the zeros of the Fourier transform of the scaling filter in modulus representing a multivariate trigonometric polynomial. After transferring the Bernstein inequality for univariate
trigonomic polynomials to multiple dimensions, we present a method to derive a finite set of inequality constraints implying that the Cohen criterion holds true for a given multivariate cosine sum.
Afterwards, we introduce neural networks and TensorFlow as the main tools to execute the described approach, formulate the described objective as an optimization problem and present some smaller numerical experiments and their results.
A second objective of this thesis is the construction of filters possessing a unimodular modulation vector and therefore the ability to be completed to a perfect reconstruction filterbank. Both - the construction and the filterbank completion - can also be considered in a neural network framework as we will detail in the last section of this thesis alongside with the presentation of corresponding numerical experiments.
In the context of filterbank completion, a further observation which allows to complete any given interpolatory filter to a perfect reconstruction filterbank in a very intuitive and simple way is presented. Furthermore, we explain that any given unimodular filter can be rendered interpolatory through prefiltering
Förderung situativer, aufgabenbezogener Emotionen von Studierenden durch eine Value-Intervention
No full textEmotionen spielen eine wesentliche Rolle für Motivation, Leistung und erfolgreiches Lernen (vgl. z.B. Pekrun et al., 2002; Pekrun & Perry, 2014). Forschungsergebnisse zeigen jedoch, dass positive Emotionen wie Lernfreude im Bildungsverlauf tendenziell abnehmen, während negative Emotionen wie Angst oder Langeweile zunehmend auftreten (Vierhaus et al., 2016). Trotz verschiedener theoretischer Ansätze zur Emotionsregulation und Emotionsintervention steckt die empirische Forschung in diesem Bereich noch in den Anfängen. Bestehende Interventionen konzentrieren sich hauptsächlich auf Prüfungsangst und stehen häufig vor Herausforderungen hinsichtlich ihrer nachhaltigen Wirksamkeit (z.B. Hagenauer, Klaß & Gläser-Zikuda, 2016) sowie ihrer praktischen Implementierbarkeit (z.B. Brandenberger, Hagenauer & Hascher, 2018).
Die vorliegende Studie untersucht die Effekte einer Utility-Value-Intervention auf das situative, aufgabenbezogene emotionale Erleben von Studierenden. Da Value-Interventionen (z.B. Harackiewicz et al., 2014) auf eine Verbesserung der subjektiven Kontroll- und Wert-Einschätzungen von Leistungsaktivitäten durch wertinduktive Prompts abzielen, wurde auf Grundlage der Kontroll-Wert-Theorie (Pekrun, 2000, 2006) angenommen, dass sich diese Intervention über die Modulation von Kontroll- und Wert-Appraisals positiv auf die Entstehung von Leistungsemotionen auswirkt.
Im Rahmen eines experimentellen Within-Subjects-Designs erhielten 312 Lehramtsstudierende aus zwei Online-Seminaren („Leistungsemotionen“ und „Klassenführung“) über den Verlauf eines Semesters jeweils drei Utility-Value-Treatments. Die Intervention umfasste sowohl direkte als auch indirekte Prompts: Erstere stellten mittels Advance Organizers die Relevanz der in der Lernaufgabe geförderten Kompetenzen explizit heraus, während Letztere in relevanzinduzierende Aufgaben eingebettet waren. In diesen Aufgaben entwickelten die Studierenden durch die Evaluation von Zitaten eigenständige Relevanzargumente (vgl. Gaspard et al., 2017). Zur Erfassung situativer Emotionen sowie von Valenz- und Kontrollkognitionen wurden Fragebögen sowohl zu Treatment- als auch zu Non-Treatment-Messzeitpunkten eingesetzt.
Die Ergebnisse einer Conditional Process Analysis mit Mehrebenendaten (Hayes, 2018) offenbarten zeitabhängige Effekte: In der Substichprobe „Klassenführung“ wirkte sich das Treatment zu Beginn des Semesters zunächst negativ auf das emotionale Erleben aus, während es gegen Semesterende eine positive Wirkung entfaltete. In der Substichprobe „Leistungsemotionen“ zeigte sich hingegen ein gegensätzliches Muster. Darüber hinaus variierte der Mediationsprozess: Während in der Substichprobe „Klassenführung“ primär Valenzkognitionen zur Vermittlung der Effekte beitrugen, wurde in der Substichprobe „Leistungsemotionen“ eine Mediation über Kontrollkognitionen beobachtet.
Die Befunde verdeutlichen die Relevanz kontextueller Faktoren für die Wirksamkeit einer Utility-Value-Intervention zur Förderung des situativen emotionalen Erlebens und liefern wertvolle Impulse für die Weiterentwicklung zielgerichteter Interventionsstrategien.Emotions play a crucial role in motivation, performance, and successful learning (e.g., Pekrun et al., 2002; Pekrun & Perry, 2014). However, research indicates that while positive academic emotions (e.g., enjoyment of learning) tend to decline over time, negative emotions (e.g., test anxiety, boredom) increase (Vierhaus et al., 2016). Despite various theoretical approaches to emotion regulation and emotion interventions, empirical research in this field is still in its early stages. Existing interventions primarily target test anxiety and often face challenges regarding long-term effectiveness (e.g., Hagenauer, Klaß & Gläser-Zikuda, 2016) and practical implementation (e.g., Brandenberger, Hagenauer & Hascher, 2018).
This study explores the impact of a utility-value intervention on students' situational, task-related emotions by fostering subjective control and value appraisals during learning tasks. Following the Control-Value Theory of Achievement Emotions (Pekrun, 2000, 2006), it was hypothesized that integrating value-inducing prompts into learning tasks would influence students’ emotional experiences.
An experimental study with a within-subjects design was conducted with 321 pre-service teachers enrolled in two online courses ("Achievement Emotions" and "Classroom Management"). Participants received three Utility-Value Treatments throughout the semester, incorporating both direct and indirect prompts. The direct prompts were provided through advance organizers, which explicitly highlighted the relevance of the targeted competencies in the learning task. Indirect prompts were embedded in relevance-inducing tasks that encouraged students to self-generate relevance arguments by evaluating quotations (see Gaspard et al., 2017). Situational emotions, value appraisals, and control appraisals were assessed via questionnaires at treatment and non-treatment measurement points.
Results from a Conditional Process Analysis (Hayes, 2018) with multilevel data revealed time-dependent effects: In the "Classroom Management" course, emotions were initially more negative during the intervention but were reported as more positive at later measurement points, while the "Achievement Emotions" course showed the opposite pattern. The mediation mechanisms also differed: Value appraisals played a stronger role in the "Classroom Management" group, whereas control appraisals mediated effects in the "Achievement Emotions" group.
These findings underscore the significance of contextual factors in the efficacy of value interventions for fostering situational, task-related emotions and suggest directions for future research to further strengthen empirical evidence and refine intervention strategies
Moralische Entscheidung in virtuellen Handlungswelten. Verantwortliche Vermittlung gesellschaftlich relevanter Themen im Videospiel
No full textDie vorliegende Arbeit untersucht die verantwortliche Vermittlung gesellschaftlich relevanter Themen im Medium des digitalen Spiels. Als generationenübergreifendes und interaktives Medium eröffnen digitale Spiele durch die Verknüpfung von Narration und Interaktion die Möglichkeit, alternative Perspektiven einzunehmen und neue Rollen zu erproben. Auf Basis von vier Teilstudien wird der Frage nachgegangen, wie gesellschaftlich bedeutsame Inhalte in digitalen Spielen verantwortungsvoll gestaltet und vermittelt werden können.
Die erste Teilstudie identifiziert zentrale Nutzungsmotive und weist Spielende als potenzielle moralische Handlungsträger (Moral Agents) aus. Sie zeigt auf, dass moralische Dilemmata, die innerhalb virtueller Spielwelten erfahren werden, Relevanz für moralische Urteilsbildungsprozesse in der realen Welt entfalten können. Die zweite Teilstudie knüpft an diese Erkenntnisse an und untersucht anhand von Expert:inneninterviews das Potenzial digitaler Spiele für eine digitale Erinnerungskultur. Die dritte Teilstudie entwickelt ein Modell für die gelingende Vermittlung gesellschaftlich relevanter Themen im digitalen Spiel. Hierbei wird insbesondere die integrative Funktion von Narration und Interaktion als zentrales Gestaltungsprinzip herausgestellt. Die vierte Teilstudie erweitert dieses Modell um die Dimension der Ästhetik, die als konstitutives Element der Wirklichkeitswahrnehmung und Sinnkonstitution innerhalb virtueller Spielräume fungiert.
Die Ergebnisse verdeutlichen, dass für eine verantwortungsvolle Vermittlung gesellschaftlich relevanter Inhalte im digitalen Spiel eine digitale Moral Agency erforderlich ist. Diese befähigt Spielende dazu, moralisch zu handeln und das eigene Handeln kritisch zu reflektieren. Die Verbindung von Narration und Interaktion erweist sich dabei als zentrales Mittel zur Initiierung von Perspektivwechseln, zur Übernahme fremder Rollen und zur Förderung reflexiver Prozesse. Ästhetisierungsprozesse innerhalb der Spielwelten tragen wesentlich dazu bei, diese kognitiven und affektiven Auseinandersetzungen anzustoßen und zu vertiefen
Litigation Finance in Environmental Disputes
No full textLitigation finance can be deployed within the field of environmental disputes as effectively as in traditionally targeted practice areas, in order to further the aims of environmental protection. To substantiate this statement, the mechanism of litigation finance will be scrutinized first, alongside its application to date in the four jurisdictions where its usage is established. Secondly, features characteristic of environmental disputes will be identified in order to assess the potential of their applicability to litigation finance. Finally, these two domains are analyzed in an integrated manner, through case studies of environmental disputes which have been financed to identify key challenges as well as potential impact. In conclusion, this thesis describes how litigation finance can be effectively employed for environmental disputes and offers a guideline for financing environmental disputes successfully
A statistical perspective on machine learning: three essays on improvement, application and interpretation of predictive algorithms
No full textIn this thesis we address a series of topics at the interface between statistics and machine learning. This includes the improvement of predictive algorithms using statistical concepts, potential and challenges in the application of predictive algorithms in areas traditionally covered by statistical theory, and the interpretation of black-box algorithms by means of statistical hypothesis testing
Multimodal Data Space for Cooperative Intelligent Transport Systems
No full textModern Cooperative Intelligent Transport Systems (C-ITSs) are comprehensive applications that must cope with a multitude of challenges while meeting strict service and security standards. One of these challenges is a fast, secure, reliable, and universal way to store and exchange data in such a traffic system. Furthermore, multimodal scenarios where different types of vehicles (e.g., cars and Unmanned Aerial System) interact with each other, are increasingly emerging. To overcome these challenges, this thesis presents a set of key innovations to establish a multimodal capable data space for transport application. Therefore, a multimodal optimized geographic model is presented, called SpatialJSON, that is capable of depicting two- and three-dimensional geometries. To accomplish this feat, SpatialJSON extends the popular GeoJSON format with two new data types: area and corridor. Exchanging, managing, and storing data is handled in a novel data-centric middleware, called Large Scale Multimodal Data Processing Middleware for Intelligent Transport Systems (LDPM). This LDPM uses cryptographic- and trust-based schemas to allow secure data exchange and provide data quality assessment. Furthermore, a service architecture is introduced, that fulfils modern service requirements. Trust management is also another essential part of a C-ITS. Hence, a novel scheme to describe traffic related evidence in a multimodal environment is introduced. This schema allows assessing arbitrary traffic related data. This information is then processed in a specialized and modified Bayesian Inference (BI) function. Subsequently, a comprehensive data centric trust management method is introduced. Finally, a use case is presented that relies on the aforementioned technologies to collect data in a hazardous environmental. This data is then distributed and managed via the LDPM, and finally visualized