Semantische Suche

Challenges like unequal participation, low motivation, and lack of feedback often hinder group effectiveness. To address these, a gamification framework was integrated into the digital platform CollabSpace, featuring real-time notifications, a points system, and personalized feedback. Evaluation with three groups shows that gamification can increase motivation and team awareness, especially in text-based tasks. However, there is still a lot of runway for improvement. The findings provide valuable insights for future developments in gamified collaborative learning platforms.

Daher entwerfen wir einen GitHub Repository Miner, der Softwareprojekte identifiziert, welche eine Architekturbeschreibung beinhalten. Verschiedene Regeln geben Hinweise auf solche Vorkommen. Diese Regeln werden automatisiert auf Repositories angewendet, um die analysierten Projekte nach der Wahrscheinlichkeit des Vorkommens von Architekturdokumentation zu sortieren.

Die Ergebnisse zeigen, dass das entworfene Programm passende Testrepositories in einer begrenzten Menge an Repositories identifizieren kann. Durch die Optimierung der Programmparameter kann eine weitere Verbesserung der randomisierten Suche erreicht werden.

This thesis deals with two different sub-problems. Firstly, parsing and comparing the code of each occurring language in a single submission set separately (multi-language plagiarism detection) and, secondly, comparing submissions as a whole, despite containing code from multiple languages (cross-language plagiarism detection). In this thesis, we propose supporting multi-language plagiarism detection by concatenating the token lists. For cross-language plagiarism detection, we propose a set of language-agnostic tokens and rules for the order they should be extracted in, which have to be implemented for each supported language. In addition, a dynamic approach that allows more flexible matching of tokens is considered.

Aktuelle Ansätze sind jedoch in der Praxis schwer anzuwenden, da sie nicht mit den großen und dynamischen Schemata eines RKGs zurechtkommen und zudem Trainingsdaten benötigen. Diese Arbeit präsentiert "HubLink", einen neuartigen Ansatz, der die Leistungsfähigkeit eines vortrainierten LLMs nutzt, um ohne zusätzliches Training und ohne Abhängigkeit vom Graphschema effizient Antworten im Rahmen einer Literatursuche zu liefern. Darüber hinaus haben wir eine Taxonomie und ein QA-Datenset erstellt, die eine systematische Evaluierung der Kapazitäten eines solchen Systems ermöglichen. Unsere Evaluierung des HubLink-Ansatzes zeigt, das dieser deutlich besser im Auffinden von Daten im Graphen ist, mit einer Verbesserung von über 114 % im Vergleich zu ähnlichen Methoden.

Mit dieser Arbeit schaffen wir die Grundlage für weiterführende Forschung zur Literatursuche mithilfe schema-agnostischer und trainingsfreier Methoden sowie zur effizienten Vereinigung von RKGs und LLMs.