900 Themenideen – Seite 26 von 36.

Vergleiche direkte Sicht, eine Gebäudeecke und mehrere Zwischenwände bei ähnlicher Entfernung. Entwickle ein additives Dämpfungsmodell.

Miss beide Frequenzbänder an denselben Positionen und hinter denselben Materialien. Vergleiche Reichweite, Dämpfung und Datenrate.

Erfasse an vielen Positionen gleichzeitig RSSI, Übertragungsrate, Latenz und Paketverlust. Suche nach Schwellenwerten oder stückweisen Zusammenhängen.

Erzeuge 2×2×2-Scrambles unterschiedlicher Länge und bestimme mit vollständiger Suche die optimale Lösung. Untersuche den Sättigungseffekt.

Analysiere alle oder eine große Stichprobe von 2×2×2-Zuständen. Bestimme Häufigkeitsverteilung, Erwartungswert und Varianz der minimalen Zugzahl.

Miss die Lösungszeit einer Person über viele standardisierte Übungseinheiten. Vergleiche exponentielle, logarithmische und Potenz-Lernkurven.

Vergleiche Anfänger-, CFOP- und computergestützte Verfahren hinsichtlich Zugzahl, Zeit und Variabilität. Erstelle eine Pareto-Analyse aus Geschwindigkeit und Effizienz.

Verändere bei A\*- oder IDA\*-Suche die Stärke der Heuristik. Miss untersuchte Zustände, Speicherbedarf, Laufzeit und Lösungsqualität.

Löse dieselben Zustände mit beiden Zugdefinitionen. Untersuche Verteilung und Verhältnis der jeweils minimalen Lösungsdistanzen.

Formuliere dieselbe Aufgabe mit unterschiedlich vielen präzisen Bedingungen. Miss Korrektheit, Vollständigkeit und Zahl nicht erfüllter Anforderungen.

Gib dem Modell null, ein, drei oder fünf gelöste Beispiele. Untersuche, wie die Anzahl der Beispiele die Trefferquote verändert.

Übersetze einen festen Aufgabensatz möglichst bedeutungsgleich. Vergleiche Korrektheit, Antwortlänge und Konsistenz zwischen den Sprachen.

Ergänze Aufgaben schrittweise um bedeutungslose oder ablenkende Informationen. Messe, ab welcher Menge die Leistung erkennbar abnimmt.

Füge kontrolliert Buchstabendreher, fehlende Leerzeichen oder Satzzeichenfehler ein. Modelliere die Genauigkeit in Abhängigkeit vom Störungsgrad.

Stelle dieselbe Frage vielfach in unabhängigen Durchläufen. Bestimme Übereinstimmungsrate, Antwortentropie und Streuung numerischer Ergebnisse.

Fordere einmal freien Text und einmal eine feste Tabelle oder ein JSON-ähnliches Schema. Vergleiche Formatfehler und inhaltliche Fehler getrennt.

Vergleiche Antworten ohne Quellenanforderung mit Antworten, für die überprüfbare Belege verlangt werden. Kontrolliere jede Quellenangabe tatsächlich.

Vertausche bei identischen Fragen systematisch die Reihenfolge der Antwortoptionen. Prüfe, ob bestimmte Positionen überproportional gewählt werden.

Verändere Zahlenwerte einer Mathematikaufgabe geringfügig, ohne die Struktur zu ändern. Untersuche sprunghafte Fehler und lokale Antwortstabilität.

Erstelle abgestufte Versionen derselben Bilder mit unterschiedlicher Helligkeit und unterschiedlichem Kontrast. Bestimme Genauigkeit und Konfidenz.

Drehe Bilder in festen Winkeln oder verdecke einen kontrollierten Flächenanteil. Modelliere die Erkennungsrate als Funktion von Winkel oder Verdeckungsgrad.

Trainiere dasselbe kleine Klassifikationsmodell mit zunehmenden Datenmengen. Erstelle Lernkurven für Trainings- und Testfehler.

Verändere den Anteil der Klassen im Trainingsdatensatz. Vergleiche Accuracy, Precision, Recall, F1-Wert und Konfusionsmatrizen.

Vergleiche Modelle oder Komprimierungsstufen bei derselben Aufgabe. Erstelle eine Pareto-Grenze aus Genauigkeit, Laufzeit, Speicherbedarf und Energieverbrauch.

Nutze eigene Wasser-, CO₂-, Akku- oder Schalldaten. Vergleiche lineare beziehungsweise polynomiale Regression mit einem Machine-Learning-Modell anhand unbekannter Testdaten.