Refine
Year
- 2016 (762)
- 2017 (704)
- 2018 (687)
- 2019 (678)
- 2015 (584)
- 2014 (561)
- 2022 (538)
- 2020 (515)
- 2012 (513)
- 2011 (497)
- 2010 (496)
- 2021 (491)
- 2013 (479)
- 2023 (429)
- 2009 (355)
- 2008 (281)
- 2007 (268)
- 2006 (252)
- 2005 (217)
- 2004 (197)
- 2003 (156)
- 2002 (133)
- 2000 (125)
- 2001 (116)
- (110)
- 2024 (107)
- 1998 (95)
- 1999 (80)
- 1997 (61)
- 1994 (51)
- 1996 (50)
- 1993 (37)
- 1995 (33)
- 1992 (30)
- 1989 (25)
- 1990 (25)
- 1987 (21)
- 1988 (17)
- 1991 (17)
- 1985 (12)
- 1000 (10)
- 1986 (8)
- 1977 (7)
- 1982 (7)
- 1973 (6)
- 1980 (6)
- 1983 (6)
- 1978 (5)
- 1979 (5)
- 1975 (4)
- 1984 (4)
- 1976 (3)
- 1972 (2)
- 1974 (2)
- 1981 (2)
- 0023 (1)
- 1971 (1)
Publication Type
- Article (2605)
- Lecture (2232)
- Part of a Book (1821)
- Bachelor Thesis (1462)
- Book (1170)
- Master's Thesis (697)
- Conference Proceeding (370)
- Contribution to a Periodical (287)
- Report (103)
- Review (33)
Language
- German (10884) (remove)
Keywords
- Wohnraum (254)
- Urban (208)
- Umnutzung (179)
- Münster (157)
- Nachhaltigkeit (142)
- Denkmalschutz (73)
- Neubau (70)
- Schule (69)
- Migration (67)
- Digitalisierung (66)
Faculty
- Sozialwesen (SW) (2842)
- Architektur (MSA) (1406)
- Gesundheit (MDH) (1284)
- Wirtschaft (MSB) (966)
- Energie · Gebäude · Umwelt (EGU) (931)
- Oecotrophologie · Facility Management (OEF) (809)
- IBL (752)
- Studiengang Soziale Arbeit (516)
- Bauingenieurwesen (BAU) (486)
- ITB (281)
- Physikingenieurwesen (PHY) (266)
- Wandelwerk. Zentrum für Qualitätsentwicklung (240)
- Design (MSD) (161)
- Maschinenbau (MB) (155)
- Chemieingenieurwesen (CIW) (151)
- Elektrotechnik und Informatik (ETI) (131)
- Center for Real Estate & Organization Dynamics (98)
- iSuN Institut für Nachhaltige Ernährung (85)
- keine Zuordnung (41)
- Master Jugendhilfe (23)
- Kompetenzzentrum Humanitäre Hilfe (20)
- Bibliothek (6)
- Bachelor Soziale Arbeit online (Basa-online) (4)
- Gesundheit (4)
- Institut für Nachhaltige Ernährung und Ernährungswirtschaft - iSuN (2)
- Zentrale Serviceeinrichtungen (2)
- Design (1)
- Wirtschaft (1)
Energieausweise informieren über den Energiebedarf und -verbrauch von Gebäuden. Für die Erstellung eines Energieausweises werden gebäudespezifische Daten benötigt, weshalb sie oft nicht für alle Gebäude vorliegen oder erst durch eine Begehung vor Ort erfasst werden können. Die vorliegende Arbeit untersucht die Möglichkeit, durch die Identifikation eines Datenschemas, basierend auf einer integrativen Analyse von Energieausweisen, Energiebedarfsvorhersagen für unbekannte Wohngebäude zu treffen. Die Zielsetzung der vorliegenden Arbeit besteht in der Identifikation wesentlicher Merkmale aus offenen Datenquellen, welche den Energiebedarf signifikant beeinflussen sowie deren Integration in ein kompaktes und effizientes Regressionsmodell. Dabei werden verschiedene maschinelle Lernmethoden, insbesondere das Extreme Gradient Boosting (XGB), eingesetzt, um Modelle zu entwickeln und zu validieren, die auf Daten aus Energieausweisen basieren.
Dafür werden unter anderem Merkmale aus den beschriebenen Merkmalen zum Dach, der Außenwände, zu Fenstern und zum Boden extrahiert und in neue Merkmale überführt. Dies sind unter anderem Dach- und Wandtyp, das zugehörige Isolationsniveau und der Verglasungsgrad der Fenster. Im Anschluss werden drei Datensätze entwickelt und auf ihre Leistung untersucht. Eine Analyse der Merkmalsrelevanz hat gezeigt, dass über alle Datensätze hinweg bestimmte Merkmale wie Gebäudetyp, Baujahr, Wohnfläche, Dämmungsgrad und geografische Lage entscheidenden Einfluss auf die Vorhersage des Energiebedarfs haben. Das auf den Fernerkundungsdaten basierte Modell, wies nach Optimierung ein Bestimmtheitsmaß R2 von 0,64 und einen mittleren absoluten Fehler (MAE) von 4,12 auf. Der Fehler bezieht sich auf eine Effizienzskala von 1-100 (Energieklasse G-A). Nach Skalierung der Pipeline und durch Ergänzung weiterer Datenpunkte, konnte der Wert auf 0,84 erhöht werden. Durch die Ergänzung von vebrauchsabhängigen Merkmalen, erreichte das XGB-Regressionsmodell ein R2 von 0,94 und einen MAE von 1,46 über den Trainings- und Testdatensatz. Zur weiteren Validierung werden die Auswirkungen der einzelnen Merkmale über Shapley-Werte quantifiziert, um die Auswirkungen der Merkmale bei der Vorhersage zu interpretieren. Die entwickelten Modelle erreichten eine hohe Prognosegenauigkeit und demonstrierten eine signifikante Verbesserung gegenüber herkömmlichen Methoden. Die Erstellung der Datensätze erfolgte unter Verwendung der Programmiersprache Python sowie des Frameworks Scikit-learn (Version 1.4.1) zur Entwicklung der Modelle. Die erzeugten Datensätze und Modelle wurden in eine reproduzierbare Pipeline überführt und stehen nach Freigabe unter GitHub zur Verfügung.
Die Integration von Künstlicher Intelligenz (KI) im Gesundheitswesen ist zu einem Schwerpunktthema geworden und dominiert aktuell Diskussionen in Kliniken allgemein als auch Pathologien spezifisch. Trotz des Enthusiasmus klafft nach wie vor eine Lücke zwischen den Erwartungen der Anwender und den tatsächlichen Vorteilen nach der Implementierung. Dies spiegelt sich in den Herausforderungen der KI-Integration wider.
In der folgenden wissenschaftlichen Studie widmen wir uns den Erwartungen von Akteuren im Gesundheitswesen – spezifisch in Kliniken und Pathologien – an KI-Lösungen und ihren Einsatz. Dabei wird ein besonderer Fokus auf die dahinterliegenden Faktoren gelegt, die die aktuellen Erwartungen und die daraufhin ergriffenen Maßnahmen beeinflussen. Unsere Ergebnisse stützen sich sowohl auf den wissenschaftlichen Diskurs als auch auf die weite, öffentliche Diskussion zur praktischen Umsetzung – wie in Expertenberichten, Interviews, Konferenzbeiträgen und Artikeln aus Politik, Kliniken und weiteren Institutionen.
Dadurch trägt die Studie zu einem besseren Verständnis der aktuellen KI-Erwartungen und ihrer beeinflussenden Faktoren bei und befähigt Akteure in dem Markt, die Zukunft von KI im Gesundheitswesen mitzugestalten.