@phdthesis{Meier2017,
  author    = {Meier, Sebastian},
  title     = {Personal Big Data},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-406696},
  school      = {Universit{\"a}t Potsdam},
  pages     = {xxiv, 133},
  year      = {2017},
  abstract  = {Many users of cloud-based services are concerned about questions of data privacy. At the same time, they want to benefit from smart data-driven services, which require insight into a person's individual behaviour. The modus operandi of user modelling is that data is sent to a remote server where the model is constructed and merged with other users' data. This thesis proposes selective cloud computing, an alternative approach, in which the user model is constructed on the client-side and only an abstracted generalised version of the model is shared with the remote services. In order to demonstrate the applicability of this approach, the thesis builds an exemplary client-side user modelling technique. As this thesis is carried out in the area of Geoinformatics and spatio-temporal data is particularly sensitive, the application domain for this experiment is the analysis and prediction of a user's spatio-temporal behaviour. The user modelling technique is grounded in an innovative conceptual model, which builds upon spatial network theory combined with time-geography. The spatio-temporal constraints of time-geography are applied to the network structure in order to create individual spatio-temporal action spaces. This concept is translated into a novel algorithmic user modelling approach which is solely driven by the user's own spatio-temporal trajectory data that is generated by the user's smartphone. While modern smartphones offer a rich variety of sensory data, this thesis only makes use of spatio-temporal trajectory data, enriched by activity classification, as the input and foundation for the algorithmic model. The algorithmic model consists of three basal components: locations (vertices), trips (edges), and clusters (neighbourhoods). After preprocessing the incoming trajectory data in order to identify locations, user feedback is used to train an artificial neural network to learn temporal patterns for certain location types (e.g. work, home, bus stop, etc.). This Artificial Neural Network (ANN) is used to automatically detect future location types by their spatio-temporal patterns. The same is done in order to predict the duration of stay at a certain location. Experiments revealed that neural nets were the most successful statistical and machine learning tool to detect those patterns. The location type identification algorithm reached an accuracy of 87.69\%, the duration prediction on binned data was less successful and deviated by an average of 0.69 bins. A challenge for the location type classification, as well as for the subsequent components, was the imbalance of trips and connections as well as the low accuracy of the trajectory data. The imbalance is grounded in the fact that most users exhibit strong habitual patterns (e.g. home > work), while other patterns are rather rare by comparison. The accuracy problem derives from the energy-saving location sampling mode, which creates less accurate results. Those locations are then used to build a network that represents the user's spatio-temporal behaviour. An initial untrained ANN to predict movement on the network only reached 46\% average accuracy. Only lowering the number of included edges, focusing on more common trips, increased the performance. In order to further improve the algorithm, the spatial trajectories were introduced into the predictions. To overcome the accuracy problem, trips between locations were clustered into so-called spatial corridors, which were intersected with the user's current trajectory. The resulting intersected trips were ranked through a k-nearest-neighbour algorithm. This increased the performance to 56\%. In a final step, a combination of a network and spatial clustering algorithm was built in order to create clusters, therein reducing the variety of possible trips. By only predicting the destination cluster instead of the exact location, it is possible to increase the performance to 75\% including all classes. A final set of components shows in two exemplary ways how to deduce additional inferences from the underlying spatio-temporal data. The first example presents a novel concept for predicting the 'potential memorisation index' for a certain location. The index is based on a cognitive model which derives the index from the user's activity data in that area. The second example embeds each location in its urban fabric and thereby enriches its cluster's metadata by further describing the temporal-semantic activity in an area (e.g. going to restaurants at noon). The success of the client-side classification and prediction approach, despite the challenges of inaccurate and imbalanced data, supports the claimed benefits of the client-side modelling concept. Since modern data-driven services at some point do need to receive user data, the thesis' computational model concludes with a concept for applying generalisation to semantic, temporal, and spatial data before sharing it with the remote service in order to comply with the overall goal to improve data privacy. In this context, the potentials of ensemble training (in regards to ANNs) are discussed in order to highlight the potential of only sharing the trained ANN instead of the raw input data. While the results of our evaluation support the assets of the proposed framework, there are two important downsides of our approach compared to server-side modelling. First, both of these server-side advantages are rooted in the server's access to multiple users' data. This allows a remote service to predict spatio-in the user-specific data, which represents the second downside. While minor classes will likely be minor classes in a bigger dataset as well, for each class, there will still be more variety than in the user-specific dataset. The author emphasises that the approach presented in this work holds the potential to change the privacy paradigm in modern data-driven services. Finding combinations of client- and server-side modelling could prove a promising new path for data-driven innovation. Beyond the technological perspective, throughout the thesis the author also offers a critical view on the data- and technology-driven development of this work. By introducing the client-side modelling with user-specific artificial neural networks, users generate their own algorithm. Those user-specific algorithms are influenced less by generalised biases or developers' prejudices. Therefore, the user develops a more diverse and individual perspective through his or her user model. This concept picks up the idea of critical cartography, which questions the status quo of how space is perceived and represented.},
  language  = {en}
}
@phdthesis{Nitezki2017,
  author    = {Nitezki, Tina},
  title     = {Charakterisierung von Stereotypien bei der FVB/NJ-Maus hinsichtlich metabolischer und immunologischer Aspekte auf die Stoffwechselleistung},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-402265},
  school      = {Universit{\"a}t Potsdam},
  pages     = {149},
  year      = {2017},
  abstract  = {Im Sinne des Refinements von Tierversuchen sollen alle Bedingungen w{\"a}hrend der Zucht, der Haltung und des Transports von zu Versuchszwecken gehaltenen Tieren und alle Methoden w{\"a}hrend des Versuchs so verbessert werden, dass die verwendeten Tiere ein minimales Maß an potentiellem Distress, Schmerzen oder Leiden erfahren. Zudem soll ihr Wohlbefinden durch die M{\"o}glichkeit des Auslebens speziesspezifischer Verhaltensweisen und die Anwendung tierschonender Verfahren maximal gef{\"o}rdert werden. Zur Etablierung von Grunds{\"a}tzen des Refinements sind grundlegende Kenntnisse {\"u}ber die physiologischen Bed{\"u}rfnisse und Verhaltensanspr{\"u}che der jeweiligen Spezies unabdingbar. Die Experimentatoren sollten das Normalverhalten der Tiere kennen, um potentielle Verhaltensabweichungen, wie Stereotypien, zu verstehen und interpretieren zu k{\"o}nnen. Standardisierte Haltungsbedingungen von zu Versuchszwecken gehaltenen M{\"a}usen weichen in diversen Aspekten von der nat{\"u}rlichen Umgebung ab und erfordern eine gewisse Adaptation. Ist ein Tier {\"u}ber einen l{\"a}ngeren Zeitraum unf{\"a}hig, sich an die gegebenen Umst{\"a}nde anzupassen, k{\"o}nnen abnormale Verhaltensweisen, wie Stereotypien auftreten. Stereotypien werden definiert als Abweichungen vom Normalverhalten, die repetitiv und ohne Abweichungen im Ablauf ausgef{\"u}hrt werden, scheinbar keiner Funktion dienen und der konkreten Umweltsituation nicht immer entsprechen. Bisher war unklar, in welchem Ausmaß stereotypes Verhalten den metabolischen Ph{\"a}notyp eines Individuums beeinflusst. Ziel dieser Arbeit war es daher, das stereotype Verhalten der FVB/NJ-Maus erstmals detailliert zu charakterisieren, systematisch zusammenzutragen, welche metabolischen Konsequenzen dieses Verhalten bedingt und wie sich diese auf das Wohlbefinden der Tiere und die Verwendung stereotyper Tiere in Studien mit tierexperimentellem Schwerpunkt auswirken. Der Versuch begann mit der Charakterisierung der m{\"u}tterlichen F{\"u}rsorge in der Parentalgeneration. Insgesamt wurden 35 Jungtiere der F1-Generation vom Absatz an, {\"u}ber einen Zeitraum von 11 Wochen einzeln gehalten, kontinuierlich beobachtet, bis zum Versuchsende w{\"o}chentlich Kotproben gesammelt und das K{\"o}rpergewicht bestimmt. Zus{\"a}tzlich erfolgten begleitende Untersuchungen wie Verhaltenstests und die Erfassung der physischen Aktivit{\"a}t und metabolischer Parameter. Anschließend wurden u.a. die zerebralen Serotonin- und Dopamingehalte, f{\"a}kale Glucocorticoidlevels, hepatisches Glykogen und muskul{\"a}re Glykogen- und Triglyceridlevels bestimmt. Nahezu unabh{\"a}ngig von der m{\"u}tterlichen Herkunft entwickelte sich bei mehr als der H{\"a}lfte der 35 Jungtiere in der F1-Generation stereotypes Verhalten. Diese Daten deuten darauf hin, dass es keine Anzeichen f{\"u}r das Erlernen oder eine direkte genetische Transmission stereotypen Verhaltens bei der FVB/NJ-Maus gibt. {\"U}ber den gesamten Beobachtungszeitraum zeichneten sich die stereotypen FVB/NJ-M{\"a}use durch ein eingeschr{\"a}nktes Verhaltensrepertoire aus. Zu Gunsten der erh{\"o}hten Aktivit{\"a}t und des Aus{\"u}bens stereotypen Verhaltens lebten sie insgesamt weniger andere Verhaltensweisen (Klettern, Graben, Nagen) aus. Dar{\"u}ber hinaus waren Stereotypien sowohl im 24-Stunden Open Field Test als auch in der Messeinrichtung der indirekten Tierkalorimetrie mit einer erh{\"o}hten Aktivit{\"a}t und Motilit{\"a}t assoziiert, w{\"a}hrend die circadiane Rhythmik nicht divergierte. Diese erh{\"o}hte k{\"o}rperliche Bet{\"a}tigung spiegelte sich in den niedrigeren K{\"o}rpergewichtsentwicklungen der stereotypen Tiere wieder. Außerdem unterschieden sich die K{\"o}rperfett- und K{\"o}rpermuskelanteile. Zusammenfassend l{\"a}sst sich sagen, dass das Aus{\"u}ben stereotypen Verhaltens zu Differenzen im metabolischen Ph{\"a}notyp nicht-stereotyper und stereotyper FVB/NJ-M{\"a}use f{\"u}hrt. Im Sinne der „Guten Wissenschaftlichen Praxis" sollte das zentrale Ziel jedes Wissenschaftlers sein, aussagekr{\"a}ftige und reproduzierbare Daten hervorzubringen. Jedoch k{\"o}nnen keine validen Resultate von Tieren erzeugt werden, die in Aspekten variieren, die f{\"u}r den vorgesehenen Zweck der Studie nicht ber{\"u}cksichtigt wurden. Deshalb sollten nicht-stereotype und stereotype Individuen nicht innerhalb einer Versuchsgruppe randomisiert werden. Stereotype Tiere demzufolge von geplanten Studien auszuschließen, w{\"u}rde allerdings dem Gebot des zweiten R's - der Reduction - widersprechen. Um Refinement zu garantieren, sollte der Fokus auf der maximal erreichbaren Pr{\"a}vention stereotypen Verhaltens liegen. Diverse Studien haben bereits gezeigt, dass die Anreicherung der Haltungsumwelt (environmental enrichment) zu einer Senkung der Pr{\"a}valenz von Stereotypien bei M{\"a}usen f{\"u}hrt, dennoch kommen sie weiterhin vor. Daher sollte environmental enrichment zuk{\"u}nftig weniger ein „Kann", sondern ein „Muss" sein - oder vielmehr: der Goldstandard. Zudem w{\"u}rde eine profunde ph{\"a}notypische Charakterisierung dazu beitragen, Mausst{\"a}mme zu erkennen, die zu Stereotypien neigen und den f{\"u}r den spezifischen Zweck am besten geeigneten Mausstamm zu identifizieren, bevor ein Experiment geplant wird.},
  language  = {de}
}