Offene Themen
für Abschlussarbeiten

1. Entwicklung eines Convolutional Neural Networks zur Klassifikation von menschlichem, nonverbal-emotionalem Ausdruck!

Beginn:Ab sofort

Erstbetreuer:Prof. Dr. Heisenberg

Zweitbetreuer:NN

Niveau: Bachelor- oder Masterarbeit

Problemstellung: Untersuchungsergebnisse eines Forscherteams der Princeton University um den Psychologen Hillel Aviezer haben vor Jahren Zweifel hinsichtlich der Eignung der Gesichtsmimik zur Emotionserkennung durch Menschen aufgeworfen. So fand die Gruppe in ihren Studien heraus, dass bei intensiven Gefühlen der Gesichtsausdruck keine valide Auskunft über die Gefühlslage des Individuums zulässt. Stattdessen drückt die Körperhaltung viel eher aus, was in einem Menschen vor sich geht (Aviezer, Trope & Todorov, 2012). Diese Annahme bildete den Ausgangspunkt für eigene Studien und Untersuchungen des nonverbal-emotionalen Ausdrucksverhaltens hinsichtlich der Interpretationsgenauigkeit fanden statt. Die eigenen Ergebnisse konnten die von Aviezer et al. bestätigen und quantifizieren.
In der geplanten Arbeit soll nun in einem neuen Ansatz versucht werden, einen maschinellen Klassifikator auf Basis von neuronalen Faltungsnetzen (convolutional neural networks) zu entwickeln, der durch Training mit gelabelten Bildern emotionalen Ausdrucks in die Lage versetzt wird, menschlichen, nonverbal-emotionalen Ausdruck bzgl. Valenz und Intensität besser zu bestimmen als Menschen dies können.
Wenn Sie sich für die Entwicklung von neuronalen Netzen auf Basis von Tensorflow/Keras mit Python interessieren, melden Sie sich gerne jederzeit per E-Mail für ein vertiefendes Gespräch zum Thema.

Starke Emotionen und deren Klassifikation

2. Analyse der Prediction-Performance von Recurrent Neural Networks am Beispiel von Finanzmarktdaten

Beginn:Ab sofort

Erstbetreuer:Prof. Dr. Heisenberg

Zweitbetreuer:NN

Niveau: Bachelor- oder Masterarbeit

Problemstellung: Ein maschinelles Lernmodell für die Börsenprognose ist der Versuch, den zukünftigen Wert einer Firmenaktie oder eines anderen an einer Finanzbörse gehandelten Finanzinstruments zu bestimmen. Die erfolgreiche Vorhersage des zukünftigen Kurses basierend auf historischen Werten gleicht dem der Prognose einer jeden anderen Zeitreihe und insbesondere Recurrent Neural Networks haben hier in der Vergangenheit von sich Reden gemacht. Dabei sind GRU (gated recurrent units) und LSTM (long short-term memory) Netzarchitekturen besonders interessante Kandidaten. Das Ziel der Arbeit ist die Implementierung und der Performancevergleich verschiedener, konkurrierender Architekturen am Beispiel von Finanzmarktdaten.
Wenn Sie sich für die Entwicklung von neuronalen Netzen auf Basis von Tensorflow/Keras mit Python interessieren, melden Sie sich gerne jederzeit per E-Mail für ein vertiefendes Gespräch zum Thema.

Long Short-Term Memory Neuronales Netz

3. Analyse der Auswirkung der Codierung von Fragenbogenskalen (insbesondere Likert-Skalen) auf den Untersuchungsgegenstand!

Beginn:Ab sofort

Erstbetreuer:Prof. Dr. Heisenberg

Zweitbetreuer:NN

Niveau:Masterarbeit

Problemstellung: Fragebögen gehören immer noch mit zu den wichtigsten und meistangewendeten Untersuchungsverfahren. Diese finden nicht nur Anwendung in der psychologischen Forschung, sondern auch im soziologischen und wirtschaftlichen Bereich u.v.m.. Das Ziel von Fragebögen ist die unverfälschte statistische Wiedergabe, mit Hilfe derer sich aufgrund der Anzahl der Befragten auf die Grundgesamtheit schließen lässt. Dabei ergibt sich das Antwortverhalten von Befragten aus einer Situation der Wechselwirkung, da es zwischen dem Fragebogenkonstrukteur und dem Befragten zu einer Art Wahrnehmung und Kommunikation kommt. Richtiges Fragebogendesign ist deshalb eine sehr herausfordernde Aufgabe.
Ziel dieser Arbeit ist es insbesondere zu untersuchen, wie die Kodierung der Antwortskalen bei der Auswertung das Ergebnis beeinflussen und verzerren, wie in der Beispielabbildung mit einer 5er-Likert Skala illustriert.
  • (-2) sehr schlecht | (-1) schlecht | (0) neutral | (1) gut | (2) sehr gut
  • (-3) sehr schlecht | (-2) schlecht | (0) neutral | (2) gut | (3) sehr gut
Ein möglicher Grund für eine Kodierung wie unter b) könnte sein, dass der semantische Abstand und damit die psychologische Bedeutung für den Befragten zwischen einer neutralen zu einer positiven oder negativen Valenz (|x| = 1 von 0->1 oder 0->(-1)) größer ist, als der Übergang zwischen einer starken zu einer sehr starken positiven oder negativen Valenz (|x| = 1 von 1->2 oder (-1)->(-2)) und dies auch in der Codierung berücksichtigt sein sollte. Dieser Effekt wird umso bedeutungsvoller, je größer die Skala ist. Es ist innerhalb der Arbeit systematisch zu untersuchen, ob und wie nicht äquidistante Kodierungen der Antwortskalen sich auf die tatsächliche Abbildung des Untersuchungsgegenstands auswirken.