Open Access

Das ProFormA-Aufgabenformat wurde eingeführt, um den Austausch von Programmieraufgaben zwischen beliebigen Autobewertern (Grader) zu ermöglichen. Ein Autobewerter führt im ProFormA-Aufgabenformat spezifizierte „Tests“ sequentiell aus, um ein vom Studierenden eingereichtes Programm zu prüfen. Für die Strukturierung und Darstellung der Testergebnisse existiert derzeit kein graderübergreifender Standard. Wir schlagen eine Erweiterung des ProFormA-Aufgabenformats um eine Hierarchie von Bewertungsaspekten vor, die nach didaktischen Aspekten gruppiert ist und entsprechende Testausführungen referenziert. Die Erweiterung wurde in Graja umgesetzt, einem Autobewerter für Java-Programme. Je nach gewünschter Detaillierung der Bewertungsaspekte sind Testausführungen in Teilausführungen aufzubrechen. Wir illustrieren unseren Vorschlag mit den Testwerkzeugen Compiler, dynamischer Softwaretest, statische Analyse sowie unter Einsatz menschlicher Bewerter.

Leo A. Nefiodow, einer der angesehensten Vordenker der Informationsgesellschaft, verweist auf die großen Schäden und Verluste, die uns momentan durch psychische Störungen wie beispielsweise Angst, Depressionen, Burnout und ihre Folgen wie Gewalt, Kriminalität, Drogenmissbrauch und Erkrankungen entstehen. Die Förderung psychosozialer Gesundheit wäre somit geeignet, sowohl das Wohlbefinden des einzelnen Menschen zu verbessern als auch der Wirtschaft und der gesamten Gesellschaft einen Entwicklungsschub zu verleihen. Im Rahmen des Arbeitspapiers geht es darum, Möglichkeiten des Gegensteuerns aus dem Blickwinkel von Achtsamkeit vorzustellen. U. a. am praktischen Beispiel einer Schule wird versucht, das Wirkprinzip von Achtsamkeit zur Förderung psychosozialer Gesundheit in einer sozialen Einheit zu verdeutlichen.

Viele Unternehmen experimentieren mit Agilität. Gleichzeitig ist die Unsicherheit groß, wieviel Agilität ein QM-System nach ISO 9001 tatsächlich verträgt. Ein gemeinsames Forschungsprojekt der Hochschule Hannover und der DGQ hat sich zum Ziel gesetzt, hier mehr Sicherheit zu geben. Aus Interviews mit Vertretern von Unternehmen, welche teilweise agil arbeiten, entstand erstmals eine klare Definition von Agilität, agilen Praktiken und agilen Prozessen im Organisationskontext. Die daraus entwickelten Leitlinien für die Integration von agilen Vorgehensweisen in QM-Systeme beweisen schlüssig, dass agile Prozesse grundsätzlich nach den ISO 9001-Kriterien zertifizierungsfähig ausgestaltet werden können.

Background: Depletion of ovarian hormone in postmenopausal women has been associated with changes in the locomotor apparatus that may compromise walking function including muscle atrophy/weakness, weight gain, and bone demineralization. Therefore, handgrip strength (HGS), bone mineral density (BMD) and body composition [percentage body fat mass (%BFM), fat mass (FM), Fat-free mass (FFM) and body mass index (BMI)], may significantly vary and predict WB in postmenopausal women. Consequently, the study sought to 1. Explore body composition, BMD and muscle strength differences between premenopausal and postmenopausal women and 2. Explore how these variables [I.e., body composition, BMD and muscle strength] relate to WB in postmenopausal women. Method: Fifty-one pre-menopausal (35.74 + 1.52) and 50 postmenopausal (53.32 + 2.28) women were selected by convenience sampling and studied. Six explanatory variables (HGS, BMD, %BFM, FFM, BMI and FM) were explored to predict WB in postmenopausal women: Data collected were analyzed using multiple linear regression, ANCOVA, independent t-test and Pearson correlation coefficient at p < 0.05. Result: Postmenopausal women had higher BMI(t = + 1.72; p = 0.04), %BFM(t = + 2.77; p = .003), FM(t = + 1.77; p = 0.04) and lower HGS(t = − 3.05; p = 0.001),compared to the premenopausal women. The predicted main effect of age on HGS was not significant, F(1, 197) = 0.03, p = 0.06, likewise the interaction between age and %BFM, F(1, 197) = 0.02, p = 0.89; unlike the predicted main effect of %BFM, F(1, 197) = 10.34, p = .002, on HGS. HGS was the highest predictor of WB (t = 2.203; β=0.3046) in postmenopausal women and combined with T-score right big toe (Tscorert) to produce R2 = 0.11;F (2, 47)=4.11;p = 0.02 as the best fit for the predictive model. The variance (R2) change was significant from HGS model (R2 = 0.09;p = 0.03) to HGS + Tscorert model (R2 = 0.11;p = 0.02). The regression model equation was therefore given as: WB =5.4805 + 0.1578(HGS) + (− 1.3532) Tscorert. Conclusion: There are differences in body composition suggesting re-compartmentalization of the body, which may adversely impact the (HGS) muscle strength in postmenopausal women. Muscle strength and BMD areassociated with WB, although, only contribute to a marginal amount of the variance for WB. Therefore, other factors in addition to musculoskeletal health are necessary to mitigate fall risk in postmenopausal women.

Scientific papers from all disciplines contain many abbreviations and acronyms. In many cases these acronyms are ambiguous. We present a method to choose the contextual correct definition of an acronym that does not require training for each acronym and thus can be applied to a large number of different acronyms with only few instances. We constructed a set of 19,954 examples of 4,365 ambiguous acronyms from image captions in scientific papers along with their contextually correct definition from different domains. We learn word embeddings for all words in the corpus and compare the averaged context vector of the words in the expansion of an acronym with the weighted average vector of the words in the context of the acronym. We show that this method clearly outperforms (classical) cosine similarity. Furthermore, we show that word embeddings learned from a 1 billion word corpus of scientific exts outperform word embeddings learned from much larger general corpora.