Publications

Wie lassen sich in der Erziehungswissenschaft seriöse Studien von nicht- oder pseudowissenschaftlichem Vorgehen abgrenzen? Der vorliegende Beitrag stellt dazu vier allgemeine Standards der Wissenschaftlichkeit vor (1. wissenschaftliches Forschungsproblem, 2. wissenschaftlicher Forschungsprozess, 3. Wissenschafts- und Forschungsethik sowie 4. Dokumentation des Forschungsprojekts), die jede Studie, die Wissenschaftlichkeit beansprucht, prinzipiell erfüllen muss. Diese vier Standards werden dann durch vier Kriterien der Wissenschaftlichkeit unterlegt, die graduelle Qualitätseinstufungen erlauben (1. Grad der inhaltlichen Relevanz des Forschungsproblems, 2. Grad der methodischen Strenge des Forschungsprozesses, 3. Grad der ethischen Strenge des Forschungsprozesses, 4. Grad der Dokumentations- und Präsentationsqualität). Anhand dieser Kriterien lässt sich abwägen, ob eine schwache, mittelmäßige oder hervorragende wissenschaftliche Studie vorliegt. Zur detaillierten Beurteilung speziell der methodischen Strenge einer empirisch-quantitativen Studie wird als zentrales Gütekriterium die Validität (d.h. die Gültigkeit von Schlussfolgerungen aus der Studie) herangezogen. Eine methodisch strenge Studie ist so angelegt, dass alle vier Unterformen der Validität (1. Konstruktvalidität, 2. interne Validität, 3. externe Validität und 4. statistische Validität) möglichst stark ausgeprägt sind, so dass aus der Studie tragfähige Schlussfolgerungen zu ziehen sind. Der Beitrag geht abschließend auf aktuelle Probleme sowie zukünftige Entwicklungen bei der Qualitätssicherung empirisch-quantitativer Studien in der Erziehungswissenschaft ein.

Discrete-event simulation is a well-accepted method for planning, evaluating, and monitoring processes in production and logistics contexts. In order to reduce time and effort spent on creating the simulation model, automatic simulation model generation is an important area in modeling methodology research. When automatically generating a simulation model from existing data sources, the correct reproduction of the dynamic behavior of the modelled system is a common challenge. One example is the representation of dispatching and scheduling strategies of production jobs. When generating a model automatically, the underlying rules for these strategies are typically unknown but yet have to be adequately emulated. In previous work, we presented an approach to approximate the behavior through artificial neural networks. In this paper, we investigate the suitability of various other data mining and supervised machine learning methods for emulating job scheduling decisions with data obtained from production data acquisition.

Discrete event simulation is an accepted technology for investigating the dynamic behavior of complex manufacturing systems. Visualizations created within simulation studies often focus on the animation of the dynamic processes of a single simulation run, supplemented with graphs of certain performance indicators obtained from replications of a simulation run or a few manually conducted simulation experiments. This paper suggests a much broader visually aided analysis of simulation input and output data and their relations than it is commonly applied today. Inspired from the idea of visual analytics, we suggest the application of data farming approaches for obtaining datasets of a much broader spectrum of combinations of input and output data. These datasets are then processed by data mining methods and visually analyzed by the simulation experts. This process can uncover causal relationships in the model behavior that were previously not known, leading to a better understanding of the systems behavior.