Refine
Document Type
- Bachelor Thesis (1)
- Master's Thesis (1)
Language
- German (2)
Has Fulltext
- yes (2)
Is part of the Bibliography
- no (2) (remove)
Keywords
- Deep learning (1)
- Didaktik (1)
- Gamification (1)
- Klassifikation (1)
- Lehrmethoden (1)
- Lichtsetzung (1)
- Octalysis (1)
- Positionsschätzung (1)
- Regression (1)
- SpiceSharp (1)
Institute
Open Access
- Closed (1)
- Closed Access (1)
Die Digitalisierung der Hochschullehre schreitet aktuell weiter voran. Mit dem Beginn der Corona-Pandemie und den Einschränkungen im öffentlichen Raum sind Studierende als auch Lehrende auf alternative Lehrmethoden angewiesen.
Das Ziel der vorliegenden Arbeit ist es, zu beantworten, inwiefern eine E-Lerning Anwendung unter Verwendung von Gamification Elementen realisiert werden kann. Zur Konzeption und Programmierung eines Prototypen und zur Generierung und Aufbereitung von Lehrinhalten unter Berücksichtigung mediendidaktischer Aspekte, wurde einen Laborversuch aus dem Bereich der Elektrotechnik zurückgegriffen. Zur Extraktion der Informationen wurden die Component Display Theorie und die Elaborationstheorie genutzt.
Anhand der gesammelten Lehrinhalte wurden mithilfe des Octalysis-Frameworks passende Gamification Elemente gewählt. Insbesondere wurden hier die positiven Motivatoren gewählt, in Kombination mit einem ausgewogenen Verhältnis zwischen intrinsischen und extrinsischen Antrieben.
Im Bereich der Schaltungsssimulation wurde auf das Open Source Projekt Spice-Sharp zugegriffen, welches auf der SPICE Bibliothek basiert.
Abschließend wurde die Unity Engine für die Realisierung des Prototyps verwendet. Mit diesem wird ein Grundlagenversuch aus der Elektrotechnik simuliert.
Als deutliche Erkenntnis zeigt sich, dass das Octalysis-Framework sinnvolle Spielelemente im Zusammenhang mit einer E-Learning Anwendung liefert.
Eine weitergehende Forschung im Bereich der Gamification von Simulationssoftware könnte mit einer Evaluation der vorgeschlagenen Spielelemente problemlos fortgeführt werden.
Licht war für die Menschheit schon immer ein Hilfsmittel zur Orientierung. Das Zusammenspiel zwischen hellen und schattierten Oberflächen macht eine räumliche Wahrnehmung erst möglich. Die Lokalisierung von Lichtquellen bietet darüber hinaus für zahlreiche Anwendungsfelder, wie beispielsweise Augmented Reality, ein großes Potential.
Das Ziel der vorliegenden Arbeit war es, ein neuronales Netzwerk zu entwickeln, welches mit Hilfe eines selbst generierten, synthetischen Datensatzes eine Lichtsetzung parametrisiert. Dafür wurden State-of-the-Art Netzwerke aus der digitalen Bildverarbeitung eingesetzt.
Zu Beginn der Arbeit mussten die Eigenschaften der Lichtsetzung extrahiert werden. Eine weitere fundamentale Anforderung war die Aufbereitung des Wissens von Deep Learning.
Für die Generierung des synthetischen Datensatzes wurde eigens ein Framework entwickelt, welches auf der Blender Engine basiert.
Anschließend wurden die generierten Bilder und Metadaten in einem abgewandelten VGG16- und ResNet50-Netz trainiert, validiert und evaluiert.
Eine gewonnene Erkenntnis ist, dass sich künstlich generierte Daten eignen um ein neuronales Netz zu trainieren. Des Weiteren konnte gezeigt werden, dass sich mit Hilfe von Deep Learning Lichtsetzungsparameter extrahieren lassen.
Eine weiterführende Forschungsaufgabe könnte mit dem vorgeschlagenen Ansatzdie Lichtinszenierung von Augmented Reality Anwendungen verbessern.