Open Access

A major requirement for credit scoring models is to provide a maximally accurate risk prediction. Additionally, regulators demand these models to be transparent and auditable. Thus, in credit scoring, very simple predictive models such as logistic regression or decision trees are still widely used and the superior predictive power of modern machine learning algorithms cannot be fully leveraged. Significant potential is therefore missed, leading to higher reserves or more credit defaults. This paper works out different dimensions that have to be considered for making credit scoring models understandable and presents a framework for making ``black box'' machine learning models transparent, auditable and explainable. Following this framework, we present an overview of techniques, demonstrate how they can be applied in credit scoring and how results compare to the interpretability of score cards. A real world case study shows that a comparable degree of interpretability can be achieved while machine learning techniques keep their ability to improve predictive power.

In the context of Continuous Software Engineering, it is acknowledged as best practice to develop new features on the mainline rather than on separate feature branches. Unfinished work is then usually prevented from going live by some kind of feature toggle. However, there is no concept of feature toggles for Process-Driven Applications (PDA) so far. PDAs are hybrid systems consisting not only of classical source code but also of a machine-interpretable business process model. This paper elaborates on a feature development approach that covers both the business process model and the accompanying source code artifacts of a PDA. The proposed solution, Toggles for Process-Driven Applications (T4PDA), equipped with an easy to use modeling tool extension, enables the developer to safely commit unfinished work on model and source code to the project’s mainline. It will be kept inactive during productive deployments unless the feature is finally released. During an AB/BA crossover design experiment, the T4PDA approach, including the provided tool support, showed higher software quality, a faster development process, and contented developers.

Es werden den Studierenden Hinweise für eine erfolgreiche Gestaltung der Gruppenarbeit als zunehmende Arbeitsform an Hochschulen gegeben.

Mediale Lernangebote können dazu beitragen, Bildungsprozesse anzuregen (Kerres, 2018, S. 139). Sie tun es aber nicht per se. Es gibt demnach nicht eine beste Lehrmethode (Kerres, 2018, S. 139). Der Aufwand für das Erstellen von Videos lohnt sich insbesondere dann, wenn keine Präsenzveranstaltungen – aus welchem Grund auch immer – angeboten werden können. Heutzutage ist es leider immer noch wichtig, dass das Erledigen der Aufgaben für die Studierenden lohnend ist. Dies kann umgesetzt werden, indem die Studierenden entweder Klausurpunkte für das korrekte Erledigen der Aufgaben erhalten oder indem das erfolgreiche Absolvieren z.B. der Online-Tests als Leistungsnachweis anerkannt wird. Die wöchentlichen Aufgaben stellen sicher, dass sich die Studierenden regelmäßig, in Etappen und selbständig mit den Inhalten auseinandersetzen und so das Erlernte langfristiger im Gedächtnis bleibt. Zudem erhalten sie, bedingt durch die automatische Korrektur, sofort eine Rückmeldung, was sicherlich motivationsfördernd ist. Die Lehrenden haben mit Hilfe der digitalen Instrumente den Vorteil, dass sie diese lernfördernden Instrumente auch in sehr großen Lerngruppen ohne großen zusätzlichen Aufwand einsetzen können.