Verzeichnis der Abschlussarbeiten

Das Ziel dieser Arbeit war es, Muster in den Aktivitäten der Teilnehmenden der
spusu Sport Challenges, die möglicherweise auf unsportliche Aktivitäten
zurückzuführen sind, zu erkennen Diese sollten durch algorithmische Validierung
herausgefiltert werden können. Der Ausgangspunkt war die Vermutung, dass
teilnehmende Personen unsportliche Aktivitäten aufnehmen, die von der
Validierung als gültig angesehen werden.
Die Teilnehmenden mit vielen Minuten wurden mittels statistischer Analyse ihrer
Aktivitäten mit anderen Vergleichsgruppen der gleichen Challenge verglichen.
Anschließend wurden diese Aktivitäten durch eine manuelle Betrachtung einer
Stichprobe auf Auffälligkeiten untersucht.
Diese beiden Analysen führten zur Erkennung von zwölf Mustern, welche
anschließend auf ihre Anwendbarkeit und Relevanz geprüft wurden. Daraus
ergaben sich drei unmittelbare Umsetzungsvorschläge: Zum einen sollten die Filter,
welche bis dato nur in der App implementiert wurden, auf alle verbindbaren
Sportuhren ausgeweitet werden. Zum anderen sollte eine neue Variante für die
Pausenerkennung mit einem größeren Zeitintervall eingeführt werden.
Zusätzlich haben sich noch zwei weitere Vorschläge entwickelt, welche jedoch vor
der Umsetzung noch weiter untersucht werden müssen. Einerseits wird das
Erkennen von vorgetäuschten Standorten (Standort-Spoofing) adressiert,
andererseits erfolgt eine Optimierung der Anbindung der Apple Watch Aktivitäten.

The aim of this work was to identify patterns in the activities of the participants of
the spusu Sport Challenges that may be due to unsporting activities. These should
be able to be filtered out through algorithmic validation. The starting point of the
study was the assumption that participants record unsporting activities that are
considered valid by the validation.
Participants with many minutes were compared to other comparison groups of the
same challenge using statistical analysis of their activities and examined for
abnormalities in their activities by manually looking at a sample.
These two analyses led to the identification of twelve patterns, which were then
tested for their applicability and relevance. This resulted in three immediate
suggestions for implementation: Firstly, the filters, which have so far only been
implemented in the app, should be extended to all connectable sports watches.
Secondly, a new variant for pause recognition with a larger time interval should be
introduced.
In addition, two further suggestions have developed, but these need to be further
investigated before implementation. On the one hand, the recognition of fake
locations (location spoofing) is addressed, and on the other hand, the connection of
Apple Watch activities should be optimised.