Open Access
Refine
Document Type
- Article (146)
- Conference Proceeding (104)
- Report (19)
- Doctoral Thesis (10)
- Patent (1)
Is part of the Bibliography
- yes (280) (remove)
Keywords
Institute
SARS-CoV-2 bestimmt maßgeblich unseren Alltag. Seit einiger Zeit ständiger
Wegbegleiter im öffentlichen Raum und teilweise auch modisches Accessoire: Der Mund-Nasenschutz. In einer aktuellen Mixed-Method-Studie geht das Institut für Unternehmensführung (AAUF) der Hochschule Aalen der privaten Nutzung von Mund-Nasenschutz im öffentlichen Raum (Einzelhandel und ÖPNV) auf den Grund. Dafür wurden im Zeitraum vom 25.05.2020 bis 13.06.2020 insgesamt 2.393 Personen in einer Online-Erhebung befragt und die gewonnenen Erkenntnisse um persönliche Interviews (433 Probanden) und Beobachtungen (691 Probanden) vor diversen Supermärkten und Einkaufszentren im süddeutschen Raum ergänzt.
SARS-CoV-2 bestimmt maßgeblich unseren Alltag. Seit einiger Zeit ständiger
Wegbegleiter im öffentlichen Raum und teilweise auch modisches Accessoire: Der
Mund-Nasenschutz. In einer aktuellen Mixed-Method-Studie geht Institut für Unternehmensführung (AAUF) der Hochschule Aalen der privaten Nutzung von Mund-
Nasenschutz im öffentlichen Raum (Einzelhandel und ÖPNV) auf den Grund. Dafür wurden im Zeitraum vom 25.05.2020 bis 13.06.2020 insgesamt 2.393 Personen in
einer Online-Erhebung befragt und die gewonnenen Erkenntnisse um Beobachtungen (691 Probanden) vor diversen Supermärkten und Einkaufszentren im süddeutschen Raum und persönliche Interviews (433 Probanden) ergänzt.
SARS-CoV-2 bestimmt maßgeblich unseren Alltag. Seit einiger Zeit ständiger Wegbegleiter im öffentlichen Raum und teilweise auch modisches Accessoire: Der Mund-Nasenschutz. Im Rahmen einer Mixed-Method-Studie geht das Aalener Institut für Unternehmensführung (AAUF) der privaten Nutzung von Mund-Nasenschutz im öffentlichen Raum (Einzelhandel und ÖPNV) auf den Grund. Dafür wurden im Zeitraum vom 25.05.2020 bis 13.06.2020 insgesamt 2.393 Personen in einer Online-Erhebung befragt und die gewonnenen Erkenntnisse um persönliche Interviews (433 Probanden) und Beobachtungen (691 Probanden) vor diversen Supermärkten und Einkaufszentren im süddeutschen Raum ergänzt. Dieser Forschungsbericht enthält die Ergebnisse der während des Zeitraums vom 02.06.2020 bis 06.06.2020 durchgeführten Interviews.
Adoption of artificial intelligence technologies in German SMEs — Results from an empirical study
(2021)
Adding evidence of the effects of treatments into relevant Wikipedia pages: a randomised trial
(2020)
As the amount of software source code increases, manual approaches for documentation or detection of software design patterns in source code become inefficient relative to the value. Furthermore, typical automatic pattern detection tools are limited to a single programming language. To address this, our Design Pattern Detection using Machine Learning (DPDML) offers a generalized and programming language agnostic approach for automated design pattern detection based on machine learning (ML). The focus of our evaluation was on ensuring DPDML can reasonably detect one design pattern in the structural, creational, and behavioral category for two popular programming languages (Java and C#). 60 unique Java and C# code projects were used to train the artificial neural network (ANN) and 15 projects were then used to test pattern detection. The results show the feasibility and potential for pursuing an ANN approach for automated design pattern detection.
The volume of program source code created, reused, and maintained worldwide is rapidly increasing, yet code comprehension remains a limiting productivity factor. For developers and maintainers, well known common software design patterns and the abstractions they offer can help support program comprehension. However, manual pattern documentation techniques in code and code-related assets such as comments, documents, or models are not necessarily consistent or dependable and are cost-prohibitive. To address this situation, we propose the Hybrid Design Pattern Detection (HyDPD), a generalized approach for detecting patterns that is programming-language-agnostic and combines graph analysis (GA) and Machine Learning (ML) to automate the detection of design patterns via source code analysis. Our realization demonstrates its feasibility. An evaluation compared each technique and their combination for three common patterns across a set of 75 single pattern Java and C# public sample pattern projects. The GA component was also used to detect the 23 Gang of Four design patterns across 258 sample C# and Java projects as well as in a large Java project. Performance and scalability were measured. The results show the advantages and potential of a hybrid approach for combining GA with artificial neural networks (ANN) for automated design pattern detection, providing compensating advantages such as reduced false negatives and improved F1 scores.