Open Access

Eva Nuhn

• Numerous studies claim that personal dimensions - such as personal interests or prior spatial knowledge - influence the identification of landmarks for pedestrians. We assume that the collection of personal data is the highest effort for the identification of personalised landmarks. Therefore, we need to make sure that the data collection effort is justified relative to the benefits that can be accrued through the provision of personalised landmarks. In this thesis we determine which personal dimensions play a role for the identification of personalised landmarks and focus on prior spatial knowledge and personal interests. On the basis of these dimensions we personalise existing mathematical models. From the amount of possible models available, we limit our investigations on four of them: the weighted sum model, the weighted product model, a decision flow chart, and a decision tree model. We train and implement the personalised models and use them to identify landmarks selected byNumerous studies claim that personal dimensions - such as personal interests or prior spatial knowledge - influence the identification of landmarks for pedestrians. We assume that the collection of personal data is the highest effort for the identification of personalised landmarks. Therefore, we need to make sure that the data collection effort is justified relative to the benefits that can be accrued through the provision of personalised landmarks. In this thesis we determine which personal dimensions play a role for the identification of personalised landmarks and focus on prior spatial knowledge and personal interests. On the basis of these dimensions we personalise existing mathematical models. From the amount of possible models available, we limit our investigations on four of them: the weighted sum model, the weighted product model, a decision flow chart, and a decision tree model. We train and implement the personalised models and use them to identify landmarks selected by participants of a survey. The results of the models are evaluated and compared with statistical methods. In addition, we train conventional, non-personalised models and use them also to identify the landmarks selected by the participants. We compare the results of both models, personalised and conventional, to see if there are advantages of personalisation. The comparison shows that although the personalised models respond sensitively to personal dimensions, a personalised model does not identify significantly more landmarks selected by survey participants than a conventional model. This means that the collecting of personal data is unlikely to justify the effort. Therefore, it is most likely sufficient to focus on existing conventional, non-personalised models and to concentrate on their use in applied pedestrian wayfinding applications.…
• Zahlreiche Studien behaupten, dass persönliche Dimensionen - wie persönliches Interesse oder vorheriges räumliches Wissen - die Identifikation von Landmarken für Fußgänger beeinflussen. Wir gehen davon aus, dass der größte Aufwand zur Identifikation personalisierter Landmarken bei der Erhebung personenbezogener Daten entsteht. Deshalb muss sichergestellt werden, dass der Aufwand für die Datenerhebung im Vergleich zu den Vorteilen, welche die Bereitstellung personalisierter Landmarken mit sich bringt, gerechtfertigt ist. In dieser Arbeit ermitteln wir, welche persönlichen Dimensionen eine Rolle bei der Identifikation personalisierter Landmarken spielen und konzentrieren uns auf vorheriges räumliches Wissen und persönliche Interessen. Auf Basis der Dimensionen personalisieren wir bestehende mathematische Modelle. Aus der Fülle möglicher Modelle beschränken wir unsere Untersuchungen auf vier ausgewählte: das gewichtete Summenmodell, das gewichtete Produktmodell, einZahlreiche Studien behaupten, dass persönliche Dimensionen - wie persönliches Interesse oder vorheriges räumliches Wissen - die Identifikation von Landmarken für Fußgänger beeinflussen. Wir gehen davon aus, dass der größte Aufwand zur Identifikation personalisierter Landmarken bei der Erhebung personenbezogener Daten entsteht. Deshalb muss sichergestellt werden, dass der Aufwand für die Datenerhebung im Vergleich zu den Vorteilen, welche die Bereitstellung personalisierter Landmarken mit sich bringt, gerechtfertigt ist. In dieser Arbeit ermitteln wir, welche persönlichen Dimensionen eine Rolle bei der Identifikation personalisierter Landmarken spielen und konzentrieren uns auf vorheriges räumliches Wissen und persönliche Interessen. Auf Basis der Dimensionen personalisieren wir bestehende mathematische Modelle. Aus der Fülle möglicher Modelle beschränken wir unsere Untersuchungen auf vier ausgewählte: das gewichtete Summenmodell, das gewichtete Produktmodell, ein Entscheidungsflussdiagramm und ein Entscheidungsbaummodell. Wir trainieren und implementieren die personalisierten Modelle und verwenden sie, um die von den Teilnehmern einer Studie ausgewählten Landmarken zu identifizieren. Die Ergebnisse der Modelle werden mit statistischen Methoden ausgewertet und verglichen. Des Weiteren trainieren wir konventionelle, nicht personalisierte Modelle und verwenden sie ebenfalls zur Identifikation der von Teilnehmern ausgewählten Landmarken. Wir vergleichen die Ergebnisse beider Modelle, personalisiert und konventionell, um festzustellen, ob die Personalisierung Vorteile bietet. Der Vergleich zeigt, dass obwohl die personalisierten Modelle sensitiv auf persönliche Dimensionen reagieren, ein personalisiertes Modell nicht signifikant mehr von den Studienteilnehmern ausgewählte Landmarken als ein konventionelles Modell identifiziert. Dies bedeutet, dass der Aufwand für die Erhebung personalisierter Daten vermutlich nicht gerechtfertigt ist. Daher ist es höchstwahrscheinlich ausreichend, sich auf vorhandene konventionelle, nicht personalisierte Modelle und auf deren Verwendung in Wegfindungsanwendungen für Fußgänger zu konzentrieren.…