The purpose of this study was to investigate whether a meal supplement fortified with micronutrients would, statistically, significantly improve the intelligence scores of Grade 3 and 4 learners. The data collection procedures in this study took the form of a pre-test – post-test control group design. The Paper and Pencil Games (PPG) Level 3, a standardised psychological test, was administered before and after the respondents were exposed to the meal supplements. For a treatment period of 16 weeks the experimental group received the meal supplement fortified with micronutrients and the control group the meal supplement without any added micronutrients. Data analysis took the form of statistical analysis to determine whether the meal supplements consumed by those in the experimental group could significantly contribute to improving their intelligence scores. The results indicated statistically significant increases in scores, between the pretest and post-test on the various scales of the PPG, of both the experimental and control group on the one hand, but no statistically significant differences between the two treatment groups on the post-test on the other. The null hypothesis that there are no (statistically significant) differences between the average post-test scores (V, NV, and T) of the experimental and control groups could not be rejected. However, the increase between the pre-test and post-test stanine scores of the two treatment groups has led to recommendations for further research. Copyright / Dissertation (MEd)--University of Pretoria, 2011. / Educational Psychology / unrestricted

Zukünftige Ausrüstungen von Eisenbahninfrastruktur mit zugorientierter Sicherungslogik, wie sie mit dem Advanced Protection System (APS) derzeit in einer frühen Entwicklungsphase ist, verzichten auf ortsfeste Signale und Gleisfreimeldeanlagen, wenn die Fahrzeuge mit einem Train Integrity Monitoring System (TIMS) ausgerüstet sind. In dieser Masterarbeit werden verschiedene Betriebsszenarien hinsichtlich des Ablaufs und der Sicherungslogik untersucht und Lösungen vorgeschlagen, mit denen das APS weiterentwickelt werden könnte. Aufbauend auf den derzeitigen Abläufen nach Baseline 3.6 unter der Überwachung von ETCS Level 2 ohne Signalen (L2oS) wird ein für Level 3 optimiertes Verfahren zur Sicherung der Zugfolgeabstände erarbeitet. Im weiteren Verlauf wird die Untersuchung dieses Verfahren auf Betriebsabläufe im Bahnhof sowie für die Sicherung besonderer Elemente wie beispielsweise Bahnübergänge ausgeweitet.:1 Vorbemerkungen 2 Status que: ETCS L2oS und ATO 3 Sicherungstechnische Bedeutung des Fahrens im wandernden Raumabstand 4 Notwendigkeit der Entwicklung von APS 5 Sicherungstechnische Betrachtung verschiedener Betriebsszenarien 6 Untersuchung des Bahnhofs Schorndorf 7 Grenzüberschreitende Bedeutung der ETCS-Halttafel 8 Zusammenfassung und Ausblick Anhang: vereinfachter ETCS-Übersichtsplan Schorndorf

Systeme zum automatisierten Fahren erlauben es, die Fahrzeugführung in einem gewissen Maß vom Fahrer an das Fahrzeug zu übertragen. Da der Fahrer auf diese Weise unterstützt, entlastet oder sogar ersetzt werden kann, werden Systeme zum automatisierten Fahren mit einem großen Potential für Verbesserungen hinsichtlich Straßenverkehrssicherheit, Fahrkomfort und Effizienz verbunden - vorausgesetzt, dass diese Systeme angemessen benutzt werden. Systeme zum hochautomatisierten Fahren stellen in diesem Zusammenhang eine besondere Herausforderung für die Mensch-Maschine-Interaktion dar: So wird es dem Fahrer bei diesem Automatisierungsgrad zwar zum ersten mal ermöglicht, das System nicht mehr permanent überwachen zu müssen und somit die Fahrtzeit potentiell für fahrfremde Tätigkeiten zu nutzen. Es wird jedoch immer noch erwartet, dass der Fahrer nach einer vorherigen angemessenen Übernahmeaufforderung die Fahrzeugführung im Bedarfsfall gewährleisten kann. Angemessenes Automatisierungsvertrauen stellt daher eine zentrale Komponente für die erfolgreiche Kooperation zwischen Fahrern und Systemen zum hochautomatisierten Fahren dar und sollte bei der Gestaltung derartiger Systeme berücksichtigt werden. Frühere Befunde weisen beispielsweise bereits darauf hin, dass unterschiedliche Informationen über automatisierte Systeme ein möglicher Ansatz sein könnten um das Automatisierungsvertrauen des Fahrers aktiv zu gestalten. Automatisierungsvertrauen als Variable in der Gestaltung von Fahrzeugtechnologie zu berücksichtigen erfordert jedoch zunächst auch in der Lage zu sein, Automatisierungsvertrauen adäquat messen zu können. In diesem Sinne war die Zielsetzung dieser Arbeit einerseits die Untersuchung verschiedener Methoden zur Messung des Automatisierungsvertrauens des Fahrers sowie andererseits die Identifikation, prototypische Umsetzung und Bewertung potentieller Ansätze zur Gestaltung von Automatisierungsvertrauen im Kontext von Systemen zum hochautomatisierten Fahren. Zu diesem Zweck wurden drei Fahrsimulatorstudien mit insgesamt N = 280 Probanden durchgeführt. Die vorliegenden Ergebnisse weisen darauf hin, dass (i) sowohl Selbstberichtsverfahren als auch Verhaltensmaße prinzipiell dazu verwendet werden können um das Automatisierungsvertrauen des Fahrers in Systeme zum hochautomatisierten Fahren zu operationalisieren, (ii) eine vorherige Auseinandersetzung mit funktionalen Grenzen von Systemen zum hochautomatisierten Fahren einen nachhaltigen Effekt auf das Automatisierungsvertrauen des Fahrers in das System haben kann und (iii) insbesondere Informationen über die Funktionsweise von Systemen zum hochautomatisierten Fahren das Automatisierungsvertrauen des Fahrers in derartige Systeme verbessern können. Damit liefert die vorliegende Arbeit sowohl wertvolle Ansatze zur Messbarmachung als auch Hinweise für die Gestaltung von Automatisierungsvertrauen im Kontext des hochautomatisierten Fahrens. Darüber hinaus können die Befunde dieser Arbeit in gewissem Maße auch auf andere Arten von Fahrzeugautomatisierung sowie unterschiedliche Domänen und Anwendungen von Automatisierung übertragen werden. / Automated driving systems allow to transfer a certain degree of vehicle control from the driver to a vehicle. By assisting, augmenting or even supplementing the driver, automated driving systems have been associated with enormous potential for improving driving safety, comfort, and efficiency - provided that they are used appropriately. Among those systems, conditional automated driving systems are particularly challenging for human-automation interaction: While the driver is no longer required to permanently monitor conditional automated driving systems, he / she is still expected to provide fallback performance of the dynamic driving task after adequate prior notification. Therefore, facilitating appropriate automation trust is a key component for enabling successful cooperation between drivers and conditional automated driving systems. Earlier work indicates that providing drivers with proper information about conditional automated driving systems might be one promising approach to do this. Considering the role of automation trust as a variable in the design of vehicle technology, however, also requires that drivers` automation trust can be viably measured in the first place. Accordingly, the objectives of this thesis were to explore difffferent methods for measuring drivers` automation trust in the context of conditional automated driving as well as the identification, implementation and evaluation of possible approaches for designing drivers` automation trust in conditional automated driving systems. For these purposes, three driving simulator studies with N = 280 participants were conducted. The results indicate that (i) both self-report measures and behavioral measures can be used to assess drivers` automation trust in conditional automated driving systems, (ii) prior familiarization with system limitations can have a lasting effffect on drivers` automation trust in conditional automated driving systems and (iii) particularly information about the processes of conditional automated driving systems might promote drivers` automation trust in these systems. Thus, the present research contributes much needed approaches to both measuring and designing automation trust in the context of conditional automated driving. In addition, the current findings might also be transferred to higher levels of driving automation as well as other domains and applications of automation.

Systeme zum automatisierten Fahren erlauben es, die Fahrzeugführung in einem gewissen Maß vom Fahrer an das Fahrzeug zu übertragen. Da der Fahrer auf diese Weise unterstützt, entlastet oder sogar ersetzt werden kann, werden Systeme zum automatisierten Fahren mit einem großen Potential für Verbesserungen hinsichtlich Straßenverkehrssicherheit, Fahrkomfort und Effizienz verbunden - vorausgesetzt, dass diese Systeme angemessen benutzt werden. Systeme zum hochautomatisierten Fahren stellen in diesem Zusammenhang eine besondere Herausforderung für die Mensch-Maschine-Interaktion dar: So wird es dem Fahrer bei diesem Automatisierungsgrad zwar zum ersten mal ermöglicht, das System nicht mehr permanent überwachen zu müssen und somit die Fahrtzeit potentiell für fahrfremde Tätigkeiten zu nutzen. Es wird jedoch immer noch erwartet, dass der Fahrer nach einer vorherigen angemessenen Übernahmeaufforderung die Fahrzeugführung im Bedarfsfall gewährleisten kann. Angemessenes Automatisierungsvertrauen stellt daher eine zentrale Komponente für die erfolgreiche Kooperation zwischen Fahrern und Systemen zum hochautomatisierten Fahren dar und sollte bei der Gestaltung derartiger Systeme berücksichtigt werden. Frühere Befunde weisen beispielsweise bereits darauf hin, dass unterschiedliche Informationen über automatisierte Systeme ein möglicher Ansatz sein könnten um das Automatisierungsvertrauen des Fahrers aktiv zu gestalten. Automatisierungsvertrauen als Variable in der Gestaltung von Fahrzeugtechnologie zu berücksichtigen erfordert jedoch zunächst auch in der Lage zu sein, Automatisierungsvertrauen adäquat messen zu können. In diesem Sinne war die Zielsetzung dieser Arbeit einerseits die Untersuchung verschiedener Methoden zur Messung des Automatisierungsvertrauens des Fahrers sowie andererseits die Identifikation, prototypische Umsetzung und Bewertung potentieller Ansätze zur Gestaltung von Automatisierungsvertrauen im Kontext von Systemen zum hochautomatisierten Fahren. Zu diesem Zweck wurden drei Fahrsimulatorstudien mit insgesamt N = 280 Probanden durchgeführt. Die vorliegenden Ergebnisse weisen darauf hin, dass (i) sowohl Selbstberichtsverfahren als auch Verhaltensmaße prinzipiell dazu verwendet werden können um das Automatisierungsvertrauen des Fahrers in Systeme zum hochautomatisierten Fahren zu operationalisieren, (ii) eine vorherige Auseinandersetzung mit funktionalen Grenzen von Systemen zum hochautomatisierten Fahren einen nachhaltigen Effekt auf das Automatisierungsvertrauen des Fahrers in das System haben kann und (iii) insbesondere Informationen über die Funktionsweise von Systemen zum hochautomatisierten Fahren das Automatisierungsvertrauen des Fahrers in derartige Systeme verbessern können. Damit liefert die vorliegende Arbeit sowohl wertvolle Ansatze zur Messbarmachung als auch Hinweise für die Gestaltung von Automatisierungsvertrauen im Kontext des hochautomatisierten Fahrens. Darüber hinaus können die Befunde dieser Arbeit in gewissem Maße auch auf andere Arten von Fahrzeugautomatisierung sowie unterschiedliche Domänen und Anwendungen von Automatisierung übertragen werden. / Automated driving systems allow to transfer a certain degree of vehicle control from the driver to a vehicle. By assisting, augmenting or even supplementing the driver, automated driving systems have been associated with enormous potential for improving driving safety, comfort, and efficiency - provided that they are used appropriately. Among those systems, conditional automated driving systems are particularly challenging for human-automation interaction: While the driver is no longer required to permanently monitor conditional automated driving systems, he / she is still expected to provide fallback performance of the dynamic driving task after adequate prior notification. Therefore, facilitating appropriate automation trust is a key component for enabling successful cooperation between drivers and conditional automated driving systems. Earlier work indicates that providing drivers with proper information about conditional automated driving systems might be one promising approach to do this. Considering the role of automation trust as a variable in the design of vehicle technology, however, also requires that drivers` automation trust can be viably measured in the first place. Accordingly, the objectives of this thesis were to explore difffferent methods for measuring drivers` automation trust in the context of conditional automated driving as well as the identification, implementation and evaluation of possible approaches for designing drivers` automation trust in conditional automated driving systems. For these purposes, three driving simulator studies with N = 280 participants were conducted. The results indicate that (i) both self-report measures and behavioral measures can be used to assess drivers` automation trust in conditional automated driving systems, (ii) prior familiarization with system limitations can have a lasting effffect on drivers` automation trust in conditional automated driving systems and (iii) particularly information about the processes of conditional automated driving systems might promote drivers` automation trust in these systems. Thus, the present research contributes much needed approaches to both measuring and designing automation trust in the context of conditional automated driving. In addition, the current findings might also be transferred to higher levels of driving automation as well as other domains and applications of automation.

The main purpose of this Master Thesis is to investigate how front-facing, train-mounted cameras and Computer Vision, a type of Artificial Intelligence (AI), can be used to compensate for GPS inaccuracies. By using footage from track-recording cameras, Computer Vision can be utilized to determine the number of tracks and the track occupancy of the train, which would compensate GPS inaccuracies in the lateral positioning. GPS usage in railway applications is rare, however, an AI-based positioning system would facilitate the usage of GPS for higher capacity and better utilization of current railway infrastructure. This is especially interesting for ERTMS, a European effort to create a standardized signalling system while simultaneously increasing capacity, where potential for an AI-based positioning system can be found in both ERTMS level 2 and level 3. Two Computer Vision models were created, based on two different methods. Images for both models were collected from YouTube videos of train trips recorded with train-mounted cameras. In the first model, the images were labelled according to the number unoccupied adjacent tracks. For example, a left-track occupancy of a double track section would be labelled “01”. The model architecture was based on Convolutional Neural Networks (CNN), a type of AI algorithm specifically developed for image processing, where every pixel in each image was analysed to find patterns corresponding to each label. In the second model, Python software was utilized to manually label every track with bounding boxes. The purpose of the bounding boxes was to demarcate the tracks within the images. Thus, the latter employed strategy did not require the labelling of both the number of tracks and their position. However, it was magnitudes more time consuming. The model was trained using YOLOv3 real-time object detection, a system perfectly fit for real-time track detection. The first model, which was limited to a recognition of up to four tracks, had a 60 % accuracy. The results were adequate considering the unfit method used to train the model and detect tracks. It was not further considered, as the discovery of the second method involving YOLOv3 resulted a more suitable model for the task. The second model was limited to a recognition of up to three tracks due to limited availability of processing power, computer memory, and time. The performance of the second model was evaluated using clips of different track scenarios.  In summary, the second model performed well in the following scenarios:  ·        Main-track detection in any environment.  ·        Side-track recognition in simple environments.  It performed mediocre in the following scenarios:  ·        Medium-illuminated tunnels.  ·        Tracks seen through windscreens obscured by water droplets.  ·        Side-track detection in complex environments.  It performed poorly in the following scenarios: ·        Low-illuminated tunnels.  ·        Bright tunnel exits.  ·        Side-track detection in snowy conditions. In conclusion, it is possible to create a computer-vision model for track recognition. Although the results presented in this thesis are promising in certain scenarios, the image dataset is far too limited. Only approximately 350 labelled images were available for the model training. To develop a full-scale AI-based positioning system, many more images must be used to fully encapsule all the possible track scenarios. Furthermore, numerous technical specifications must be defined for the development of such a large-scale system, such as camera type (normal, thermal, event-based, lidar etc.), system design, safety analysis, system evaluation strategy etc. Nevertheless, if the development of an AI-based positioning system is successful, it can transition to become a future full-scale railway system of autonomous freight, passenger, and shunting operations. / Syftet med denna Masteruppsats är att undersöka hur hyttmonterade tågkameror tillsammans med datorseende, en typ av Artificiell Intelligens (AI), kan användas för att kompensera bristande GPS-positionering. Genom att använda kameror som kontinuerligt filmar framförvarande räls från tåghytten, kan datorseende utnyttjas för att avgöra antalet spår vid tågets aktuella position, samt vilket spår tåget belägger, och på så sätt kompensera eventuella GPS-felaktigheter i tågets laterala position. Användning av GPS inom järnvägens signalsystem är sällsynt, då tekniken inte är särskilt beprövad i signaltekniska syften. Det skulle emellertid kunna främjas genom att introducera ett AI-baserat signalsystem i syfte att höja järnvägens kapacitet och öka utnyttjandegraden av befintliga banor. I synnerhet när det kommer till utvecklingen av ERTMS kan ett AI-baserat signalsystem vara av intresse, då det finns potentiella tillämpningsområden för både ERTMS level 2 och level 3. Två olika modeller för datorseende utvecklades, baserat på två olika metoder. Bildmaterial för båda modellerna togs från YouTube-klipp innehållande inspelningar från hyttmonterade kameror. För den första modellen kategoriserades bilderna i enlighet med antalet fria intilliggande spår. Exempelvis skulle ett vänster-belagt dubbelspår kategoriseras ”01”. Modellarkitekturen baserades på Convolutional Neural Networks (CNN) en AI-algoritm specialanpassad för bland annat bildanalysering, där alla pixlar i varje bild analyserades i syfte att upptäcka mönster mellan bilderna och dess kategori. I den andra modellen användes Python-programvara för att manuellt kategorisera varje spår med en så kallad avgränsningsruta. Avgränsningsrutorna användes i syfte att urskilja spåren från resterande del av bilderna. Kategorisering i enlighet med antalet fria intilliggande spår krävdes således inte, däremot ökade tidsåtgången för kategorisering markant. Modellen tränades med ”YOLOv3 real-time object detection”, ett verktyg speciellt framtaget för bildanalys i realtid, vilket passade perfekt för spårdetektering i realtid. Den första modellen begränsades till igenkänning av maximalt fyra spår och hade 60 % precision. Resultatet var tillfredsställande med tanke på den olämpliga modell som användes för träning samt detektering av spår. Utvecklingen av denna modell avstannades då ett bättre system för spårdetektering baserat på YOLOv3 upptäcktes. Den andra modellen, baserad på YOLOv3 begränsades till igenkänning av maximalt tre spår, då tillgängligheten av processorkraft, lagringsutrymme och tid var begränsad. Precisionen av denna modell bedömdes med hjälp av korta klipp på olika spårmiljöer.  Sammanfattningsvis presterade modellen bra i följande scenarion: ·        Huvudspårsdetektering i alla typer av miljöer ·        Sidospårsdetektering i enkla miljöer Modellen presterade mediokert i följande scenarion: ·        Spårdetektering i halvmörka tunnlar ·        Vindrutor täckta med vattendroppar ·        Sidospårsdetektering i avancerade miljöer Modellen presterade mycket dåligt i följande scenarion: ·        Spårdetektering i mörka tunnlar. ·        Spårdetektering i ljusa tunnelportaler. ·        Sidospårsdetektering i snöförhållanden. Ur detta kan slutsatsen dras att det är fullt möjligt att skapa ett signalsystem baserat på datorseende. Fastän de resultat som presenterats i denna masteruppsats tyder på god prestanda i vissa scenarion, kan det inte uteslutas att storleken på det använda bildmaterialet inte är adekvat.  Endast cirka 350 kategoriserade bilder användes. För en fullskalig utveckling av ett AI-baserat positioneringssystem måste många fler bilder tas i beaktning, för att säkerställa en inkludering av så många spårmiljöer som möjligt. Dessutom måste åtskilliga tekniska specifikationer definieras, så som kameratyp (vanlig kamera, värmekamera, eventbaserad kamera, Lidar osv.), systemdesign, säkerhetsanalys, systemutvärderingsstrategi osv. Om däremot utvecklingen av ett AI-baserat signalsystem lyckas, kan det vidareutvecklas till ett framtida fullskaligt signalsystem för autonoma passagerar- och godståg samt autonoma rangerlok.

The results of mathematics level 3 have always been a problem at TVET colleges as this hampers the certification rate and the progress of the students to level 4. Students who did not do well in the current subject are not allowed to register that subject in the following level. Even though the students are allowed to progress to level 4 they won’t be certificated for both levels until they pass the remaining subject. The above challenges made the researcher to check during the marking and moderation of November / December examination the course of poor results for mathematics level 3. In the process of checking the researcher discovered that rectangular hyperbola is one of the topics that the students of mathematics level 3 are struggling with. This study therefore focuses on exploring the challenges faced by TVET Level 3 NCV students in understanding the hyperbolic function in mathematics. In addition to the literature review, an empirical investigation based on a qualitative approach and involving semi-structured interviews with the students of a TVET college in North West was conducted to collect data. The analysis of documents relevant to the study was also used as the other method. The study used participatory action research, where the researcher, collaborators and students work alongside each other to collect data and to improve practice and follow the spiral pattern of reflection, analysing the results and adapting the action. The research design and methodology was qualitative. This helped the researcher to understand the challenges students faced in the learning of rectangular hyperbola and also came up with ways to minimise those challenges. The data collection methods used was interviewing using semi-structured questions, pre-test and post-tests. During data collection different interventions (IN1 –IN3) was used depending on the understanding of the students. For ethical consideration, ethical clearance was obtained from UNISA. DHET, the principal of the college, collaborators, parents and students will also give written consent on forms which will be sent out explaining what we envisage. Since research was voluntary, an explanation was given that this was not compulsory and that participation was completely voluntary and that they could withdraw at any time. In this study, various methods to empower students were recommended. Recommendations are also made on what was found in this study, as are recommendations for further study. / Mathematics Education / M. Ed. (Mathematics Education)