diff --git a/src/Report/main.tex b/src/Report/main.tex index 0d974fc..7679ff1 100644 --- a/src/Report/main.tex +++ b/src/Report/main.tex @@ -128,19 +128,19 @@ Nun werden Fragen zum Nutzungsverhalten von solcher Software gestellt ohne dabei Beispiele zu nennen, um Beeinflussung zu vermeiden. \paragraph{Unbewusste Nutzung} - Im zweiten Abschnitt werden konkrete Beispiele für Open Source Software genannt, um die Nutzer darauf aufmerksam zu machen, wo Open Source Komponenten und Softwares überall eingesetzt werden, ohne dass es ihnen klar ist.\\ + Im zweiten Abschnitt werden konkrete Beispiele für Open Source Software genannt, um die Nutzer darauf aufmerksam zu machen, wo Open Source Komponenten und Software überall eingesetzt werden, ohne dass es ihnen klar ist.\\ Außerdem soll geklärt werden, warum es Differenzen, wenn vorhanden, zwischen bewusster und unbewusster Nutzung gibt. \paragraph{Gründe für und gegen Open Source Software} Im dritten Abschnitt werden Fragen bezüglich der Nutzungs- und Hinderungsgründe von Open Source Software gestellt. Dazu wird gefragt, warum oder warum nicht Endnutzer oder Unternehmen Open Source Software einsetzten. Die möglichen Antworten werden aus der Schweizer Studie zum Thema Open Source\cite{oss:studie} genommen, um die Wahrnehmung mit der realen Nutzung vergleichbar zu machen. - \paragraph{Demographische Differenzen} + \paragraph{Demografische Differenzen} Zur Analyse von Differenzen innerhalb der Bevölkerungen enthält die Umfrage Fragen zur aktuellen Tätigkeit\footnote{Schüler, Student, Arbeitnehmer, etc.} sowie zur Selbsteinschätzung der Computerkenntnisse. \subsubsection{Designentscheidungen} \begin{itemize} \item Es wurde überwiegend auf Freifelder verzichtet, um die Auswertung zu vereinfachen. Aus dem selben Grund wurde bei dem eingesetzten Freifeld ein einheitliches Format gefordert. - \item Bei Skalen wurde darauf geachtet eine gerade Anzahl an Optionen anzubieten, um den Nutzer nicht die Möglichkeit zu bieten neutral zu antworten. + \item Bei Skalen wurde darauf geachtet eine gerade Anzahl an Optionen anzubieten, um den Nutzer nicht die Möglichkeit zu bieten, neutral zu antworten. \item Die Texte sollen möglichst allgemeinverständlich geschrieben sein, um auch Nutzern ohne technischen Hintergrund die Teilnahme an der Umfrage zu ermöglichen. \end{itemize} @@ -179,7 +179,7 @@ \subsection{Durchführung} \subsubsection{Software} - Die Umfrage wurde mithilfe von Google Forms\footnote{\url{https://www.google.com/forms/about/}} erstellt und durchgeführt. Anschließend wurden die Daten als CSV exportiert, mithilfe von Swift\footnote{\url{https://swift.org/about/}} strukturiert und unter Zuhilfenahme von Numbers\footnote{\url{https://www.apple.com/numbers/}} grafisch dargestellt. Sämtliche Swift-Programme die zur Strukturierung verwendet wurden sind open-source auf GitHub\footnote{\url{https://github.com/TexNAK/OpenSource/tree/master/src/Auswertung}}. + Die Umfrage wurde mithilfe von Google Forms\footnote{\url{https://www.google.com/forms/about/}} erstellt und durchgeführt. Anschließend wurden die Daten als CSV exportiert, mithilfe von Swift\footnote{\url{https://swift.org/about/}} strukturiert und unter Zuhilfenahme von Numbers\footnote{\url{https://www.apple.com/numbers/}} grafisch dargestellt. Sämtliche Swift-Programme, die zur Strukturierung verwendet wurden, sind open source auf GitHub\footnote{\url{https://github.com/TexNAK/OpenSource/tree/master/src/Auswertung}}. \subsubsection{Verbreitung} Um die Reichweite der Umfrage zu maximieren und die Kosten zu minimieren wurde diese in Form einer Onlinebefragung umgesetzt. Dabei wurden Kanäle wie Social Media, E-Mail, Messenger genutzt, um auf die Umfrage aufmerksam zu machen. Zudem wurde der Link zu der Umfrage über private Kontakte und an der Nordakademie verbreitet. @@ -258,8 +258,8 @@ \subsection{Validität der Ergebnisse} Der Eingangs auf Seite \pageref{section:fragestellung:answerAmount} erwähnte Umfang von 80 Antworten wurde mit 119 Datensätzen zum Zeitpunkt der Auswertung übertroffen. Die Stichprobe ist somit groß genug um signifikante Schlussfolgerungen im Bezug auf die Leitfrage zu ziehen. % TODO Give reason why - \subsubsection{Demographische Gruppen}\label{section:demographic_groups} - Abbildung \ref{fig:rowsPer:activity} legt dar, dass der Anteil der Schüler nur sehr gering ist und diese Gruppe mit nur acht Teilnehmern nicht repräsentativ ist. Des Weiteren ist zu beachten, dass der Anteil von Personen mit sehr hohen (6) und hohen (5) Computerkenntnissen nach Abbildung \ref{fig:rowsPer:knowledge} einen Großteil der Befragten ausmacht. In Abbildung \ref{fig:rowsPer:knowledgeCite} sind die Werte einer unabhängigen Studie der Österreichischen Computer Gesellschaft\cite{demographicDistributionKnowledge} dargestellt, welche eine weitreichende Übereinstimmung mit der Verteilung der Stichprobe dieser Arbeit haben. Folglich können repräsentative Aussagen im Bezug auf den Kenntnisstand der Nutzer getätigt werden. + \subsubsection{Demografische Gruppen}\label{section:demographic_groups} + Abbildung \ref{fig:rowsPer:activity} legt dar, dass der Anteil der Schüler nur sehr gering ist und diese Gruppe mit nur acht Teilnehmern nicht repräsentativ ist. Des Weiteren ist zu beachten, dass der Anteil von Personen mit sehr hohen (6) und hohen (5) Computerkenntnissen nach Abbildung \ref{fig:rowsPer:knowledge} einen Großteil der Befragten ausmacht. In Abbildung \ref{fig:rowsPer:knowledgeCite} sind die Werte einer unabhängigen Studie der österreichischen Computer Gesellschaft\cite{demographicDistributionKnowledge} dargestellt, welche eine weitreichende Übereinstimmung mit der Verteilung der Stichprobe dieser Arbeit haben. Folglich können repräsentative Aussagen im Bezug auf den Kenntnisstand der Nutzer getätigt werden. \begin{figure}[h] \centering @@ -289,12 +289,12 @@ \clearpage \section{Ergebnisse} - Die Ergebnisse der Umfrage sind in drei Aspekte gegliedert. Zunächst wird ermittelt, wie viel die Nutzer über \gls{oss} wissen. Anschließend wird analysiert, wo die Nutzer die Vorteile von \gls{oss} sehen. Dabei werden die Gründe für die private Nutzung, die Gründe für die kommerzielle Nutzung und die Gründe für kommerzieller Nutzung aus Sicht der Nutzer miteinander verglichen. Im letzten Abschnitt wird untersucht, welche Unterschiede es zwischen verschiedenen demographischen Gruppen gibt. + Die Ergebnisse der Umfrage sind in drei Aspekte gegliedert. Zunächst wird ermittelt, wie viel die Nutzer über \gls{oss} wissen. Anschließend wird analysiert, wo die Nutzer die Vorteile von \gls{oss} sehen. Dabei werden die Gründe für die private Nutzung, die Gründe für die kommerzielle Nutzung und die Gründe für kommerzieller Nutzung aus Sicht der Nutzer miteinander verglichen. Im letzten Abschnitt wird untersucht, welche Unterschiede es zwischen verschiedenen demografischen Gruppen gibt. \subsection{Wissen über OSS}\label{section:knowledge_oss} Ein entscheidender Aspekt der Wahrnehmung von \gls{oss} durch Endnutzern ist, ob diese wissen, ob es sich bei Software um \gls{oss} handelt oder diese \gls{oss} verwendet. - Um dies zu ermitteln, wurde im Abschnitt \emph{Nutzungsverhalten} der Umfrage gefragt, welche Anwendungen aus einer vorgegebenen Liste\footnote{Siehe Tabelle \ref{table:software_examples}} genutzt werden und welche open source sind oder \gls{oss} nutzt. Die Daten wurden mit Hilfe von Abbildung \ref{figure:knowledge_difference} ausgewertet. + Um dies zu ermitteln, wurde im Abschnitt \emph{Nutzungsverhalten} der Umfrage gefragt, welche Anwendungen aus einer vorgegebenen Liste\footnote{Siehe Tabelle \ref{table:software_examples}} genutzt werden und welche open source sind oder \gls{oss} nutzt. Die Daten wurden mithilfe von Abbildung \ref{figure:knowledge_difference} ausgewertet. \begin{figure} @@ -315,7 +315,7 @@ \begin{tabularx}{\textwidth}{rX} \textbf{Ergebnis} & \textbf{Auswertung} \\\hline - $= 50 \%$ & Die Befragten haben haben das selbe Ergebnis erreicht, wie beim Raten. Das bedeutet, dass im Durchschnitt kein Wissen über \gls{oss} vorhanden ist.\\ + $= 50 \%$ & Die Befragten haben dasselbe Ergebnis erreicht, wie beim Raten. Das bedeutet, dass im Durchschnitt kein Wissen über \gls{oss} vorhanden ist.\\ $> 50 \%$ & Ein größerer Teil der Befragten konnten die Frage richtig beantworten. Das bedeutet, dass im Durchschnitt richtiges Wissen über \gls{oss} vorhanden ist. Im Extremfall 100\% konnte jeder der Befragten die Frage richtig beantworten.\\ $< 50 \%$ & Ein größerer Teil der Befragten hat die Frage falsch beantwortet. Das bedeutet, dass im Durchschnitt falsches Wissen über \gls{oss} vorhanden ist. Im Extremfall 0\% hat keiner der Befragten die Frage richtig beantworten. \end{tabularx} @@ -337,7 +337,7 @@ \end{split} \end{equation} - Mit dieser so erhaltenen Formel für $r$ lässt sich der reale Anteil der Befragten ermittelt, die in der Lage waren richtig zu beantworten, ob es sich bei einer Anwendung um \gls{oss} handelt oder sie diese nutzt. Die sich daraus ergebenen Werte für den realen Prozentanteil sind in Tabelle \ref{table:knowledge_by_category} dargestellt. Negative Werte bedeuten dabei wie auch in der vorangehenden Abbildung \ref{figure:knowledge_difference}, dass falsches Wissen vorhanden ist. + Mit dieser so erhaltenen Formel für $r$ lässt sich der reale Anteil der Befragten ermitteln, die in der Lage waren, richtig zu beantworten, ob es sich bei einer Anwendung um \gls{oss} handelt oder sie diese nutzt. Die sich daraus ergebenen Werte für den realen Prozentanteil sind in Tabelle \ref{table:knowledge_by_category} dargestellt. Negative Werte bedeuten dabei wie auch in der vorangehenden Abbildung \ref{figure:knowledge_difference}, dass falsches Wissen vorhanden ist. %TODO: Auswertung @@ -356,11 +356,11 @@ \end{table} \paragraph{Positive Abweichung} - Besonders gut haben Desktop Anwendungen ({\scriptsize 40.29\%}) und Betriebsysteme ({\scriptsize 36.07\%}) abgeschnitten. + Besonders gut haben Desktop Anwendungen ({\scriptsize 40.29\%}) und Betriebssysteme ({\scriptsize 36.07\%}) abgeschnitten. - Bei Betriebssystemen lässt sich dieses gute Ergebnis damit erklären, dass Linux häufig als Beispiel für \gls{oss} verwendet wird. In dem Zusammenhang werden auch andere Betriebssysteme, die nicht \gls{oss} sind erwähnt. Dadurch scheint es mehr Nutzern bewusst zu sein, bei welchen Betriebsystemen es sich um \gls{oss} handelt. + Bei Betriebssystemen lässt sich dieses gute Ergebnis damit erklären, dass Linux häufig als Beispiel für \gls{oss} verwendet wird. In dem Zusammenhang werden auch andere Betriebssysteme, die nicht \gls{oss} sind erwähnt. Dadurch scheint es mehr Nutzern bewusst zu sein, bei welchen Betriebssystemen es sich um \gls{oss} handelt. - Das noch bessere Ergebnis bei Desktop Anwendungen könnte sich dadurch erklären lassen, dass sich Nutzer im Allgemeinen mehr mit Desktop Anwendungen auseinandersetzten, da diese zunächst herruntergeladen werden muss. + Das noch bessere Ergebnis bei Desktop Anwendungen könnte sich dadurch erklären lassen, dass sich Nutzer im Allgemeinen mehr mit Desktop Anwendungen auseinandersetzten, da diese zunächst heruntergeladen werden muss. \paragraph{Negative Abweichung} Bei Browsern scheint nicht bekannt zu sein, dass sowohl Apple mit WebKit als auch Google mit Chromium den Kern ihrer Browser als \gls{oss} veröffentlicht haben\footnote{Siehe Tabelle \ref{table:software_examples}}, da hier falsches Wissen ({\scriptsize -16.26\%}) vorhanden ist. @@ -387,7 +387,7 @@ Die Spalten \emph{Erfolge} und \emph{Umfang} geben an, wie viele Antworten insgesamt beziehungsweise korrekt abgegeben wurden. In den Spalten $2\sigma$-Umgebung und $3\sigma$-Umgebung sind die entsprechenden Sigma-Umgebungen eingetragen, anhand derer sich die Signifikanz in der letzten Spalte bestimmen lässt. Signifikant bedeutet dabei, dass die Abweichung in der $2\sigma$-Umgebung liegt und damit mit einer $95.5\%$ Wahrscheinlichkeit tatsächlich abweicht. Hoch bedeutet, dass die Abweichung in der $3\sigma$-Umgebung liegt und damit mit einer $99.7\%$ Wahrscheinlichkeit tatsächlich abweicht. \subparagraph{Auswertung} - Es ist erkennbar, dass in allen Kategorien mindestens eine signifikante Abweichung gegeben ist. Das bedeutet, dass ein Teil der Befragten nicht geraten hat sondern auf Grundlage von Vorwissen eine Entscheidung gefällt hat. Im Fall der Browser ist dieses Vorwissen im Durchschnitt falsch, bei allen anderen Kategorien richtig. + Es ist erkennbar, dass in allen Kategorien mindestens eine signifikante Abweichung gegeben ist. Das bedeutet, dass ein Teil der Befragten nicht geraten hat, sondern auf Grundlage von Vorwissen eine Entscheidung gefällt hat. Im Fall der Browser ist dieses Vorwissen im Durchschnitt falsch, bei allen anderen Kategorien richtig. \subsection{Nutzungsgründe für Open Source Software} @@ -400,7 +400,7 @@ \paragraph{Privat} Zusätzlich ist von Interesse, was die privaten Gründe für die Nutzung von Open Source Anwendungen sind. Dazu gab es in der Umfrage ein Freifeld, wo nach den drei wichtigsten Gründen für den privaten Einsatz von \gls{oss} gefragt wurde. Diese wurden grob kategorisiert\footnote{Siehe Tabelle \ref{table:categories} auf Seite \pageref{table:categories}.} um eine Auswertung möglich zu machen. Das Ergebnis ist in Abbildung \ref{figure:usageRankingPrivate} dargestellt. Dabei sind die Anteile nicht die Anteile der Nutzer, die diese Kategorie als Nutzungsgrund angegeben haben, sondern die Anteile an der Gesamtheit aller angegebenen Begriffe. Da jeder Nutzer genau 3 Begriffe angeben musste, ist die Summe aller Anteile $300\%$. Da nur sehr selten von einem Nutzer mehr als ein Begriff aus einer Kategorie angegeben wurde, lassen sich die Anteile dennoch annäherungsweise als die Anteile als Nutzer interpretieren. - Auffällig ist, dass der Aspekt Kosten mit einem großen Abstand (ca. drei mal so oft) sehr häufig angegeben wurde. + Auffällig ist, dass der Aspekt Kosten mit einem großen Abstand (ca. dreimal so oft) sehr häufig angegeben wurde. Anschließend wurden die Kategorien den Kategorien der Schweizer Studie wie in Tabelle \ref{table:privateToCommercialCategories} zu sehen zugeordnet, um den Vergleich der Gründe zu ermöglichen. @@ -424,8 +424,8 @@ Die y-Achse des Diagramms stellt die Wichtigkeit eines Aspekts für die Nutzung von \gls{oss} dar. Ein höherer Wert korrespondiert hierbei zu einer größeren Wichtigkeit. \paragraph{innerer Fehlerbereich} - Der rot markierte Bereich stellt den inneren Toleranz- bzw. Fehlerbereich dar, welcher alle Werte mit einer Abweichung von dem Ranking der Unternehmen von maximal zwei einschließt. Sämtliche Datenpunkte, die sich in diesem Bereich befinden werden im Folgenden als \"richtig\" angesehen, da ihre Abweichung von dem Zielwert nur gering ist. - + Der rot markierte Bereich stellt den inneren Toleranz- bzw. Fehlerbereich dar, welcher alle Werte mit einer Abweichung von dem Ranking der Unternehmen von maximal zwei einschließt. Sämtliche Datenpunkte, die sich in diesem Bereich befinden werden im Folgenden als ``richtig'' angesehen, da ihre Abweichung von dem Zielwert nur gering ist. + \paragraph{äußerer Fehlerbereich} Der Bereich zwischen den roten und grauen Linien wird im folgenden als äußerer Toleranz- bzw. Fehlerbereich genannt. Er beinhaltet alle Werte, dessen absolute Abweichung von dem Ranking der Unternehmen mehr als zwei und maximal vier entspricht. @@ -467,8 +467,8 @@ Schaut man sich die Werte außerhalb des inneren Fehlerbereichs an, so fällt auf, dass $50 \%$ der Punkte ({\scriptsize Community, Anpassbarkeit, Transparenz}) eine sehr geringe Distanz zu den privaten Gründen haben. Daraus lässt sich ableiten, dass die Nutzer möglicherweise ihre privaten Gründe auf Unternehmen projizieren. Sie schließen von sich selbst aufgrund potenziell fehlenden Wissens auf die Unternehmen, was in der Psychologie als Projektion bezeichnet wird und in der heutigen Zeit sehr häufig anzutreffen ist \cite{psychology:freud-defense-projection}.\\ Betrachtet man ebenfalls die Werte innerhalb des Toleranzbereichs, so findet man weitere Beispiele, welche diese These ({\scriptsize Kosteneinsparungen, Innovation, Mitarbeitende}) unterstreichen. Es lässt sich anhand der vorliegenden Daten allerdings nicht zweifelsfrei beweisen, dass die Punkte lediglich aufgrund der Projektion und nicht aufgrund des Wissens der Nutzer in dem inneren Fehlerbereich liegen.\\ Nimmt man alle Datenpunkte die eine maximale Abweichung von zwei zu den privaten Nutzungsgründen haben und geht davon aus, dass diese ihre aktuelle Position aufgrund der Projektion haben (schließt sie also aus der Wertung aus), so verbleibt lediglich ein Punkt in dem inneren Toleranzbereich. Dies ist der Aspekt der \emph{Unabhängigkeit}, welcher eindeutig von den Nutzern richtig in den inneren Toleranzbereich eingeordnet wurde. - - \subsection{Demographische Differenzen} + + \subsection{Demografische Differenzen} Da es selten der Fall ist, dass Wissen in der Gesellschaft homogen verteilt ist\footnote{Vor allem mit der voranschreitenden Arbeitsteilung, die seit dem sechzehnten Jahrhundert ununterbrochen andauert, ist es notwendig, dass auch das Wissen aufgeteilt ist\cite{mckeon:divison_of_knowledge}.}, enthielt die Umfrage sowohl eine Frage zur Selbsteinschätzung der Computerkenntnisse als auch eine zur aktuellen Tätigkeit, um darauf basierend Verschiebungen in der Wissensverbreitung zu untersuchen. \subsubsection{Selbsteinschätzung} @@ -481,7 +481,7 @@ Die Spalte \emph{1--4} gibt an, wie viel Prozent der Gruppe 1--4 korrekt \gls{oss} erkannt haben. Die Spalten \emph{5--6} und \emph{$\sum$5--6} geben an, wie viele Antworten der Gruppe 5--6 korrekt beziehungsweise insgesamt abgegeben wurden. Alle restlichen Spalten sind wie in Abschnitt \ref{section:knowledge_analysis} zu verstehen. \paragraph{Auswertung} - Die Signifikanz der Abweichung ist in fast allen Kategorien sowie in der Gesamtauswertung hoch. Besonders extrem sind die Unterschiede in den Kategorien Browser und Betriebssysteme. Wie aus dem Diagramm ersichtlich wird, ist zu beachten, dass die Gruppe 5--6 in der Kategorie Browser und die Gruppe 1--4 in der Kategorie Betriebssysteme lediglich 50\% erreicht haben und damit nach der Auswertung in Abschnitt \ref{section:knowledge_analysis} kein Wissen vorhanden ist. Das bedeutet, dass die Differenzen zwei verschiedene Ursachen haben: Einmal liegt es am falschen Wissen der Gruppe 1--4 und einmal an dem richtigen Wissen der Gruppe 1-5. + Die Signifikanz der Abweichung ist in fast allen Kategorien sowie in der Gesamtauswertung hoch. Besonders extrem sind die Unterschiede in den Kategorien Browser und Betriebssysteme. Wie aus dem Diagramm ersichtlich wird, ist zu beachten, dass die Gruppe 5--6 in der Kategorie Browser und die Gruppe 1--4 in der Kategorie Betriebssysteme lediglich 50\% erreicht haben und damit nach der Auswertung in Abschnitt \ref{section:knowledge_analysis} kein Wissen vorhanden ist. Das bedeutet, dass die Differenzen zwei verschiedene Ursachen haben: Einmal liegt es am falschen Wissen der Gruppe 1--4 und einmal an dem richtigen Wissen der Gruppe 1--5. Es lässt sich zusammenfassen, dass grundsätzlich Gruppe 5--6 besser als Gruppe 1--4 beurteilen konnte, ob eine Anwendung \gls{oss} ist oder nutzt, also über mehr Wissen über \gls{oss} verfügt. Dieses Ergebnis deckt sich mit den Erwartungen aus Abschnitt \ref{section:fragestellung}. Man muss aber beachten, dass im Allgemeinen auch Gruppe 5--6 nicht überall Wissen hat. @@ -506,7 +506,7 @@ \end{table} \subsubsection{Tätigkeit} - Der zweite Aspekt, der hier zur Auswertung der demographischen Differenzen behandelt wird, ist die aktuelle Tätigkeit und damit indirekt, wenn auch nicht eindeutig, verbunden das Alter der Befragten. Zur Auswertung wurden die Tätigkeiten in die Gruppen `Schüler`, `Student` und `Arbeitstätig` unterteilt. Wie auch bei der Selbsteinschätzung wurden diese Gruppen verwendet, um das Wissen über \gls{oss} zu vergleichen. Wie in der grafischen Darstellung in Abbildung \ref{figure:knowledge_by_occupation} zu sehen hat keine der Gruppen in mehreren Kategorien gleichartig auffällige Abweichung und auch in der Gesamtauswertung sind keine Auffälligkeiten zu erkennen. Die aktuelle Tätigkeit oder das Alter scheint nur begrenzt Auswirkungen auf das Wissen über \gls{oss} zu haben. + Der zweite Aspekt, der hier zur Auswertung der demografischen Differenzen behandelt wird, ist die aktuelle Tätigkeit und damit indirekt, wenn auch nicht eindeutig, verbunden das Alter der Befragten. Zur Auswertung wurden die Tätigkeiten in die Gruppen `Schüler`, `Student` und `Arbeitstätig` unterteilt. Wie auch bei der Selbsteinschätzung wurden diese Gruppen verwendet, um das Wissen über \gls{oss} zu vergleichen. Wie in der grafischen Darstellung in Abbildung \ref{figure:knowledge_by_occupation} zu sehen hat keine der Gruppen in mehreren Kategorien gleichartig auffällige Abweichung und auch in der Gesamtauswertung sind keine Auffälligkeiten zu erkennen. Die aktuelle Tätigkeit oder das Alter scheint nur begrenzt Auswirkungen auf das Wissen über \gls{oss} zu haben. \begin{figure} \includegraphics[width=\textwidth]{assets/results/openSourceJudging/openSourceJudgingDetailedOSSOnlyByOccupation.pdf} @@ -530,7 +530,7 @@ Für die privaten Nutzungsgründe gab es in der Umfrage ein Freifeld. Für den Vergleich in Abschnitt \ref{section:usageReasons} war es nötig die abgegebenen Stimmen in die Kategorien der Studie bzgl. der Unternehmen einzuordnen, was aufgrund der grundverschiedenen Anwendungszwecke dazu geführt hat, dass in dem Diagramm einige Stimmen der privaten Nutzungsgründe aufgrund der fehlenden Übereinstimmung mit den kommerziellen Kategorien nicht repräsentiert sind. \paragraph{Kulturelle Differenzen} - Es ist auf Basis der genutzten Verbreitungsmedien zu vermuten, dass die Datensätze überwiegend Stimmen aus Deutschland enthalten. Die Vergleichsstudien stammen aus Österreich\cite{demographicDistributionKnowledge} und der Schweiz\cite{oss:studie}. Dabei ist nicht auszuschließen, dass aufgrund diverser wirtschaftlicher, politischer, ideologischer und kulturelle Gründe die demographische Verteilung und IT-Kenntnisse sowie Nutzungsgründen von denen in Deutschland abweichen. Dies lässt sich auf Basis der vorliegenden Daten nicht ausschließen, aber es ist aufgrund der geografischen Nähe und nahezu identischen Sprache der drei zuvor genannten Ländern wahrscheinlich, dass die Abweichung nur gering ausfällt. + Es ist auf Basis der genutzten Verbreitungsmedien zu vermuten, dass die Datensätze überwiegend Stimmen aus Deutschland enthalten. Die Vergleichsstudien stammen aus Österreich\cite{demographicDistributionKnowledge} und der Schweiz\cite{oss:studie}. Dabei ist nicht auszuschließen, dass aufgrund diverser wirtschaftlicher, politischer, ideologischer und kulturelle Gründe die demografische Verteilung und IT-Kenntnisse sowie Nutzungsgründen von denen in Deutschland abweichen. Dies lässt sich auf Basis der vorliegenden Daten nicht ausschließen, aber es ist aufgrund der geografischen Nähe und nahezu identischen Sprache der drei zuvor genannten Ländern wahrscheinlich, dass die Abweichung nur gering ausfällt. \paragraph{Spiele} Die Anwendungsmatrix in der Umfrage beinhaltete eine Kategorie zu Computerspielen. Diese Kategorie beinhaltete aufgrund eines Fehlers aufseiten der Autoren ausschließlich Spiele, welche nicht Open Source sind und nur insignifikante Mengen von Open Source Software für die kritische Funktionalität verwenden. Dies führte dazu, dass alle Datenpunkte aus dieser Kategorie für die Auswertung im Rahmen der drei in dieser Arbeit betrachteten Hauptaspekte nicht verwendbar waren. Aus dem Datensatz lässt sich lediglich schließen, dass $88.6\%$ der Leute, welche die Spiele nutzen, diese korrekt als Closed-Source einschätzten. @@ -585,7 +585,7 @@ Validität der Ergebnisse & T. Blechschmidt\\ Wissen über \gls{oss} & N. Peeters\\ Nutzungsgründe für \gls{oss} & T. Blechschmidt\\\ - Demographische Differenzen & N. Peeters\\ + Demografische Differenzen & N. Peeters\\ Selbstreflexion & T. Blechschmidt \end{tabular}