No abstract

ZusammenfassungStress und seine komplexen Wirkungen werden bereits seit Anfang des 20. Jahrhunderts erforscht. Die vielfältigen psychischen und physischen Stressoren in der Arbeitswelt können in Summe zu Störungen des Organismus und zu Erkrankungen führen. Da die Ausprägung körperlicher und subjektiver Folgen von Stress individuell unterschiedlich ist, lassen sich keine absoluten Grenzwerte ermitteln. Zur Erforschung der systematischen Mustererkennung physiologischer und subjektiver Stressparameter sowie einer Stressvorhersage, werden in dem vorliegenden Beitrag Methoden des maschinellen Lernens (ML) eingesetzt. Als praktischer Anwendungsfall dient die Logistikbranche, in der Belastungsfaktoren häufig in der Tätigkeit und der Arbeitsorganisation begründet liegen. Ein Gestaltungselement bei der Prävention von Stress ist die Arbeitspause. Mit ML-Methoden wird untersucht, inwieweit Stress auf Basis physiologischer und subjektiver Parameter vorhergesagt werden kann, um Pausen individuell zu empfehlen. Im Beitrag wird der Zwischenstand einer Softwarelösung für ein dynamisches Pausenmanagement für die Logistik vorgestellt.Praktische Relevanz: Das Ziel der Softwarelösung „Dynamische Pause“ besteht darin, Stress in Folge mentaler und physischer Belastungsfaktoren in der Logistik präventiv vorzubeugen und die Beschäftigten auf lange Sicht gesund, zufrieden, arbeitsfähig und produktiv zu halten. Infolge individualisierter Erholungspausen als Gestaltungselement, können Unternehmen unterstützt werden, Personalressourcen entsprechend der dynamischen Anforderungen der Logistik flexibler einzusetzen.

We present a practical comparison of suffix array construction algorithms on modern hardware. The benchmark is conducted using our new benchmark framework SACABench, which allows for an easy deployment of publicly available implementations, simple plotting of the results, and straight forward support to include new construction algorithms. We use the framework to develop a construction algorithm running on the GPU that is competitive with the fastest parallel algorithm in our test environment.