Search

Dieser Fragebogen dient der Evaluation von Lehrveranstaltungen im Rahmen der Hochschule, die nach dem Lehrkonzept des Flipped Classroom aufgebaut sind. Der Fragebogen zielt auf die Befragung von Studierenden während oder nach Abschluss einer Lehrveranstaltung ab und besteht aus fünf Dimensionen: (1) Vorbereitung, (2) Lernerfahrung, (3) Flexibilität, (4) Kollaboratives Lernen und (5) Lehrperson. Der Fragebogen kann einzeln oder im direkten Vergleich zu traditionellen Vorlesungen verwendet werden. Die vorliegende Version des Fragebogens stellt die erste Überarbeitung der Version 0.1 aus dem Jahr 2022 dar. Im Zuge der Überarbeitung wurde die Dimension Arbeitsaufwand komplett entfernt, zudem wurde das Item zur Nachbereitung aus der Dimension (1) Vorbereitung entfernt. Zusätzlich wurde eine neue Dimension speziell zur Evaluation von Lehrvideos konstruiert, die im Zuge eines Flipped Classroom eingesetzt wurden. Nachfolgend sind die einzelnen Items sowie zugehörige Kürzel und die Kennwerte der zweiten Evaluation dargestellt.

Tiefe Neuronale Netze im Allgemeinen und Convolutional Neural Networks (CNNs) im Speziellen konnten in den letzten Jahren in den Bereichen Maschinelles Sehen und Bildverarbeitung in verschiedensten Domänen große Erfolge erzielen. Herausforderungen bestehen dabei vor allem in der Anpassung der Methoden an domänenspezifische Tasks und die Reduktion des im Normalfall recht hohen Ressourcenbedarfs, insbesondere für mobile Anwendungen wie das Autonome Fahren. Dort werden CNNs zur Bildverarbeitung meist für die Gewinnung relevanter Informationen über die Umgebung aus monokularen Kameras verwendet. Hierzu werden auf einem Kamerabild verschiedene Algorithmen zur Lösung unterschiedlicher Tasks ausgeführt. Im Rahmen dieser Arbeit wird mit dem MultiNet-Ansatz ein Konzept zur integrierten Bearbeitung verschiedener Tasks in einem gemeinsamen CNN-Modell vorgestellt. Der Ressourcenbedarf kann so im Vergleich zu einer getrennten Ausführung separater Modelle bei gleichbleibender Qualität der Ergebnisse deutlich reduziert werden. Zusätzlich wird ein Verfahren vorgestellt, welches bei ebenfalls gleichbleibender Ergebnisqualität durch eine Kombination der angepassten Methoden Pruning und Knowledge Distillation den Ressourcenverbrauch eines CNN-Modells signifikant reduzieren kann. Für die Domäne des Autonomen Fahrens werden CNN-Architekturen zur allgemeinen Objektdetektion an die Anforderungen der domänenspezifischen Detektion von Objekten im Fahrzeugumfeld angepasst. Hierbei findet eine getrennte Betrachtung von statischen und dynamischen Verkehrsobjekten statt. Zur Lösung der Herausforderungen bei der Detektion von statischen Verkehrsobjekten wie Ampeln oder Verkehrsschildern wird ein Ansatz zur hierarchischen Detektion gleichartiger Objekte vorgestellt. Für die Detektion von dynamischen Verkehrsobjekten wie anderen Verkehrsteilnehmern wird ein Ansatz zur direkten 3D Detektion von Objekten in einem Kamerabild eingeführt. Derartige Ansätze offenbaren durch ihre Komplexität allerdings eine Herausforderung beim Training vieler CNN-Modelle. Der Fortschritt und die Konvergenz des Trainingsprozesses werden in wesentlichen Teilen durch die Zusammensetzung der verwendeten Trainingsdaten bedingt. Um den Trainingsprozess mit den jeweils verfügbaren Trainingsdaten bestmöglich durchführen zu können, wird eine dynamische Fehlerfunktion vorgestellt, welche die einzelnen Datenpunkte angepasst an deren aktuelle Schwierigkeit im Trainingsprozess automatisch gewichtet. Eine Evaluation auf öffentlich verfügbaren Datensätzen wird für alle im Rahmen dieser Arbeit vorgestellten Konzepte durchgeführt.

Dieser Fragebogen dient der Evaluation von Lehrveranstaltungen im Rahmen der Hochschule, die nach dem Lehrkonzept des Flipped Classroom aufgebaut sind. Der Fragebogen zielt auf die Befragung von Studierenden während oder nach Abschluss einer Lehrveranstaltung ab und besteht aus sechs Dimensionen: (1) Vor- und Nachbereitung, (2) Lernerfahrung, (3) Arbeitsaufwand, (4) Flexibilität, (5) Kollaboratives Lernen und (6) Lehrperson. Die erste Dimension der Vor- und Nachbereitung zielt auf die Vorbereitungsphase des Flipped Classroom ab. Der Fragebogen kann einzeln oder im direkten Vergleich zu traditionellen Vorlesungen verwendet werden. Nachfolgend sind die einzelnen Items sowie zugehörige Kürzel und die Kennwerte der ersten Evaluation dargestellt.