Open Access

Bluetooth ist ein weit verbreitetes drahtloses Übertragungsprotokoll, das in vielen mobilen Geräten wie bspw. Tablets, Kopfhörer oder Smartwatches verwendet wird. Bluetooth-fähige Geräte senden mehrmals pro Minute öffentliche Advertisements, die u.a. die einzigartige MAC-Adresse des Gerätes beinhalten. Das Mitschneiden dieser Advertisements mittels Bluetooth-Logger ermöglicht es, Bewegungen der Geräte zu analysieren und lassen somit Rückschlüsse auf die Bewegungen der Besitzenden zu. Zum Schutz der Privatsphäre werden seit 2014 zufällig erzeugte MAC-Adressen in Advertisements verwendet. Eine sog. randomisierte MAC-Adresse bleibt durchschnittlich 15 Minuten lang gültig und wird dann durch eine neue zufällige Adresse ersetzt. Der Aufenthalt eines Geräts zu einem späteren Zeitpunkt kann nicht bestimmt werden. Dennoch kann der Wechsel eines Geräts von einem Bluetooth-Logger zu einem anderen innerhalb dieser 15 Minuten erkannt und somit eine Bewegung des Gerätes abgeleitet werden. Durch Apps der Kontaktpersonennachverfolgung wie die Corona-Warn-App (CWA) senden auch vermeintlich inaktive Smartphones Bluetooth-Advertisements. Mit etwa einem Viertel der Aufzeichnungen unterstützt die CWA die Auswertungen dieser experimentellen Arbeit. Um die praktische Anwendbarkeit zu demonstrieren, wurde der Erlebniszoo Hannover als Testgelände genutzt. Die Auswertung der über sieben Wochen gesammelten Daten ermöglichte die Analyse von Stoßzeiten, stark besuchten Orten und Besucherströmen.

In the last years generative models have gained large public attention due to their high level of quality in generated images. In short, generative models learn a distribution from a finite number of samples and are able then to generate infinite other samples. This can be applied to image data. In the past generative models have not been able to generate realistic images, but nowadays the results are almost indistinguishable from real images. This work provides a comparative study of three generative models: Variational Autoencoder (VAE), Generative Adversarial Network (GAN) and Diffusion Models (DM). The goal is not to provide a definitive ranking indicating which one of them is the best, but to qualitatively and where possible quantitively decide which model is good with respect to a given criterion. Such criteria include realism, generalization and diversity, sampling, training difficulty, parameter efficiency, interpolating and inpainting capabilities, semantic editing as well as implementation difficulty. After a brief introduction of how each model works on the inside, they are compared against each other. The provided images help to see the differences among the models with respect to each criterion. To give a short outlook on the results of the comparison of the three models, DMs generate most realistic images. They seem to generalize best and have a high variation among the generated images. However, they are based on an iterative process, which makes them the slowest of the three models in terms of sample generation time. On the other hand, GANs and VAEs generate their samples using one single forward-pass. The images generated by GANs are comparable to the DM and the images from VAEs are blurry, which makes them less desirable in comparison to GANs or DMs. However, both the VAE and the GAN, stand out from the DMs with respect to the interpolations and semantic editing, as they have a latent space, which makes space-walks possible and the changes are not as chaotic as in the case of DMs. Furthermore, concept-vectors can be found, which transform a given image along a given feature while leaving other features and structures mostly unchanged, which is difficult to archive with DMs.

Auswirkungen strategischer Social-Media-Kommunikation politischer Akteure auf Zeitungsartikel: Inwiefern Themenframes auf sozialen Netzwerken die deutsche Presse beeinflussen. Wahlkämpfe sind ein ständiges Ringen um die Deutungshoheit über Themen in den Massenmedien zwischen politischen Parteien und Akteuren. Dabei wirkt sich die Art der Medienberichterstattung über den Wahlkampf auf die Meinungsbildung der Rezipient*innen aus und beeinflusst ihr Wahlverhalten. Diese Forschungsarbeit setzt einen anderen Blickwinkel auf die Wahlkampfberichterstattung und untersucht, wie politische Parteien im Wahlkampf Themen in sozialen Netzwerken darstellen (framen) und inwieweit diese Themenframes von Journalist*innen in Zeitungsartikel übernommen werden. Der SPD-Landesverband Niedersachsen veröffentlichte im gesamten Landtagswahlkampf eine sehr geringe Anzahl an Pressemitteilungen. Im Untersuchungszeitraum (08.09-06.10.2022), den letzten vier Wochen des Wahlkampfes, waren es drei Stück. Demnach liegt die Schlussfolgerung nahe, dass Pressemitteilungen kein relevantes Kommunikationsmittel im Wahlkampf (mehr) sind und Inhalte stattdessen über soziale Netzwerke kommuniziert werden. Methodik Das Forschungsthema wurde mithilfe einer Input-Output-Analyse bearbeitet. Im ersten Schritt wurde eine qualitative Input-Inhaltsanalyse der Social-Media-Kommunikation durchgeführt. Es wurden 52 Beiträge auf Twitter und Instagram auf ihre inhaltliche Gestaltung analysiert. Auf Grundlage dieser Ergebnisse wurde eine quantitative Output-Inhaltsanalyse durchgeführt. Darin wurden 427 Zeitungsartikel aus elf Tageszeitungen untersucht. Das Codebuch zur Output-Analyse zielte darauf ab, verwendeten Themen, Themenframes sowie Übernahmen von Originaltönen der Social-Media-Beiträge in Zeitungsartikeln zu ermitteln. Ergebnisse Journalist*innen übernehmen Inhalte aus Social-Media-Beiträgen (noch) zu einem geringen Anteil in Zeitungsartikel. Die Themenauswahl zwischen Social-Media-Beiträgen und Zeitungsartikeln war sehr ähnlich, die Frame-Übernahme fiel hingegen gering aus. Wenn Frames übernommen wurden, wurden sie überwiegend ohne Einordnung oder Kritik vermittelt. Inhalte und Originaltöne aus Social-Media Beiträgen des SPD-Landesverbands Niedersachsen übernahmen Journalist*innen im Großteil der Stichprobenartikel nicht. Insgesamt fiel auf, dass regionale Tageszeitungen häufiger SPD-Frames und Originaltöne aus Social-Media-Inhalten in ihre Berichterstattung übernahmen als überregionale Tageszeitungen. Im Hinblick auf Quellen in Zeitungsartikeln fiel auf, dass die SPD und dessen Akteure im Vergleich zu anderen Parteien und Parteiakteuren häufiger als Quelle verwendet wurden. Die Untersuchungsergebnisse lassen auf eine journalistisch unabhängige Arbeit und Artikelaufbereitung schließen. Für das Kommunikationsmanagement ist das jedoch möglicherweise eine Zeit des Umbruchs, weil eine Tendenz, zumindest in der politischen Kommunikation, zu beobachten ist: weg von klassischer Pressearbeit, hin zu sozialer Netzwerkkommunikation.

Die Angriffserkennung ist ein wesentlicher Bestandteil, Cyberangriffe zu verhindern und abzumildern. Dazu werden Daten aus verschiedenen Quellen gesammelt und auf Einbruchsspuren durchsucht. Die heutzutage produzierten Datenmengen sind ein wesentliches Problem für die Angriffserkennung. Besonders bei komplexen Cyberangriffen, die über einen längeren Zeitraum stattfinden, wächst die zu durchsuchende Datenmenge stark an und erschwert das Finden und Kombinieren der einzelnen Angriffsschritte. Eine mögliche Lösung, um dem Problem entgegenzuwirken, ist die Reduktion der Datenmenge. Die Datenreduktion versucht, Daten herauszufiltern, die aus Sicht der Angriffserkennung irrelevant sind. Diese Ansätze werden unter dem Begriff Reduktionstechniken zusammengefasst. In dieser Arbeit werden Reduktionstechniken aus der Wissenschaft untersucht und auf Benchmark Datensätzen angewendet, um ihre Nutzbarkeit zu evaluieren. Dabei wird der Frage nachgegangen, ob die Reduktionstechniken in der Lage sind, irrelevante Daten ausfindig zu machen und zu reduzieren, ohne dass eine Beeinträchtigung der Angriffserkennung stattfindet. Die Evaluation der Angriffserkennung erfolgt durch ThreaTrace, welches eine Graph Neural Network basierte Methode ist. Die Evaluierung zeigt, dass mehrere Reduktionstechniken die Datenmenge wesentlich reduzieren können, ohne die Angriffserkennung zu beeinträchtigen. Bei drei Techniken führt der Einsatz zu keinen nennenswerten Veränderungen der Erkennungsraten. Dabei wurden Reduktionsraten von bis zu 30 % erreicht. Bei der Anwendung einer Reduktionstechnik stieg die Erkennungsleistung sogar um 8 %. Lediglich bei zwei Techniken führt der Einsatz zum drastischen Absinken der Erkennungsrate. Insgesamt zeigt die Arbeit, dass eine Datenreduktion angewandt werden kann, ohne die Angriffserkennung zu beeinträchtigen. In besonderen Fällen kann eine Datenreduktion, die Erkennungsleistung sogar verbessern. Allerdings ist der erfolgreiche Einsatz der Reduktionstechniken abhängig vom verwendeten Datensatz und der verwendeten Methode der Angriffserkennung.

Hintergrund: In Anbetracht aller Entwicklungen der Forschung und Praxis der Gesundheitsförderung seit der Ottawa Charta (1986) baute sich im Sinne des dritten Ziels „Vermitteln und Vernetzen“ die Vernetzung der Akteur_innen im Kontext der Gesundheit in unterschiedlichen Settings und somit auch an Hochschulen stetig aus. So entstanden neben dem bundesweiten Arbeitskreises Gesundheitsfördernder Hochschulen (AGH) vor allem seit dem Präventionsgesetz im Jahre 2015 auf regionaler Ebene unterschiedliche Netzwerke zur Gesundheitsförderung an Hochschulen. Elementares Ziel der regionalen, aber auch überregionalen Netzwerke ist die Vernetzung der Akteur_innen des betrieblichen und studentischen Gesundheitsmanagements aus den unterschiedlichen Hochschulen Deutschlands und die dadurch verbesserte Förderung der Gesundheit von Studierenden (2.9 Millionen) und Beschäftigten (760.000) an Hochschulen. Zur in dieser Arbeit spezifisch betrachteten regionalen Netzwerkarbeit zur Gesundheitsförderung an Hochschulen und deren Vorgehensweisen liegen noch keine empirischen Befunde vor. Ziel der Erhebung: Ziel der qualitativen Erhebung war die Identifikation der Vorgehensweisen der regionalen Netzwerke zur Gesundheitsförderung an Hochschulen, wobei die Netzwerke in ihren dynamischen Prozessen und Strukturen als multikomplexe Kommunikationssysteme verstanden werden. Weitere Forschungsfragen beschäftigten sich mit der Bedeutung der Evaluation und den Nachhaltigkeitsstrategien der Netzwerke. Methodik: Mit Hilfe eines qualitativen leitfadengestützten Vorgehens wurden Vertreter_innen von insgesamt sieben der acht regionalen Netzwerke zur Gesundheitsförderung an Hochschulen im Rahmen eines digitalen Interviews befragt. Als Auswertungsmethode wurde die qualitative Inhaltsanalyse nach Mayring (2015) genutzt. Ergebnisse: Regionale Netzwerke zur Gesundheitsförderung zeichnen sich durch komplexe Kommunikations- und Arbeitsstrukturen aus. Durch niedrigschwellige und partizipative Arbeitsweisen, z. B. durch die Planung und Durchführung der Netzwerktreffen mit den Mitgliedshochschulen, ergeben sich für die im Fokus stehenden interdisziplinären Akteur_innen unterschiedliche Chancen und Synergieeffekte zur Weiterentwicklung der Gesundheitsförderung. Trotz einiger Überschneidungen agieren die untersuchten regionalen Netzwerke in zentralen Aspekten nicht einheitlich, sondern gestalten die Arbeit abhängig von den gegebenen Strukturen individuell. Schlussfolgerungen: Regionale Netzwerke zur Gesundheitsförderung an Hochschulen sind dynamische, partizipative und interdisziplinäre Kommunikations- und Arbeitssysteme in denen etablierte Mechanismen der Netzwerkarbeit und Gesundheitsförderung (z. B. Partizipation) dem offenen, innovativen und agilen Charakter eines Netzwerks gegenüberstehen. In diesem Kontinuum nehmen die regionalen Netzwerke gemeinsam mit den Mitgliedern dynamische Entwicklungen wahr und entwickeln zukunftsfähige Lösungen für die Gesundheitsförderung an deutschen Hochschulen.