Semantische Suche für die Wissensentwicklung in ... · 4 Semantische Suche für die...

Semantische Suche für die Wissensentwicklung in wissensintensiven Prozessen –

am Beispiel des Semantic Desktop in der Angebotsentwicklung bei Siemens IT Solutions und Services

Vom Fachbereich Wirtschaftswissenschaften der Universität Kaiserslautern genehmigte

D i s s e r t a t i o n

vorgelegt von

Dipl.-Kfm.techn. Mark Siebert aus München

D 386 (2010)

2 Semantische Suche für die Wissensentwicklung in wissensintensiven Prozessen

Semantische Suche für die Wissensentwicklung in wissensintensiven Prozessen 3

Vorwort des Autors

Wissensmanagement hat die Phase des Dokumenten- und Contentmanagements überwunden. Mit dem Web 2.0 entstehen erneut Technologien für den Umgang mit Wissen und erinnern an die Com-munities of practice und Web-Communities der New-Economy-Zeit. Der kollaborative Umgang mit Wissen löst langsam das Paradigma der Verteilung von Wissensobjekten ab. Es bricht die Vorstellun-gen auf, Wissen als ein festgeschriebenes Produkt in verschiedenen Kontexten eins zu eins wieder-verwenden zu können. Es berücksichtigt vielmehr den dynamischen und subjektiven Charakter von Wissen und überbrückt damit die künstliche Trennung zwischen Wissenstechnologien und Personal-management.

Meine Arbeit entstammt einer längeren Auseinandersetzung mit dem Phänomen „Wissen“ − zu-

nächst aus Sicht des betrieblichen Managements und der Innovationsforschung, dann aus philosophi-scher und psychologischer Sicht. Meine Praxiserfahrungen im Wissensmanagement der Siemens AG und in der Beratung anderer Unternehmen illustrierten die große Lücke zwischen Realität und An-spruch und motivierten ein vertieftes Hinterfragen. Zu wenig wissen wir noch über diese wohl wich-tigste Ressource unseres 21. Jahrhunderts und über deren Voraussetzungen.

Die Diskussion des Konstruktivismus zeigte neue Perspektiven und die Möglichkeit, Wissen aus

sich heraus als dynamisch und entwickelnd zu untersuchen. Das Phänomen der Rekursivität und Selbstähnlichkeit auf unterschiedlichen Abstraktionsebenen waren schließlich Anlass, die Künstliche Intelligenz mit ihren Technologien auf die Probe zu stellen. Welche innovativen Technologien könn-ten einen solchen Gedankenansatz stützen und damit die Brücke zu einem neuen Umgang mit Wissen bauen ?

Die Offenheit und Weitsicht von Prof. Dr. Dengel am DFKI (Deutschen Forschungszentrum für

Künstliche Intelligenz) in Kaiserslautern war es, die einen solchen interdisziplinären Gedankenansatz und die unkomplizierte Projektbegleitung ermöglichte. Die Unterstützung meiner Vorgesetzten bei Siemens IT Solutions und Services (Hr. Kapfenberger, Hr. Dr. Wagner, Hr. Dr. Tripp, Hr. Dr. Matzke) und aus dem Wissensmanagement des Konzerns (insbesondere Hr. Ramhorst, Hr. Dr. Hofer-Alfeis) erlaubte es, diesen Dialog praxisnah und anhand von realen, anonymisierten Daten aus dem Ange-botsprozess durchzuführen. Sie ermöglichte mir die Rahmenbedingungen und beruflichen Freiräume, mich dieser Diskussion neben der alltäglichen Arbeit zu widmen.

Mit der Bereitschaft von Prof. Dr. Wendt, sich in diesen Dialog einzubringen und die Arbeit ver-

antwortlich mitzutragen, ließen sich die ersten Erkenntnisse in das wissenschaftliche Spektrum der Wirtschaftsinformatik einflechten und mit dem Nachweis ihrer statistische Signifikanz festigen.

Viele Freunde, Bekannte, Betreuer, Studenten, Diplomanden und Interessierte haben mich in den

einzelnen Arbeitsphasen und auf Workshops und Konferenzen begleitet. Sie haben durch ihre Fragen, Anregungen, Kommentare, Korrekturen und Erfahrungen wesentliche Gedankenanstöße gegeben.

Ganz besonders möchte ich mich hier bei Heiko Maus, DFKI, und Pierre Smits, asknet, bedanken.

Heiko stand mir als DFKI-Betreuer jederzeit mit Rat und Tat zur Seite und erlaubte mir, Schritt für Schritt die Welt der semantischen Technologien zu entdecken. Mit Pierre gelang es, die technischen Tests im komplexen Systemrahmen eines Großkonzerns durchzuführen. Ich hoffe, dass unser Dialog über die Zeit der Dissertation hinausreichen wird.

Begeistert hat mich das Interesse und der Einsatz der Studenten Oliver Schon, Thomas Ruegg, Jens

Hauser und Maik Keppel von der Bundeswehr-Universität München. Sie haben sich in ihrem Praxis-programm für das Thema Wissensentwicklung eingesetzt. Sie waren in der Findungs- und Recherche-phase eine wertvolle Hilfe.

Im Rückblick sehe ich mit Freude, dass sich der Aufwand des Zusammenspiels zwischen Universi-

tät und Wirtschaft sowie Technologie und Philosophie ausgezahlt hat. Auf diese Weise wurden nicht nur neue Erkenntnisse für die Domäne der Wissensentwicklumg gewonnen, sondern auch innovative


Technologien in der Praxis getestet und Anregungen für den dynamischen Umgang mit den sich trans-formierenden CRM-Prozessen im Siemens-Konzern gegeben.

Die Arbeit zeigt damit, dass semantische Technologien die Möglichkeitsgrenze der Technologie

zwar verschieben können, die Wissensentwicklung aber erst am Anfang ihres eigenen Erkenntnispro-zesses steht. Mehr denn je und gerade in diesem Feld bin ich daher überzeugt, dass der interdisziplinä-re Dialog uns hilft, voneinander zu lernen und neues Wissen zu entwickeln. Oft ist es nur die Seman-tik, die uns trennt.

In diesem Sinne danke ich auch ganz herzlich meinen Eltern. Schon früh haben sie mich in meinen

neugierigen Fragen unterstützt und Einblicke in die interdisziplinäre wissenschaftliche Diskussion er-möglicht. Das Andenken an meinen Vater hat mich in meinem Forschungsprozess begleitet.

Vielen Dank ! München, Januar 2010 Mark Siebert


Abbildungsverzeichnis

Abb. 1. Individuelle Wissensentwicklung im Angebotsprozess 16 Abb. 2. Treibende Faktoren für die Diskussion der Wissensentwicklung 21 Abb. 3. Forschungsvorgehen 31 Abb. 4. Iterativer Ablauf und Werdegang der Arbeit 32 Abb. 5. Grad der Datenstruktur in Bezug auf Datenhaltung 41 Abb. 6. Wissenstreppe nach North 48 Abb. 7. Komponenten des Wissensmanagements 58 Abb. 8. Kreislauf der Wissensentwicklung 60 Abb. 9. Boisot’s Social Learning Cycle (SLC) 61 Abb. 10. Mapping der Modelle von Boisot und Nonaka 61 Abb. 11. Wissensmodell der Siemens AG 62 Abb. 12. Einflussfaktoren im Umgang mit Wissensprodukten 70 Abb. 13. Konnektionistisches Modellsystem 82 Abb. 14. CBR Kreislauf 90 Abb. 15. Technologieintegration zur schrittweisen Abbildung von Wissen 104 Abb. 16. Gnowsis Architektur 112 Abb. 17. Indexierung unterschiedlicher Datenquellen und –formate 113 Abb. 18. Zusammenspiel individueller und organisatorischer Wissensräume 116 Abb. 19. Vergleich der Folderstrukturen von Sales und Proposal Manager bei SIS 117 Abb. 20. Bausteine der Semantischen Suche 118 Abb. 21. Schema und Abgrenzung der Qualität von Suchergebnissen 120 Abb. 22. Testszenarien in Abhängigkeit von Rolle und Wissensobjekt 122 Abb. 23. Ontologie - Informationsmodell 124 Abb. 24. Ontologie - Kundenmodell 125 Abb. 25. Ontologie - Organisationsmodell 125 Abb. 26. Ontologie - Produktmodell 125 Abb. 27. Ontologie - Rollenmodell 125 Abb. 28. Ontologie - Prozessmodell 126 Abb. 29. Screenshot (schematisch) Gnowsis für Szenario 1 128 Abb. 30. Screenshot (schematisch) Gnowsis für Szenario 2 129 Abb. 31. Screenshot (schematisch) Gnowsis für Szenario 3 131 Abb. 32. Screenshot (schematisch) Gnowsis für Szenario 4 133 Abb. 33. Verteilung Precisionwerte nach Suchbegriffen 135 Abb. 34. Verteilung Recallwerte nach Suchbegriffen 136 Abb. 35. Vergleich der ROC-Kurven zwischen Gnowsis und LiveLink 140 Abb. 36. Vergleich der ROC-Kurven zwischen Gnowsis und LiveLink mit erweiterter

Datenbasis 141 Abb. 37. Verteilung F-Werte nach Suchbegriffen 143 Abb. 38. Precision/ Recall Häufung LiveLink 144 Abb. 39. Precision/ Recall Häufungen Gnowsis S1 144 Abb. 40. Modell der Wissensentwicklung (Knowledge Creation Framework) 150 Abb. 41. Vernetzung von Wissenssystemen über Interaktionssysteme 154 Abb. 42. Wissensentwicklung als Prozess des „perspective taking und making“ 156 Abb. 43. Anwendung des KCF auf den Semantic Desktop zur Erstellung von

Suchergebnissen 157 Abb. 44. Inhalte im kommunikativen Dialog zwischen Abstraktionsebenen 161 Abb. 45. Rolle als Hebel zum Paradigmenwechsel der Wissensentwicklung aus

individueller Sicht 162 Abb. 46. Informationstechnische Modellierung der Rolle in der Verknüpfung von Prozess

und Architektur 163 Abb. 47. Mögliche Integration der semantischen Suche in Standardsoftware SAP CRM 164 Abb. 48. Weiterentwicklung des Semantic Desktop auf Basis des KCF 166 Abb. 49. Beitrag des Semantic Desktop zur Produktivitätssteigerung des Wissensarbeiters 171


Tabellenverzeichnis

Tabelle 1. Angewandtes Vorgehen der Grounded Theory 27 Tabelle 2. Ansatz der Design Sciences auf bekannte Aktefakte 29 Tabelle 3. Übersicht der Arten wissensintensiver Prozesse 37 Tabelle 4. Übersicht Angebotsprozess und informationstechnische Unterstützung bei SIS 38 Tabelle 5. Mögliche Entwicklung eines neuen Management Summaries (MS) aus

bestehenden Management Summaries 42 Tabelle 6. Rollen-Vergleich Sales und Proposal Manager 43 Tabelle 7. Einordnung der Erstellung von Management Summaries in die Prozessarten 45 Tabelle 8. Unterschiede zwischen Objektivismus und Konstruktivismus 52 Tabelle 9. Lernarten nach Gagné 65 Tabelle 10. Übersicht Systemtheorien als Basis der Künstlichen Intelligenz 73 Tabelle 11. Übersicht über diskussionsrelevante Verfahren der Künstlichen Intelligenz 75 Tabelle 12. Mögliche Verfahren zur Realisierung der technologischen Hebel 96 Tabelle 13. Technologiebausteine des Semantic Desktops 101 Tabelle 14. Einordnung beispielhafter semantischer Verfahren (hellgrau) als

Weiterentwicklung bestehender KI-Verfahren (dunkelgrau) 102 Tabelle 15. Beitrag der Technologien und der semantischen Suche in wissensintensiven

Prozessen 105 Tabelle 16. Wirkung verschiedener Optimierungsverfahren im Information Retrieval 108 Tabelle 17. Optimierungsverfahren des Information Retrieval auf verschiedenen

Abstraktionsebenen 109 Tabelle 18. Entwicklungspfad von der Volltextsuche zur Semantischen Suche 110 Tabelle 19. Beispielhafte Suchergebnisse für brainfiler und LiveLink 121 Tabelle 20. Ordnerstruktur eines Proposal Managers 124 Tabelle 21. Ordnerstruktur eines Sales Managers 124 Tabelle 22. Systemvoraussetzungen 126 Tabelle 23. Gesamtverbesserung gegenüber bisheriger LiveLink Suche (ohne Regeln) 126 Tabelle 24. Gesamtverbesserung gegenüber bisheriger Livelink Suche (mit Regeln) 127 Tabelle 25. Ergebnisse gegenüber Laborbedingungen 127 Tabelle 26. Ergebnisse Szenario 2 gegenüber Szenario 1 129 Tabelle 27. Ergebnisse Szenario 3 gegenüber Szenario 1 130 Tabelle 28. Ergebnisse Szenario 4 gegenüber Szenario 1 und Livelink 132 Tabelle 29. Ergebnisse Standardabweichung für Precision über die Szenarien 135 Tabelle 30. Ergebnisse Standardabweichung für Recall über die Szenarien 136 Tabelle 31. Übersicht möglicher Signifikanztest 137 Tabelle 32. Wilcoxon-Test für Precision – Szenario 1 138 Tabelle 33. Wilcoxon-Test für Recall – Szenario 1 138 Tabelle 34. Aufbereitete LiveLink-Ergebnisse für ROC-Kurve 140 Tabelle 35. Aufbereitete Gnowsis (S4)-Ergebnisse für ROC-Kurve 140 Tabelle 36. Ergebnisse des Wilcoxon-Tests der ROC-Kurven 141 Tabelle 38. Ergebnisse Standardabweichung für F-Werte über die Szenarien 143 Tabelle 39. Wilcoxon-Test für F-Werte 145 Tabelle 40. Zusammenfassung der Literaturdiskussion 149 Tabelle 41. Vergleich der Charakteristika von qualitativer Sozialforschung und

Wissensentwicklung 165 Tabelle 42. Mapping von Dokumententyp auf Storyline und Value proposition 167


Abkürzungsverzeichnis

ARIS Architecture integrierter Systeme BDI Believe-Desire-Intention (Architekturen) bzw. beziehungsweise CBR Case-based reasoning CKAT Coinstructive Knowledge Analysis of Tasks CMS Content Management System CRM Customer Relationship Management DFKI Deutsches Forschungszentrum für Künstliche Intelligenz, Kaiserslau-

tern d.h. das heißt DMS Dokumenten Management System etc. et cetera engl. Englisch/ english FIPA Foundations of Intelligent Physical Agents ggfs. gegebenenfalls KCF Knowledge Creation Framework KI Künstliche Intelligenz KNN Künstliche Neuronale Netze LL LiveLink MAS Multi-Agenten-Systeme MS Management Summary MIT Massachusetts Institute of Technology NLP Natural Language Processing OWL Web Ontology Language PAT Proposal Automation Tools P2P peer-to-peer PIMO Personal Information Model PLM Product Lifecycle Management pp. pages PRS Procedural Reasoning System RAP Reactive Action Packages RDF(S) Resource Description Framework (Schema) S. Seite S1, S2, S3, S4 (Test-)Szenario 1, 2, 3, 4 SECI Socialisation, Externalization, Combination, Internalisation (Nonaka) SIS Siemens IT Solutions and Services SLC Social Learning Cycle (Boisot) sog. sogenannt v.a. vor allem W3C World Wide Web Consortium WM Wissensmanagement WMS Wissens Management System z.B. zum Beispiel Abkürzungen von Programmiersprachen werden im Text direkt erläutert


Inhaltsverzeichnis

Vorwort des Autors 3

Abbildungsverzeichnis 5

Tabellenverzeichnis 6

Abkürzungsverzeichnis 7

Inhaltsverzeichnis 8

Zusammenfassung 12

Summary (engl.) 13

1 Motivation 15

1.1 Wissensverteilung ist nicht ausreichend für aktive Unterstützung wissensintensiver Prozesse 15

1.2 Fehlende Prozesse und statische Tools erlauben keine aktive Prozessunter-stützung 16

1.3 Leistungsfähigkeit neuer, intelligenter und semantischer Technologien noch nicht hinreichend deutlich 18

1.4 Repräsentation des subjektiven Charakters von Wissen derzeit nicht technologisch abgebildet 19

1.5 Hoher Redaktionsaufwand für Einsatz von Wissensmanagement-Technologie 19

1.6 Monodisziplinäre Ansätze der Wissenstheorie blockieren das Verständnis der individuellen Wissensentwicklung 20

2 Ziel und Beitrag der Arbeit 21

3 Forschungsansatz und -methode 23

3.1 Wissenschaftstheorie – Forschungsansatz oder Wissensentwicklungsprozess 23

3.2 Besonderheiten naturwissenschaftlicher Ansätze 24 3.3 Besonderheiten sozialwissenschaftlicher Ansätze 24 3.4 Besonderheiten betriebswirtschaftlicher Ansätze 25 3.5 Besonderheiten kombinierter Ansätze 25

3.5.1 Action Research 26 3.5.2 Design Sciences 26 3.5.3 Grounded Theory 27

3.6 Wahl der Forschungsmethode 28

4 Anwendung der Forschungsmethode als Forschungsvorgehen 31

5 Forschungsfragen und Aufbau der Arbeit 33

6 Wissensintensive Prozesse 37

6.1 Angebotsprozess der SIS 38 6.2 Erstellung von Management Summaries 40 6.3 Value selling und value proposition 41


6.4 Bedeutung der Rollen im Prozess 43 6.4.1 Rolle Sales Manager 44 6.4.2 Rolle Proposal Manager 44

6.5 Zwischenfazit 44

7 Verständnis von Wissen 47

7.1 Wissen – Begriffliche Abgrenzung als wiederverwendbare Ressource 47 7.2 Wissen − Wissensentwicklung und Konstruktion 49 7.3 Exkurs − Konstruktivismus 50

7.3.1 Grundlagen und Vertreter des Konstruktivismus 50 7.3.2 Der Realismus als Abgrenzung des Konstruktivismus 51 7.3.3 Kernelemente des Konstruktivismus aus der Erkenntnistheorie 52

7.3.3.1 Realität und Wirklichkeit im neurobiologischen Konstruktivismus

bei Maturana und Roth 52

7.3.3.2 Wissen als anwendbare Wirklichkeit im Radikalen

Konstruktivismus 53

7.3.3.3 Realität als Konsens individueller Wirklichkeiten im sozialen

Konstruktivismus 53 7.3.4 Kernaussagen Kritik und Schlussfolgerung 54


8 Wissensentwicklung – begriffliche Einordnung 57

8.1 Wissensentwicklung – im betriebswirtschaftlichen, organisationalen Rahmen des Wissensmanagements 57 8.1.1 Wissensentwicklung im Modell von Probst 59 8.1.2 Wissensentwicklung bei Nonaka und Takeuchi 59 8.1.3 Wissensentwicklung bei Boisot 60 8.1.4 Wissensentwicklung im Modell der Siemens AG 62 8.1.5 Zwischenfazit betriebswirtschaftlicher Diskussion 62

8.2 Wissensentwicklung – eine Frage der Kommunikation 63 8.3 Wissensentwicklung – lerntheoretische Grundlagen 63

8.3.1 Lernen als Wissenserwerb 64 8.3.2 Lernen als Verhaltensänderung 66 8.3.3 Lernen als (neuro-)biologische Veränderung 67

8.4 Wissensentwicklung – psycho-linguistische Sprachproduktion 67 8.5 Wissensentwicklung – psychologische Diskussion der Bewusstseinsbildung 69 8.6 Zwischenfazit 69

9 Relevante Methoden und Technologien der Künstlichen Intelligenz für die Wissensentwicklung 73

9.1 Repräsentation 75 9.1.1 Feature-Maps und Netze als symbolische Repräsentation auf Signalebene 77 9.1.2 Ontologien als symbolische Repräsentation auf Bedeutungsebene 77

9.1.2.1 Resource Description Framework (Schema) – RDF (S) 78

9.1.2.2 Web Ontology Language − OWL 79


9.1.3 Konnektionistische Netze als subsymbolische Repräsentation auf Konzeptebene 79

9.2 Mustererkennung 83 9.2.1 Stochastik und überwachtes Lernen als symbolische Mustererkennung auf

Signalebene 85 9.2.2 Ontology mapping und merging als Mustererkennung auf Bedeutungsebene 86 9.2.3 Holistische Ansätze als subsymbolische Mustererkennung auf

Konzeptebene 87

9.3 Problemlösung 88 9.3.1 Reasoning als allgemeines, symbolisches Problemlösen auf Signalebene 89 9.3.2 Multi-perspective und case-based reasoning als symbolisches Problemlösen

auf Bedeutungsebene 89 9.3.3 Agent-based solving als subsymbolisches Problemlösen auf Konzeptebene 91


10 Semantic Desktop im Applikationsumfeld 99

10.1 Wissensmanagementsysteme (WMS) und Portale 99 10.2 Proposal Automation Tools 100 10.3 Recommendersysteme 100 10.4 Semantic Desktop 100 10.5 Zwischenfazit 103

11 Gnowsis − Semantische Suche im Semantic Desktop 107

11.1 Kontext des Information Retrievals 107 11.2 Formen und Arten semantischer Suchen 110 11.3 Besonderheiten von Gnowsis 112

11.3.1 Aufbau von Gnowsis 112 11.3.2 Klassifikation mit dem brainfiler 113 11.3.3 Ontology mapping und matching 114 11.3.4 Personal Information Model (PIMO) als Katalysator für Peer-to-Peer 115

11.4 Gnowsis im Spektrum semantischer Suchen 118 11.5 Testansatz 119

11.5.1 Testmethode 120 11.5.2 Testszenarien 121

11.6 Testbasis 123 11.6.1 Datenbasis und Ordnerstrukturen 123 11.6.2 Organisatorische Ontologie 124 11.6.3 Systemvoraussetzungen 126

11.7 Testergebnisse 126 11.7.1 Erfahrungsberichte werden bestätigt 127 11.7.2 In homogenen Gruppen wirkt die Rolle auf die Ergebnisschärfe 128 11.7.3 In heterogenen Gruppen wirkt die Rolle auf die Zugänglichkeit relevanter

Objekte 130 11.7.4 In unstrukturierten Gruppen wirkt die Rolle eher ergebnisschärfend 132 11.7.5 Insgesamt wirkt die Rolle, aber gruppenspezifisch 133

11.8 Testgüte 134 11.8.1 Signifikanzanalyse der Testergebnisse 134


11.8.1.1 Standardabweichung und Varianz 134

11.8.1.2 Wilcoxon-Test für paarweise Stichproben 137 11.8.2 Relevanzanalyse der Testergebnisse 139

11.8.2.1 ROC-Kurve mit Signifikanz- und Einflußanalyse 139

11.8.2.2 F-Maß und Cost-benefit Kennzahl 142


12 Modell der Wissensentwicklung 149

12.1 Erkenntnisse aus der Literatur und dem Technologietest 149 12.2 Knowledge Creation Framework (KCF) 150

12.2.1 Sammeln und Inkubation 151 12.2.2 Einsehen und selektieren 151 12.2.3 Verifizieren 152 12.2.4 Formen 152 12.2.5 Vergessen und speichern 152 12.2.6 Fragen und zerlegen 153

12.3 Beitrag und Einordnung des KCF 153 12.4 Anwendung des bewussten, symbolischen KCF 155 12.5 Zwischenfazit 157

13 Auswirkungen und Ausblick 159

13.1 Auswirkungen auf die Wissensentwicklung 159 13.2 Auswirkungen auf organisationale wissensintensive Prozesse 162 13.3 Auswirkungen auf den Semantic Desktop 165

13.3.1 Optimierung bestehender Funktionalitäten für höhere Abstraktionen 166 13.3.2 Ergänzung und Weiterentwicklung neuer Funktionen zu einer agenten-

basierten Architektur 168

13.4 Auswirkungen auf das Semantic Web 170

14 Zusammenfassung und Fazit 173

Literaturverzeichnis 179

Anhang: Einzelne Testergebnisse 193

Suche mit Livelink 193 Konzeptsuche mit Ontologien 197 Semantische Suche 202 Referenztabelle Wilcoxon-Test (Grenzwerte) 206 Refernztabelle Wilcoxon-Test (explizite Signifikanzniveaus) 207 Screenshots 208


Zusammenfassung

Die Arbeit erweitert mit dem Modell der Wissensentwicklung (Knowledge Creation Framework) bestehende Ansätze der Wissensverteilung im betriebswirtschaftlichen Wissensmanagement. Es beschreibt den Entwicklungsprozess von Wissen. Die optimale Nutzung der Ressource Wissen beruht damit auf der Unterstützung ihrer ständigen kontextspezifischen Entwicklung und situationsspezifi-schen Bereitstellung von Informationen.

Die Arbeit fordert, Wissen nicht mehr nur als Zustand und Objekt zu verstehen, sondern als Pro-

zess und Perspektive auf eine Situation. Die Diskussion berücksichtigt den subjektiven Charakter von Wissen. Sie ergänzt bestehende organisatorische Ansätze des Wissensmanagements um die Per-spektive und Intention des Individuums. Sie ermöglicht und fordert damit die Weiterentwicklung von Modellen im Hinblick auf expliziten Umgang mit heute noch implizitem Wissen als Basis zielge-richteten Einsatzes von Technologien.

Die Bedeutung der semantischen Suche (Gnowsis) des Semantic Desktop für die Wissensentwick-

lung liegt in der Fähigkeit, individuelle Kontextinformationen nutzbar zu machen. In Form von Pro-zessrollen wird die Intention und Perspektive einer Person repräsentiert. Die subjektive Sicht wird technologisch nutzbar gemacht.

Die Arbeit bestätigt die Wirkung der am DFKI in Kaiserslautern entwickelten Prototyps Gnowsis

im Semantic Desktop, als Vertreter semantischer Suchen, diesem Anspruch unter betrieblichen Be-dingungen gerecht zu werden. Die Technologie eignet sich, explorative, wissensintensive Prozesse und die Charakteristika von Wissen zu unterstützen.

Diese Erkenntnisse werden im iterativen Vorgehen der Grounded Theory mit der Theorie der Wis-

sensentwicklung verknüpft. Sie zeigen Prozessschritte auf, die sich technologisch unterstützen und ersetzen lassen. Die Wahl der Grounded Theory entsteht aus einem Diskurs verschiedener beschrei-bender Forschungsansätze, wie Action research oder Design Sciences.

Wissen ist nicht nur Forschungsgegenstand der betriebswirtschaftlichen und technischen Diszipli-

nen. Andere Disziplinen geben Anleihen, um als Kontrainduktion zu prüfen, inwieweit ein Verständ-nis der individuellen Wissensentwicklung einen Beitrag zur aktiven Prozessbegleitung und Produkti-vitätssteigerung wissensintensiver Prozesse leisten kann.

Operativ erspart die automatische Ermittlung der individuellen Perspektive einer Rolle aus den na-

tiven Strukturen den manuellen Verschlagwortungsaufwand. Sie erzielt bei gleichem Redaktions-aufwand deutlich bessere Ergebnisse. Der Wissensarbeiter erspart sich langfristig den Prozess der Suchanfrage.

Die Semantik ermöglicht bessere Ergebisse im bestehenden induktiven Suchvorgehen. In Kom-

bination mit dem Peer-to-peer-Ansatz des Semantic Desktops ermöglicht sie durch einen Perspekti-venwechsel eine Annäherung an eine automatisierte, deduktive Wissensentwicklung.

Sie leistet ihren Beitrag zur Produktivitätssteigerung und unterstützt den Paradigmenwechsel von

der Wissensverteilung zu einer Wissensentwicklung. Sie dient als Grundlage für weitere Entwick-lungen im Rahmen agenten-orientierter Architekturen hin zu einer aktiveren Prozessunterstützung.


Summary (engl.)

The thesis expands with the Knowledge Creation Framework existing approaches of knowl-

edge re-use and distribution in the knowledge management practice. It describes the development processes of knowledge. With this the impact of knowledge grounds on the support of its context-specific development and situation-specific provision of information.

The thesis demands to view knowledge not only as a status and object, but as a process and

perspective on a situation. The discussion aknowledges the subjective character of knowledge. It adds to existing organisational approaches of knowledge management a perspective and intention of the individual. With this it enables and fosters the development of models for an explicit handling of still implicit knowledge as a base for technology application.

The impact of semantic search (Gnowsis) for knowledge creation is the capability to harness indi-

vidual context information. Intention and perspective of a person is represented in form of process roles. The subjective view becomes technologically usable.

The thesis examines how the DFKI-developed prototyp Gnowsis within the Semantic Desktop em-

braces as representative of semantic search technologies these expectations within operational envi-ronments at SIS. The results will be linked with theory of knowledge creation based on a Grounded Theory research approach.

These insights are iteratively linked with the theory of knowledge development applying the

reasearch principles of the Grounded Theory. It illustrates process steps, suitable for technological support. The selection of the Grounded Theory as research method results from a discussion on dif-ferent prescriptive reaserach approaches, like Action research and Design Sciences.

Knowledge is not only research object of business administrative and technical disciplines. Other

disciplines give hints to proof by counter-induction how this understanding of individual knowledge creation adds value for active process support and productivity increase in knowledge-intensive processes.

Operationally, the automatic retrieval of individual perspectives of a role from native structures

reduces the manual tagging efforts. It achieves higher result quality with the same editorial efforts. In the long run the knowledge worker spares the active search and retrieval process.

Semantic concepts allow better results in inductive search processes. In combination with the

peer-to-peer approach of the Semantic Desktop they allow an approximisation to automated deductive knowledge creation based on perspective taking and making. They thus contribute to the increase of productivity and support the paradigm shift in knowledge distribution and re-use to knowledge de-velopment and creation. This research is base for further developments on agent-oriented architec-tures towards a more active and automated process support.


1 Motivation

Im Vergleich zum verarbeitenden Gewerbe sind individuelle oder kollaborative Wissensarbeit und wissensintensive Prozesse in Dienstleistungen Kernprozesse mit Wissensprodukten (Steward 2001). Bisheriges Wissensmanagement konzentrierte sich auf unternehmensweite Stützprozesse.

Informationsverarbeitende Dienstleistungen (Engineering, Forschung, Beratung, Software-

Entwicklung, etc.) gewinnen immer weiter an Bedeutung, um sich durch Innovation und Qualität im Wettbewerb zu differenzieren. Sie umfassen komplexe Zusammenhänge im Vergleich zur Abwick-lung von Routineaufgaben.

Eine Vielzahl an Fallbeispielen findet sich als Anwendungsfelder für aktive Prozessunterstüt-

zung durch intelligente Technologien in wissensintensiven Prozessen: • Buchung von Dienstleistungen, automatische Verfügbarkeiten • Automatisierte Call-Center und deren Unterstützung • Lösungsentwicklung in Service-Angeboten • Entscheidungsunterstützung in Professional Services (juristische, betriebswirtschaftliche,

technologische, medizinische) • Szenarioentwicklung in Planungsprozessen • Papers und Abstracts im Forschungsprozess • Modelle in der Entwicklung • Programmcode in der Softwareentwicklung

Einige sind Standard-Dienste mit klar definierten, wissensintensiven Produkten und bekanntem

Kontext. Online-Reisebuchungen konnten durch ihre klare Definition bereits durch bestehende Tech-nologien und Methoden des Wissensmanagements optimiert werden. Andere Innovationsprozesse ar-beiten mit unbekannten, wissensintensiven Produkten und weitgehend unbekanntem Kontext. Sie sind zu unspezifisch, um eine technologische Weiterentwicklung zu erforschen. Im Vordergrund der Arbeit stehen daher die Angebotsentwicklung mit ihrem Bezug auf flexible Wissensobjekte und vagen oder komplexen Kontexten.

Solche Prozesse sind derzeit personal- und wissensintensiv und wirken durch den fokussierten

Einsatz hoch qualifizierter Mitarbeiter im Vergleich zum breiten Einsatz von geringer qualifizierten Arbeitskräften in Standardprozessen. Diese wissensintensiven Prozesse sollen durch aktive und in-telligente Prozessunterstützung und Automatisierung produktiver werden.

1.1 Wissensverteilung ist nicht ausreichend für aktive Unterstützung wissensin-tensiver Prozesse

Schnelle Reaktionszeiten und geringe Erstellungskosten sind Erfolgsfaktoren im IT Service Markt. Wesentlich sind diese bei der effizienten Angebotserstellung im zunehmenden Wettbewerb.

Davenport (2005) fordert zur Steigerung der Produktivität von Wissensarbeitern die ergänzende Be-

rücksichtigung ihrer Netzwerke und physischen Arbeitsumgebung in Ergänzung zu ihren Prozessen und Fähigkeiten.

Bestehende und etablierte Ansätze des Wissensmanagements sind Nonaka und Takeuchi (1995),

Boisot (1999) oder Probst (1997). Sie erklären die Bereitstellung von Wissen durch Verteilung und Nutzung organisationalen Wissens. Sie stellen Methoden, Infrastruktur und Gedankenmodelle für die kontinuierliche Prozessverbesserung und das Unternehmensverständnis aus der Wissensperspektive zur Verfügung. Sie erreichen damit zwar eine Transparenz über die organisationale Wissensbasis, aber keine ausreichende aktive technologische Unterstützung des Individuums und seiner Arbeitsumge-bung.


Sie konzentrieren sich nur auf die Verteilung von vorhandenem organisationalen Wissen, in der Praxis unterstützt durch meist zentrale Wissensmanagementsysteme. Das Management von Wissen hatte daher zunächst die Aufgabe, die konkurrierenden Sichtweisen zu koordinieren, zu balancieren und situationsgerecht einzusetzen. Die sprachliche Verwirrung beginnt schon bei der Definition von Wissen selbst. Es gibt verschiedene Definitionen, die in der Praxis dazu führen, dass zunächst das ge-meinsame Verständnis zu definieren ist, bevor eigentliches Wissen transferiert oder entwickelt werden kann.

Abb. 1. Individuelle Wissensentwicklung im Angebotsprozess

Wissensmanagement (WM) etablierte sich in der betrieblichen Praxis, wie die eigene Darstellung in Abbildung 1 zeigt, mit dem Fokus auf die Wiederverwendung und -verteilung vorhandenen Wis-sens auf Unternehmensebene. Best practice sharing ist ein etablierter Ansatz, erfolgreiches Wissen auf ähnliche Situationen zu übertragen. Es gelingt damit, Erfolgsansätze statt Probleme im Unternehmen zu verbreiten, ggfs. Methoden zu übernehmen und Ansprechpartner zu identifizieren, die weiterhelfen können. Hierfür wurden unternehmensweite Wissensportale aufgebaut und Wissen kodifiziert. Wis-sensmanagement wurde als Stützprozess im Unternehmen betrachtet. Aus technologischer Sicht wurde WM als erweitertes Informationsmanagement und aus personalpolitischer Sicht als Erfahrungsaus-tausch verstanden. Alle Perspektiven greifen ineinander und bilden ein sozio-technisches System.

Nicht genutzte Wissensbausteine stellen hohe Opportunitätskosten dar. Der Schatz des verfügbaren Potentials an Bausteinen wird im Unternehmen nicht gehoben. Die entgangenen Möglichkeiten wer-den unter Investitionsgesichtspunkten als rechnerische Kosten betrachtet.

In jüngster Zeit wurden die etablierten Ansätze der Wissensverteilung durch Ansätze einer organi-

satorischen Wissensentwicklung ergänzt, wie van Krogh (2000) mit „enabling knowledge creation“. Sie beschränken sich aber auf die organisatorische Ebene. Sie sind damit in ihrer Komplexität techno-logisch schwer abbildbar. Als Dokumentenmanagementsysteme leisten sie nur passive Prozessunter-stützung.

1.2 Fehlende Prozesse und statische Tools erlauben keine aktive Prozessunter-stützung

Die servicebezogene, wissensintensive Wertschöpfung ist in sich komplex und bringt Wissen selbst als verkaufsfähige Leistung in Form von Beratung, Softwareentwicklung, Reisedienstleistungen, For-schung oder Entwicklung hervor (Horster 1993, S.5). Kennzeichnend für wissensintensive Prozesse sind schwach strukturierte Probleme. Ihre dezentrale Entstehung machen sie komplex und erfor-

Bisher(Wissens-verteilung)

Jetzt(Wissens-

entwicklung)

Dienstleistungen

Informationsverarbeitendes Gewerbe (Medien)

Individuum

Wissens-Intensitätarbeitsintensiv wissensintensiv

Verarbeitendes Gewerbe (Industrie)

EbeneP

rodu

ktio

n

Pro

jektm

an

ag

em

en

t

An

geb

ots

-p

rozess

Inno

vatio

nspr

ozes

s

Wart

un

gsp

rozess

Gruppe

Unternehmen


dern häufig kreative Leistungen zur Lösung. Ihre Ergebnisse im Sinne von Wissensobjekten sind fle-xibel.

Dienstleistungen, verstanden als knowledge service, sind personengebunden und schlecht skalier-

bar. Je spezifischer und individueller, desto teurer wird die Leistung. Entscheidend im Wettbewerb ist aber zunehmend die Fähigkeit, kundenspezifische Anforderungen mit günstigen Konditionen intelli-gent zu kombinieren.

Allen Beispielen ist gemeinsam, dass Wissen nicht nur ein unterstützender Faktor ist, sondern die

Kernressource darstellt. In einer Produktion kann es unterstützend zur Reduzierung der Fehlerquote dienen, während es in der Angebotsentwicklung Kern des Wissensproduktes Angebot ist (Hofer-Alfeis 2003, Ofek 2002). In der Beratung können Projekterfahrungen zwar in Wissensportalen für den Aus-tausch dokumentiert werden, sie stiften aber nur bedingt Nutzen, da Lösungen kundenspezifisch ent-wickelt werden. In der Beratungspraxis bedarf es personenbezogener, aber zeitaufwendiger Best Prac-tice- oder Debriefing-Foren, um die Erkenntnisse weiterzugeben.

Zur Optimierung dieser Prozesse stellt sich die Frage nach Ersatz teurer Wissensarbeiter durch in-

telligente Technologien. In der Praxis sind Prozesse zwar weitestgehend über Prozessarchitekturen beschrieben, allerdings mangelt es dabei an relevanten Informationen und Informationsmodellen. Oh-ne diese Verknüpfung zwischen Prozess und Systemen lässt sich der Informations- und Wissenspro-zess nur schwer systemgestützt verbessern.

Nach Maier (2005) können wissensintensive Prozesse beim Inhalt, den Personen oder dem Prozess

selbst ansetzen. Für die inhaltsbezogenen Prozesse gibt es Methoden wie lessons learned. Für perso-nenbezogene Prozesse werden kommunikationsorientiere Formen, wie communities, eingesetzt. Für die Prozesskomponente an sich existieren erst wenige etablierte Ansätze. Bestehende Workflow-, Wissensmanagement- oder Proposal-Automation-Systeme behandeln Wissen als Informationsobjekte und nicht als Wissensprozess. Dieser würde Informationen aus einem in den Workflow integrierten Kommunikationsprozess kontinuierlich bereitstellen (Wilson 2001). Die Unterstützung von Arbeits-prozessen wäre leichter, wenn es starre Workflows gäbe. Sie eignen sich in der Praxis aber nur für sta-tische Prozesse. Lebende und dynamische Prozesse, die individuelle Kundenbedürfnisse adressieren, bedürfen einer Assistenz und aktiven Unterstützung.

Heutige Entscheidungsunterstützungssysteme stellen lediglich entscheidungsrelevante Daten

nach vordefinierten Kriterien bereit und versuchen, Informationen zugänglich zu machen. Sie stellen nur einen passiven Support durch Retrieval-Technologien oder Abruf von Wissen aus Datenbanken.

Im Anwendungsbeispiel der Angebotserstellung bei Siemens IT Solutions (SIS) suchen Sales Ma-

nager beim Beantworten von Kundenanfragen nach ähnlichen und erfolgreichen Angeboten. Wenn sie selbst nicht schnell fündig werden, beauftragen sie meist einen Vertriebsassistenten, einen Entwurfs-vorschlag zu machen.

Das Entstehen eines solchen Angebots ist zwar in seiner Vorgehensweise, nicht aber in seiner in-haltlichen Entstehung prozessual beschrieben. Bestehende Proposal Automation Tools können daher nur statische Inhaltskomponenten zusammensetzen (Dokumentenhandhabung und Erzeugung mit Textbausteinen), aber nicht in dynamischer Abhängigkeit zu den Kundenanforderungen.

SAP (www.sap.com) bietet in seinem neuen CRM-Rahmen einen „Sales Assistant“, der den Nut-zer schrittweise durch den Angebotsprozess führt. Dieser stellt ihm individualisierte Informationen be-reit. Auch wenn er eine bessere Prozessintegration anbietet, müssen die Informationen vorher nutzer-spezifisch definiert und designed werden. Es wäre daher hilfreich, diese automatisch aus dem Nutzerverhalten oder der Rolle dynamisch und anlassbedingt ableiten zu können. In der Praxis müssen Berichte und Abfragen in Abhängigkeit des Kunden oder seiner hypothetischen Anforderungen auf-wendig vordefiniert werden. Nach wie vor bedarf es einer Umformulierung des Informationsbedarfs in Suchanfragen und Schlagworte.


Interviews mit SIS Vertriebsmitarbeitern konkretisieren die Problemstellung in der Praxis und damit die Anforderungen an einen dynamischen Informationsassistenten:

• Heterogene Ablagestrukturen und -systeme zwischen Mitarbeitern sowie zu starre Inhalts-strukturen in Vertriebscommunities auf zentralen Systemen.

• Begriffsdifferenzen in der Verschlagwortung und Bezeichnung (Call-Center vs. Help-Desk) • Fehlende, qualitätsgesicherte Wissensobjekte in zentralen Systemen ohne Verschlagwortung.

Informationen werden häufig lokal gehalten und wegen hohem Redaktionsaufwand nicht ver-öffentlicht.

• Gefundene Information ist meist allgemein (Templates) und zu unspezifisch, um ihren Wert einzuschätzen („wurde das alte Angebot gewonnen oder verloren ?“, „sind die Preise noch ak-tuell ?“, „war dies eine Standard- oder Individuallösung ?“). Ihre Qualität ergibt sich aus der Anwendbarkeit und dem stiftbaren Nutzen in den Anwendungssituationen. Ihre Einschätzung bedarf nach Smith einer realistischen Validierungszeit (Smith 2000, S. 26).

• Geringer Dialog zwischen beteiligten Rollen (Proposal Manager und Sales Manager) führt zu Missverständnissen und Informationsdifferenzen. Ergebnisse von Kundengesprächen werden zu spät weitergegeben, da sie vom Sales Manager als nicht relevant erachtet, für den Proposal Manager aber vielleicht eine wichtige Kontextinformation sind.

• In den Rollen werden nur ihre Aufgaben modelliert und berücksichtigt, aber nicht ihr Intentio-nen und Erfahrungslevel (Experte oder Junior).

Fraglich ist also, warum eine aktive Prozessunterstützung derzeit nicht möglich ist.

1.3 Leistungsfähigkeit neuer, intelligenter und semantischer Technologien noch nicht hinreichend deutlich

Die Entwicklungen des Semantic Web und Web 2.0 zeigen neue technologische Möglichkeiten, wie semantische Suche, Vernetzung von Mitarbeitern und durch die Bereitschaft der Nutzer, mehr Daten von sich bereitzustellen, weitere virtuelle Formen der Zusammenarbeit (O’Reilly 2005). Intelligente Technologien versprechen einen flexiblen Umgang mit komplexen und wissensintensiven Prozessen, in denen Agenten Preise vergleichen oder Informationen suchen. Das Semantic Web nach Berners-Lee verfolgt technologische Ansätze, um die Bedeutung von Informationen mit geringerem Redaktions-aufwand zugänglich zu machen (Berners-Lee 2005).

Diese Möglichkeiten der Technologien verleiten, Visionen als Zielrichtungen zu artikulieren.

„Technologien entwickeln Wissen situationsspezifisch aus vernetzten Wissensquellen“ oder „Techno-logien betten sich automatisch in die individuelle Arbeitsumgebung ein“ sind vielleicht zu hoch ge-griffen, aber dennoch Ansporn, ihnen einen Schritt näher zu kommen.

Der Wettbewerb um die Schach-Weltmeisterschaft zwischen Mensch und Maschine erneuert daher

die Frage, ob das Ziel von Maschinen ist, den Menschen zu ersetzen oder ob sich nicht unterschiedli-che Fähigkeiten besser ergänzen. Für manche Situationen eignet eine sequentielle Logik, für andere bietet die Parallelität der Rechnerlogik Vorteile.

Es ist deshalb in jedem Prozess zu unterscheiden, ob personenabhängige, wissensintensive Prozesse

durch Automatisierung von Teilprozessen unterstützt werden oder als ganzer Prozess ersetzt werden sollen (Lang 1999). Es ist ein Unterschied, ob ich einen Prozess durch verbesserte Suchen unterstütze oder den Reiseberater beim Preisvergleich von Reiseangeboten ganz ersetze.

Aus der Summe der unterstützten Teilprozesse ergibt sich der „Grad der Ersetzbarkeit“. Je arbeits- und wissensintensiver ein Prozess, desto bedeutender die Schnittstelle zwischen Mensch und Maschi-ne (Siemens 2002, S.55). Die Rolle der Technologie ist abhängig vom Mehrwert durch den Mitarbei-ter, der sich aus der Wissensstrategie ergibt. So kann ich zwar automatisch ein Angebot erstellen, der Auftragserfolg hängt aber von der persönlichen Beziehung ab. Hierüber lassen sich Wettbewerbsvor-teile herausarbeiten. Die Automatisierung ermöglicht Wettbewerbsvorteile nur durch Optimierung von Standardprozessen. Je wissensintensiver die Prozesse, desto höher der Nutzen durch eine technologi-sche Abbildung, desto geringer aber das aktuelle Verständnis. Die Kreativität in Innovationsprozessen


ist technologisch schwerer zu fassen als standardisierte Versicherungsangebote im Internet. Der be-triebswirtschaftliche Nutzen der Technologie liegt damit in seiner Abbildbarkeit und Fähigkeit der Wertschöpfung.

Die mangelnde Einbindung von Wissensplattformen in den Arbeitskontext und die fehlende Beo-

bachtungsfähigkeit und Abbildung von Intentionen von Systemen könnten Gründe sein, warum derzeit noch händische Pflege von Metadaten nötig ist.

Trotz Forschung auf den Gebieten des ubiquitous und pervasive computing, der location-based ser-vices und der Ontologien besteht noch keine hinreichende Einigung über die Parameter von Kontex-ten und Situationen in Dokumenten. Zur Berücksichtigung von Kontexten ist ein Gesamtkonzept nö-tig, das die Stärken der Einzeltechnologien zielgerichtet kombiniert. Es könnte für Standards sorgen, die die Kommunikation zwischen dezentralen Einheiten erlaubt. Damit verbunden ist die Frage, ob sich solche Standards nur in zentralen Systemen etablieren lassen oder ob dies auch oder gerade in de-zentralen Systemen möglich ist (Eberl und Theis 2002, S.11).

Die Rolle des Menschen verlagert sich zunehmend in die Rolle der Koordination und Balancierung

unterschiedlicher Technologien. Offen ist, bis zu welchem Grad (in welchen Situationen und Prozes-sen) künstliche Intelligenz und intelligente Technologien ein geeigneter Einsatz sind, und wo und wann der Mensch seine Stärken einsetzen kann.

1.4 Repräsentation des subjektiven Charakters von Wissen derzeit nicht techno-logisch abgebildet

Der Versuch, die Erfahrungen und zugrundeliegenden Rahmenbedingungen zu dokumentieren und über Wissensplattformen allgemein verfügbar zu machen, wird durch die Kontextabhängigkeit von Wissen erschwert. Die Erfahrungen mit organisationaler Wissensentwicklung zeigen, dass Wissen ei-nen subjektiven Charakter besitzt. Nach North (2005) erlangen Informationen erst durch ihre An-wendung Relevanz und werden zu Wissen.

Technologisch müsste damit zur Unterstützung der Wissensentwicklung weniger der organisationa-le Rahmen mit seiner Vielzahl an Kontexten als vielmehr der einzelne Wissensarbeiter mit einem dy-namischen und individuellen Umfeld im Vordergrund stehen. Die Steigerung der Relevanz von Infor-mationen sollte als kontextspezifische Wissensentwicklung verstanden werden.

Der Versuch, Situationen und Erfahrungen sprachlich zu explizieren, um sie weitergeben zu kön-nen, unterliegt dem Trugschluss, dass alle unter den sprachlichen Begriffen das Gleiche verstehen und nach einmaliger Explikation eine 1:1-Übertragung stattfinden kann. Sprache ist eine Repräsentations-form.

1.5 Hoher Redaktionsaufwand für Einsatz von Wissensmanagement-Technologie

Der Nutzung der Wissensressourcen steht damit, operativ gesehen, ein hoher Redaktionsaufwand zur Pflege und Qualitätssicherung gegenüber. Die Verschlagwortung von Textbausteinen in Proposal Automation Tools als Explizierung des Kontextes erfordert viel Aufwand und deckt letztlich den Be-darf der neuen Situation nur bedingt ab. Allein der Dialog ermöglicht den Austausch und die Einbet-tung der Erfahrungen in den neuen Sachverhalt. Oft ist die Herkunft von Wissen unbekannt und nur zeitintensiv zugänglich (Einholen unterschiedlicher Perspektiven, Expertengespräch, Anwendung von Methoden, Selbstreflexion, Explikation, Kapazitätsgrenzen von Systemen (Abdecker et al. 2000)). In seiner expliziten Form bedarf die Bereitstellung dieser Art von Wissen eines hohen Pflegeaufwandes, um dem stetigen Verfallsprozess entgegenzuwirken. Systemen fällt es noch schwer, den Kontext selbst zu erfassen. Dieser muss über aufwendiges Design der Meta-Daten bereitgestellt werden.

Grund hierfür ist eine aufwändige Standardisierung und Qualifizierung von Wissensbausteinen außerhalb des Anwendungsprozesses. Dies gelingt für grundlegende Arbeitsmittel, wie Vorlagen oder wenig dynamische Inhalte.

Die detailliertere Modellierung von Prozesssituationen und deren Unterstützung von situationsge-rechten Informationen erzielt zwar in (teil-)standardisierbaren Prozessen Fortschritte, bedarf aber zur


Steigerung der Informationsrelevanz einer individuellen Perspektive des Nutzers. Sie wird heute nicht berücksichtigt.

1.6 Monodisziplinäre Ansätze der Wissenstheorie blockieren das Verständnis der individuellen Wissensentwicklung

Das Verständnis von Wissen, Intelligenz und Erkenntnis sowie deren technologische, künstliche Abbildung und Nutzung beschäftigt seit Jahrhunderten verschiedene wissenschaftliche Disziplinen, wie Neurobiologie, Soziologie, Psychologie, Philosophie, Betriebswirtschaft und Technologie.

Philosophen und die theoretische Physik haben schon frühzeitig versucht, das „Weltwissen“ zu er-klären. Pädagogen suchen nach Wegen, die Aufnahme und Vermittlung von Wissen in Lern- und Bil-dungsprozessen zu verbessern. Mediziner und Neurobiologen sind der Frage auf der Spur, wo und wie das Wissen im Gehirn gespeichert wird. Psychologen versuchen hinter die Geheimnisse des Be-wusstseins zu kommen und Kognitionsprozesse zu verstehen.

Hinzu kommt in jüngster Zeit das Interesse der Betriebswirte für komplexe Organisationsformen und Netzwerke.

Der Versuch, „Wissen“ aus einer Disziplin heraus zu erklären und zugänglich zu machen, ist bisher

nicht oder nur unter der Perspektive der eigenen Disziplin gelungen. Letztlich befasst sich die Wissen-schaftstheorie als Meta-Wissenschaft und Teilgebiet der Philosophie damit zu untersuchen, mit wel-chen Methoden der Bildung, Bewährung und Anwendung wissenschaftlicher Theorien und Begriffe größte Erfolge zu erzielen seien (Lamnek 1988, Bochenski 1993, Schnapp 2004). Sie ist damit fast selbst eine Erkenntnistheorie (Epistemologie). Im vorliegenden Forschungsvorgehen bietet sie wert-volle Anregungen und Vorgehensweisen für die Wissensentwicklung.

Für den Erkenntnisgewinn bedient sich die Wissenschaftstheorie Methoden, wie Beobachtung, Auf-zeichnung, Dokumentation, Versuch und Irrtum, Experiment, Messung, Vergleich, Befragung oder In-terview (Maturana und Varela 1987). Diese Methoden finden sich als deduktive, logische Ableitung des Besonderen vom Allgemeinen und als induktive Ableitung des Allgemeinen vom Besonderen (Meyer et al. 1969, S. 1449). Als deduktiv wird die menschliche Heuristik betrachtet. Heuristik ist das Prinzip auf methodischem Wege, Neues zu finden (Schischkoff 1991, S. 277). Sie basiert auf Hypo-thesen und Modelldarstellungen als Hilfsmittel und findet in der Mathematik Anwendung.

So unterschiedlich die Disziplinen und Blickwinkel sind, so ist ihnen doch allen gemein, dass erst

die Verknüpfung der Erkenntnisse und Zusammenschau der Perspektiven eine erweiterte Erkenntnis von „Wissen“ und seinen Prozessen ermöglicht (Wilson 1998).

All dies können Ansätze sein, Wissen und seine Kontextabhängigkeit handhabbarer zu machen. Of-

fen ist, wie diese Erkenntnisse in einem Zusammenhang stehen und miteinander wirken.


2 Ziel und Beitrag der Arbeit

Mit Hilfe der Wissensentwicklung soll die Arbeit eine Balance zwischen treibenden und for-dernden Herausforderungen finden. Wie die eigene Darstellung in Abbildung 2 zeigt, lassen sich hieraus neue Dimensionen der betrieblichen Erfolgsfaktoren „Beherrschung von Komplexität“ und „fokussierter Personaleinsatz“ erzielen.

Abb. 2. Treibende Faktoren für die Diskussion der Wissensentwicklung

Die Arbeit legt dabei ein konstruktivistisches Verständnis von Wissen zugrunde. Sie leitet daraus das Verständnis von Wissensentwicklung als situations- und intentionsgebundene, aktive Prozessun-terstützung auf individueller Ebene ab. Zugleich beschreibt die Wissensentwicklung im Sinne der Selbstähnlichkeit auf organisatorischer Ebene die Entwicklung von Wissensprodukten und -services als Ergebnis wissensintensiver Prozesse.

Damit will die Arbeit bisherige Ansätze des organisatorischen Wissensmanagements unter Nutzung

neuer interdisziplinärer Erkenntnisse und technologischer Möglichkeiten weiterentwickeln. Die Arbeit zeigt im Praxisrahmen am Beispiel der Angebotsentwicklung bei Siemens IT Solutions

(SIS) einen Ansatz auf, sich dem subjektiven Charakter von Wissen technologisch mit Hilfe des Semantic Desktop zu nähern. Dafür werden insbesondere die Auswirkungen von Rollen in homoge-nen und heterogenen Arbeitsumgebungen getestet.

Die Erkenntnisse sollen zusammen mit Auswertungen der Literatur einen Rahmen der individuel-len Wissensentwicklung (Knowledge Creation Framework) bilden. Es ordnet die Erkenntnisse und Er-klärungen in die Diskussion über Wissensentwicklung ein und stellt sie strukturiert einer weiteren wis-senschaftlichen Diskussion und Forschung zur Verfügung. Es fasst damit den Ansatz der Wissensentwicklung zusammen und grenzt ihn zur organisationellen Wissensverteilung ab.

Die Arbeit leistet mit der Erweiterung bestehender Ansätze der Wissensverteilung um Szenarien

der Wissensentwicklung einen Beitrag zum betriebswirtschaftlichen Wissensmanagement. Die opti-male Nutzung der Ressource Wissen beruht damit nicht mehr nur auf ihrer Verteilung und Wieder-verwendung, sondern vor allem auf der Unterstützung ihrer ständigen kontextspezifischen Ent-wicklung. Die Arbeit fordert, Wissen nicht mehr nur als Zustand und Objekt zu verstehen, sondern als Prozess und Perspektive auf eine Situation. Die Diskussion ergänzt bestehende organisatorische An-sätze des Wissensmanagements um Aspekte des Individuums. Sie ermöglicht und fordert damit die Weiterentwicklung von Modellen im Hinblick auf expliziten Umgang mit heute noch implizitem Wis-sen als Basis zielgerichteten Einsatzes von Technologien.

Im Forschungsrahmen der Informatik trägt die Arbeit dazu bei, semantische Technologien, am

Beispiel des Semantic Desktop, durch Praxistests auszureifen. Ein iterativer Dialog zwischen Ent-wicklung und Praxis prägt die Forschungsarbeit. Sie stellt die nicht repräsentativen Erfahrungsberichte aus der Entwicklungsumgebung mit Hilfe eines Recall/ Precision-Tests im Praxisumfeld auf ein nachweisbares und wiederholbares Fundament. Darüber hinaus erweitert sie die Ergebnisse um die Konkretisierung, in welchen Anwendungsfällen sie welche Verbesserung erfahren.

• Möglichkeiten intelligenter Technologien

• Neurologische Erkenntnisse über Kognitionsprozesse

• Optimierungsbedarf wissensintensiver Prozesse, v.a. bei Dienstleistungen

• Grenzen des Wissensmanagements, mit der Fokussierung auf Wissensaustausch

Wissens-entwicklung

Beherrschung von Komplexität

Fokussierter Personaleinsatz

Push Pull


Der Bezug zu praxisnahen Anwendungsfeldern und betrieblichen Prozessmodellen verankert aus

Sicht der Wirtschaftsinformatik die strukturierte Darstellung der Zusammenhänge beider Erkennt-nisfelder im Modell der Wissensentwicklung. Auf dieser Basis lassen sich semantische Technologien auf die Erstellung von Forschungsarbeiten oder das Projektmanagement übertragen. Das Modell bietet eine Leitlinie für die Weiterentwicklung prozessunterstützender Technologien und ihrer Integration in Applikationen und Architekturen. Als integrierendes und verbindendes Element wird die Rolle um informationstechnische Definitionen in ihren heute sehr aktivitäts- und verantwortungsorien-tierten Definitionen erweitert. Sie ermöglicht die Modellierung von Informations- und Wissensflüs-sen entlang der Aufgaben im Prozess. Die Arbeit erweitert bekannte situationsspezifische Kontextin-formationen um intentionsspezifische Aspekte aus der Perspektive des Wissensarbeiters. Dies vermeidet für den Wissensarbeiter den Sprung aus dem Prozess der Angebotsentwicklung in einen Suchprozess unter Reformulierung der Anfragen. Er kann im Gegensatz dazu dann aus Vorschlägen wählen, statt sich diese erst suchen zu müssen.

Wissen ist ein interdisziplinäres Forschungsfeld mit Beiträgen aus den Bereichen philosophischer

Erkenntnistheorie, bio-medizinischer Neurologie, individueller Psychologie, betrieblichen Manage-ments und technologischer Repräsentation. Die Ergebnisse können reziprok auf die Erkenntnisberei-che zurückwirken und diese anregen. Die Arbeit stellt keinen Anspruch auf wissenschaftliche Er-kenntnisse in diesen Bereichen. Ihr Fokus liegt auf der Rolle der Semantik.

Tests im betrieblichen und praxisnahen Umfeld sind mit umfangreichen Datenschutzauflagen und

Dateninkonsistenzen zwischen wissensintensiven Prozessen verbunden. Es wurde für den Test daher mit der Angebotserstellung bei SIS ein homogener Untersuchungsbereich herausgegriffen. Innerhalb dessen erfolgt der Vergleich und Test zwischen differenzierenden Situationsausprägungen und Szena-rien. Die Arbeit erhebt keinen Anspruch auf eine Allgemeingültigkeit des Modells über wissensinten-sive Prozesse hinweg (Modell der Wissensentwicklung). Sie postuliert für weitere Forschungen, dass eine Anwendung des Modells und der Technologie zu ähnlichen Test-Ergebnissen führt und als Modellierungs- und Planungshilfe für ähnliche Prozesse dient.

Trotz der praxisnahen Untersuchung leitet sich aus der Arbeit keine finale Empfehlung für den

Einsatz im untersuchten Praxisrahmen bei Siemens IT Solutions and Services ab. Eine derartige Entscheidung wäre im Spiegel betrieblicher Rahmenbedingungen von Applikationsstrategie, System-landschaft und -strategie sowie der Kosten oder Sicherheitskonzepte zu bewerten. Sie ist nicht Unter-suchungsgegenstand der Arbeit. Die Testergebnisse ermuntern jedoch zu dieser Prüfung.

Inhaltlich konzentriert sich die Arbeit auf Dokumente als derzeit technologisch fassbare Abstrak-

tionsebene von Dokumenten. Auch wenn es für die Unterstützung der Angebotsentwicklung sehr hilfreich wäre, berücksichtigt die Arbeit keine Strukturanalysen von Dokumenten, um Storylines oder andere Abstraktionsebenen von Informationen miteinander zu vergleichen. Zur späteren Untersuchung dieser Ebenen kann dann auf das zu entwickelnde Modell der Wissensentwicklung zurückgegriffen werden.


3 Forschungsansatz und -methode

Nach Becker et al. (Becker et al. 2003) wirkt „die Forschung in der Wirtschaftsinformatik (...) im Spannungsfeld der sich unterscheidenden Forschungsansätze der Mutterdisziplinen“ Wirtschaftswis-senschaften und Informatik.

Hinzu kommt die Herausforderung in der Wahl des Forschungsansatzes, Ansatz und Objekt zu

trennen. Zum einen sind Wissen und seine Entwicklung in dieser Arbeit Erkenntnisobjekt per se, zum anderen streben alle Ansätze, ob natur- oder sozialwissenschaftlich, danach, Wissen zu schaffen. Frag-lich ist also, aus welcher dieser Perspektiven sich die Arbeit dem Erkenntnisobjekt Wissen am besten nähern kann.

Die Autoren empfehlen eine „weitreichende Offenlegung der wissenschaftlichen Grundannahmen

und Vorgehensweisen“. Im Folgenden sollen daher mögliche Forschungsansätze für die Forschung der Wissensentwicklung diskutiert werden. Sowohl der theoretische Diskurs als auch die Einzeler-gebnisse der technologischen Evaluationen werden offengelegt und systematisch miteinander in Be-ziehung gesetzt.

3.1 Wissenschaftstheorie – Forschungsansatz oder Wissensentwicklungsprozess

Die Wissenschaftstheorie verallgemeinert und beschreibt die Wesen dieser Ansätze aus erkennt-nistheoretischem Streben. Nach Lamnek bestimmt sie, „wie wissenschaftliche Erkenntnis zu gewinnen ist“ (Lamnek 1988, S. 50). Sie versucht zu erklären, wie Erkenntnis überhaupt entsteht. Ihre Kernfrage ist, welche Methoden zu anerkannten wissenschaftlichen Erkenntnissen führt.

Nach Bochenski ist Wissenschaft das Wissensgebiet und besteht aus einem subjektiven und einem

objektiven Teil (Bochenski 1993): Subjektiv ist Wissenschaft, wenn sie systematisch ist, wenn also der Mensch das Gebiet methodisch durchforstet und neben Sachverhalten auch die Zusammenhänge erkennt. Objektiv ist Wissenschaft, wenn es nicht um das Wissen per se, sondern um seine Repräsenta-tion („in Zeichen dargestellt“) geht, um sie anderen Menschen zugänglich zu machen.

Novy und Jäger bezeichnen, stellvertretend für viele weitere Autoren, den subjektiven Teil als ver-

stehend-induktiv und den objektiven Teil als erklärend-deduktiv (Novy und Jäger 2003). Diese Unter-teilung gilt für verschiedene Wissensgebiete. Der Erkenntnisprozess unterscheidet sich dabei in quan-titative und qualitative Methoden und einer Annäherung von innen (Soziologie) oder von außen (Naturwissenschaft).

Eine Annäherung aus wissenschaftstheoretischer Sicht wäre damit eine philosophische Auseinan-

dersetzung. Für die Untersuchung des Beitrags einer Technologie in betrieblichem Prozessumfeld er-scheint dies nur bedingt geeignet und erkenntnisstiftend. Nichtsdestotrotz bietet die Wissenschaftsthe-orie interessante Aspekte für die Wissensentwicklung, ihre Prozessen und Methoden. Die Erkenntnisse aus dem Praxisfall und Technologietest sollen in der Diskussion von Wissensent-wicklung hierzu in Bezug gebracht werden.

Alle Forschungsansätze verfolgen das Ziel, Ansätze zu entwickeln und kontextspezifische Informa-

tionen bereitzustellen. Klassische, quantitative Forschungsansätze, wie sie aus den Naturwissen-schaften bekannt sind, sind qualitativen Ansätzen, wie sie in den Sozialwissenschaften angewandt werden, in ihrem Ziel, Gesetzmäßigkeiten zu finden und mit Hilfe dieser Phänomene zu erklären, ähn-lich. Sie unterscheiden sich im Verständnisansatz ihrer Untersuchungsobjekte. Sozialwissen-schaftliche Ansätze sind intentional, das heißt, sie basieren auf mit Absichten handelnden Subjekten. Naturwissenschaftliche Ansätze bemühen sich um subjekt- und intentionsunabhängige Gesetzmäßig-keiten.

Fraglich bleibt also, welcher Forschungsansatz für den vorliegenden Erkenntnisrahmen an der

Schnittstelle naturwissenschaftlicher (technischer) und soziologisch-betriebswirtschaftlicher Diszipli-


nen geeignet erscheint. Hars (2002, S. 42) gibt einen guten Überblick über verschiedene Ansätze der Informationssystemforschung. Im Folgenden sollen mögliche Ansätze als Entscheidungsbasis kurz diskutiert werden.

3.2 Besonderheiten naturwissenschaftlicher Ansätze

Charakteristisch für die naturwissenschaftliche Tradition ist die Isolation, Mathematisierung und Reproduzierbarkeit der Ergebnisse. Sie versucht durch Experiment, Gesetzmäßigkeiten in der Natur zu identifizieren. Sie löst damit Problemstellungen aus dem Zusammenhang, abstrahiert die gewonne-nen Erfahrungen und prüft sie durch Wiederholung in einer objektiven und vom Forscher getrennten Welt.

Die Zielsetzung allgemeingültiger Gesetzmäßigkeiten und eines einzelnen Sachverhalts greift bei

der Erklärung sozialer Phänomene zu kurz (Lamnek 1988, S. 7 und Teich 1996, S. 5-7). Sie unterrep-räsentiert mit der deterministischen Wahrnehmung der Wirklichkeit Zusammenhänge, wie den Cha-rakter von Wissen als soziales Phänomen, repräsentiert durch die Interpretationen einer Gruppe. Je nach Situation ist der Bedeutungsinhalt anders und in Abhängigkeit des Beobachters zu deuten.

Die experimentelle Bestätigung komplexer Modelle setzt, wie beschrieben, eine Bekanntheit und

Isolierbarkeit stabiler Einzelaspekte voraus. Wissen als soziales Phänomen birgt in seinem kon-struktivistischen Verständnis eine Konnektivität mit dem Prozess, die derzeit schlecht experimentell isoliert fassbar ist. Sie beschreibt den Komplex weniger von außen unter verschiedenen Bedingungen, als vielmehr aus einer Innensicht auf Basis selbstorganisierender Prozesse. Einzelne Prozessstufen der Wissensentwicklung innerhalb eines Individuums wären nur psychologisch-neurobiologisch fassbar. Diese Erkenntnisse sollen zwar genutzt, aber nicht psychologisch-neurobiologisch entwickelt werden. Fassbar sind jeweils nur seine Repräsentationsformen in Form von Dokumenten, deren Wert aber nicht in der Isolation, sondern im Zusammenspiel entsteht.

3.3 Besonderheiten sozialwissenschaftlicher Ansätze

Die Untersuchungsobjekte der Sozialwissenschaften sind vielmehr intentional, das heißt mit Ab-sichten handelnde Einheiten. Der sozialwissenschaftliche Ansatz versucht also, aus subjektivem Wissen objektive, systematisch geordnete Sätze zu machen (Teich 1996). Eine quantitative Sozialfor-schung trifft Aussagen über Häufigkeiten, Lage- und Verteilungsparameter und entwickelt Maße für Sicherheit und Stärke, um Zusammenhänge (Korrelationen) und theoretische Modelle zu überprüfen (Lamnek 1988, S.4).

Eine qualitative Sozialforschung bemüht sich das "Wie" von Zusammenhängen, vor allem aus der

Sicht des Betroffenen, zu erforschen (Lamnek 1988). Damit differenziert sie sich von der quantitativen Sozialforschung durch den Anspruch, „Prozesse zu rekonstruieren, durch die soziale Wirklichkeit in ihrer sinnhaften Strukturierung hergestellt wird“, anstatt existente Zusammenhänge zu überprüfen (Lamnek 1988, S.41 und S21ff.).

Sie ist durch zentrale Prinzipien wie Offenheit, Prozessbezug, Reflexivität und Explikation ge-

prägt. Diese Prinzipien legen nahe, ihnen für die Verarbeitung der Erkenntnisse zu folgen. Der Ansatz ist bemüht, den Wahrnehmungstrichter gegenüber Person, Situation und Methode so offen wie mög-lich zu halten und nicht durch Kategorien und Standards einzuengen. Nach Teich entsteht eine Explo-

rationsfunktion mit Verzicht auf eine Hypothesenbildung ex ante (Teich 1996). Das bestehende Vor-wissen hat nach Glaser und Strauss lediglich Orientierungscharakter (Glaser und Strauss 1998).

Qualitative Sozialforschung soll den Konstitutionsprozess von Wirklichkeit dokumentieren, analy-

tisch rekonstruieren und schließlich nachvollziehbar erklären können. Die Explikation der Einzel-schritte des Untersuchungsprozesses und Regeln der erhobenen "Daten" (hier Testergebnisse) sichert die Nachvollziehbarkeit der Interpretation, nicht die Nachbildbarkeit im Sinne einer quantitativen Un-tersuchung. Im Gegensatz zu quantitativen Analyse ergibt sich nach Lamnek daraus ein positiver Zir-kel von Sinnzuweisung und Sinnverstehen (Lamnek 1988).


Sollte ein rein sozialwissenschaftlicher Ansatz in Frage kommen, könnte die individuelle Wissens-entwicklung im Vordergrund stehen und anhand von Befragungen im Unternehmen belegt werden. Befragungen zur Technologienutzung würden wieder nur die Interaktion mit der Technologie heraus-arbeiten. Sie gäben keine Aufschlüsse auf die Funktionsweise der Technologie. Die rein empirische Konzentration auf auf die individuelle Wissensentwicklung würde zu einer psychologischen Sicht füh-ren. Hier soll bewusst eine Sichtweise an der Schnittstelle von Technik und Wirtschaft beleuchtet werden, um die Bedeutung und das Potenzial der Technologie im betrieblichen Rahmen abschätzen zu können.

3.4 Besonderheiten betriebswirtschaftlicher Ansätze

Neben den beschriebenen Ansätzen wäre alternativ ein in der betriebswirtschaftlichen Forschung üblicher fall-basierter Forschungsansatz denkbar (Yin 2003). Er könnte sich zum Vergleich von be-trieblichen Anwendungsfällen eignen. Er würde aber nicht in die Tiefe der individuellen Wissensent-wicklung vordringen und auf dieser Tiefe wenig vergleichbare Szenarien zur Verfügung haben. Au-ßerdem lägen keine mehrfachen Implementierungen des verwendeten Semantic Desktop Prototypen vor. Sie wären aus Gründen der Zugänglichkeit zu vergleichbaren Datenbeständen und Systemumge-bungen nicht mit vertretbarem Aufwand installierbar. Die betrieblichen Rahmenbedingungen und der subjektive Charakter von Wissen sowie der Entwicklungszustand und -prozess des Semantic Desktops stellen den Forschungsansatz vor Herausforderungen.

Nachdem sich keiner der Ansätze in seiner Reinform für diese interdisziplinäre Diskussion zu eig-

nen scheint, ist fraglich, ob nicht eine geeignete Kombination der Ansätze möglich wäre, um der Komplexität und Interdisziplinarität von Wissen gerecht zu werden.

3.5 Besonderheiten kombinierter Ansätze

Die meisten Ansätze verstehen Wissen als eine objektivierte Wirklichkeit und als einen Zustand. Sie setzen ausreichende Praxisfälle (cases) oder Datenbasis voraus. Im vorliegenden Fall geht es nicht um das Überprüfen der besten Form der Wissensverteilung im Sinne von präzisen Hypothesen. Ge-nauso wie soziale Phänomene nicht außerhalb des Individuums existieren, kann Wissen nicht losgelöst vom Individuum betrachtet werden. Es bedarf der Berücksichtigung der sozialen Gruppe.

Mangels gegebenem Forschungsrahmen könnten top-down-Anleihen in anderen Disziplinen ge-

macht und bottom-up explorativ aus technologischen Möglichkeiten hergeleitet werden. Zur Zusam-menführung beider Erkenntnisstränge in den Themenfeldern Technologie und Wissen böte sich ein kombinierter Ansatz auf Basis qualitativer Methoden an. Er könnte Ansätze der Wissensentwicklung untersuchen, die dem subjektiven Charakter von Wissen gerecht werden, um damit verstehen zu wollen, wie sich personenabhängiges Wissen in allgemein verfügbares Wissen verwandeln lässt.

Für Wilson (1998) vermitteln Geistes- und Sozialwissenschaften nur Kunst und Kultur und addres-sieren die Gefühlsebene des Betrachters. Naturwissenschaften dagegen seien in der Lage, unsere Sin-nessysteme so zu studieren, um neue Erkenntnisse und Informationen zu gewinnen (Wilson 1998, S. 158). Kultur bedient sich der Sprache, um Informationen auszutauschen (Wilson 1998, S. 176). Sie kann sich selbst weiterentwickeln und neue Repräsentationen der Wirklichkeit hervorbringen. Die So-zialwissenschaften haben es nicht geschafft, ein „Kausalnetz (...) von der Gesellschaft bis zum Verstand“ zu ziehen (Wilson 1998, S. 253). Sie bedienen sich vielmehr der Hermeneutik im Sinne der Textauslegung aus Sicht von Beziehungen und Kulturen.

Beide Aspekte erscheinen Wilson in seiner Suche nach der Einheit des Wissens notwendig. Die

Ökonomie betrachtet er als beste Brücke zwischen den Disziplinen, da sie bereits den Dialog mathe-matischer Modelle mit den Komplexitäten menschlichen Verhaltens aufgenommen hat (Wilson 1998, S.261). Er fordert aber ein neues psychobiologisches Verständnis für die Weiterentwicklung der in der Ökonomie etablierten rationalen Entscheidungstheorie. Sie ist ihm zufolge keine „adäquate Wiederga-be der menschlichen Denkungsart“ und vernachlässigt Heuristiken (Wilson 1998, S.275).


Es wird bestätigt, dass sich die Frage nach einer der beiden Forschungsrichtungen hinsichtlich des Erkenntnisobjekts Wissen nicht eindeutig beantworten lässt, wenn dem interdisziplinären Charakter von Wissen Rechnung getragen werden soll. Ein rein betriebswirtschaftlicher Ansatz dürfte mangels vergleichbarer oder empirisch belegbarer Anwendungsfälle schwerfallen.

Bei Glaser und Strauss (1998, S. 8 und Teich 1996) finden sich mit der Grounded Theory, bei

Wadsworth (1998) mit der Action Research und bei March und Smith (1995) mit den Design Scien-ces drei kombinierte Forschungsansätze. Sie machen sich für die Erklärung der Erkenntnisse und zur Entwicklung eines Modells der Wissensentwicklung die Erfahrungen der Sozialwissenschaften nutz-bar und kombinieren sie mit den quantitativen Testmethoden für Technologien als Datenbasis. Im Fol-genden werden die Ansätze kurz umrissen und gegeneinander abgewogen.

3.5.1 Action Research

Aufgrund der Intention, Ansätze des Wissensmanagements zu verändern und weiterzuentwickeln, bietet die Action Research einen ähnlichen Ansatz (Wadsworth 1998). Sie stellt eine hohe Reakti-onsfreudigkeit („responsiveness“) und Beteiligung in den Vordergrund. Sie versteht den Forschungs-prozess als Lernzyklus, um durch systematische Reflektion direkt in der Praxis des Forschungsgebiets zu lernen (Schön 1983 und 1987 oder Kolb 1984). Wie auch die Grounded Theory versucht sie mit nicht-standardisierbaren, quantitativ erfass- und vergleichbaren Situationen umzugehen. Auch sie braucht nicht wie klassische, quantitative Methoden fest definierte Hypothesen, die zu belegen oder zu widerrufen sind. Es reichen vage Vermutungen, die sich über einen iterativen Prozess und Dialog kon-kretisieren. Es handelt sich um exploratives Forschen.

Action Research entstand nach Krause (2005) zu Anfang des 20. Jahrhunderts aus der Erkenntnis, dass „statistische Auswertungen nur eine Scheingenauigkeit“ sind. Sie beruht nach Wadsworth (1998) auf verschiedenen Vorarbeiten und Methoden: der Bewertungsansatz von Patton (1990) oder Checklands (1981) soft systems analysis, Argyris’ (1985) action science, und Kemmis’ critical action research (Carr and Kemmis, 1986). Action Research verspricht einen praxisnahen, dialektisch-iterativen Ansatz mit Hilfe unterschiedlicher Quellen. Dennoch erscheinen die Kernanforderungen − Beteiligung und Reaktionsfreudigkeit − im vorliegenden Testfall des Semantic Desktop weniger be-deutend als der Ansatz der Grounded Theory, aus den Testdaten und Literaturerkenntnissen ein Mo-dell abzuleiten.

3.5.2 Design Sciences

Design Sciences ist ein junger Forschungsansatz aus den 90er Jahren. Er hat seine Wurzeln bei March und Smith (1995). Er entstammt dem Engineering und konzentriert sich auf Problemlösun-gen und Artefakte. Er will die Schwächen bestehender Forschung im Bereich der IT beheben und dem Design-Aspekt in der Forschung Rechnung tragen. Für die Anwendung auf IT-Systeme kombi-nieren ihn Hevner et al. (2004) mit einem klassischen, verhaltensbasierten Forschungsansatz, der sich aus den Naturwissenschaften ableitet. Aus dem Dialog beider Ansätze entfaltet sich nach Havner et al. (2004, S. 2) das Potential für die Forschung der Informationstechnologie.

Die naturwissenschaftliche Verhaltensforschung ist bestrebt, Systeme im oganisationellen Rah-

men und seine Wirkung im Hinblick auf ein definiertes Geschäftsproblem hin zu rechtfertigen und zu erklären. Hierfür werden unterschiedliche Artefakte betrachtet: Konstrukte, Modelle, Methoden und Systeme (Instantiations). Mit Hilfe der Feldforschung soll auf empirischer Datenbasis die Wahrheit ih-rer Wirkung aufgezeigt werden.

Design Sciences dagegen erstellt Artefakte zur Problemlösung und testet sie auf ihre Nützlichkeit

mit Hilfe von mathematischen Methoden, wie Recall und Precision (Kapitel 11). Die Autoren unter-scheiden Design, ähnlich wie Wissen in dieser Arbeit, in Prozess und Produkt. Sie verstehen den Design-Prozess als Aktivitätenfolge zur Erstellung von Artefakten. Dies ähnelt dem Verständnis wis-sensintensiver Prozesse aus Kapitel 6. Artefakte werden erstellt, bewertet, verallgemeinert und ge-rechtfertigt und bewiesen. Nach Hevner et al. (2004, S. 3) gibt es in der Literatur einige Forschung zu Instantiations (Systemen), Constructs und Methoden. Die Forschung an Modellen war ihnen zufolge der Managementforschung überlassen. Hevner et al. (2004) geben einen Überblick (Hever et al. 2004,


S.18) über Design Evaluierungsmethoden. Hieraus erscheint für die Diskussion des Semantic Desk-top der Test als Simulation und durch Szenarien hilfreich.

Carlsson (2006) unterstützt diese Haltung und Forderung nach einer Kombination verhaltens-

und designbasierter Ansätze für Information Sciences aus einer Perspektive des kritischen Realis-mus. Er fordert Designwissen und „grounded technological rules“ als Ergebnisse der Designfor-schung.

Von Aken (2004) überträgt diese Forderung auf die Managementforschung. Diese beruhte ihm zu-

folge mit den Organisationstheorien auch lange Zeit auf erklärenden Ansätzen. Mit Hilfe von be-schreibenden Ansätzen möchte er dem Relevanzproblem der Managementtheorien begegnen.

3.5.3 Grounded Theory

Der Begriff bezeichnet nach Glaser und Strauss (1998) den Prozess einer gegenstandsverankerten, realitätsnahen Theoriebildung. Hiernach stellt sie „keine einzelne Methode dar, sondern eine Reihe von ineinandergreifenden Verfahren“. Sie entstammt qualitativen Methoden der Chicagoer Schule. Sie betrachtet Wandel als konstantes Merkmal sozialen Lebens und erfasst den Standpunkt des Handeln-den ausreichend. Nach Glaser und Strauss (1998, S. 15) ist herausstechendes Merkmal der Grounded Theory, dass Hypothesen und Konzepte im Laufe der Forschung systematisch „mit Bezug auf die Da-ten ausgearbeitet“ und in Beziehung gebracht werden. Sie folgt einem induktiven Prozess mit dem existenzphilosophischen Ziel, das Wesen der interessierenden Phänomene zu erkunden“ (Teich 1996, S. 6). Sie kann nicht mehr von dem Prozess ihrer Entstehung getrennt werden, weil alle Interpretati-onsversuche an das gesammelte Datenmaterial herangetragen und präzisiert werden. Die Grounded Theory beansprucht daher Plausibilität und nicht die Wahrheit allgemeingültiger Gesetze. Dies spiegelt das typische Vorgehen der Grounded Theory nach Strauss und Corbin (1990) in Tabelle 1 wi-der:

Tabelle 1. Angewandtes Vorgehen der Grounded Theory

Vorgehen Beispielhafte Methoden Anwendung in der Arbeit Datensammlung Sammlung, Atomisierung,

Kontrainduktion Test des Semantic Desktop, Lite-raturanalyse

Kodierung und Kategorisierung Hermeneutische Betrachtung aus Perspektiven anderer Disziplinen

Wissensentwicklung im Diskurs

Sampling und Vergleichen Komparative Analyse Testszenarien, Diskussion im Projektteam und Forschungs-community

Theoriebildung Iteratives Hypothesenbilden Knowledge Creation Framework Die Zielsetzung verschiebt sich von der naturwissenschaftlichen Verifikation von Fakten hin zu

einer sozialwissenschaftlichen Erklärung von Fakten. Durch Kontrainduktion kann die Grounded Theory ein Durchbrechen der bisherigen Analysen (Paradigma der Wissensverteilung) erreichen, in-dem erst einmal das Gegenteil (Wissensentwicklung) angenommen wird (Teich 1996, S. 8). Die Ato-misierung (Teich 1998) und Reduktion von abstrakten Begriffen auf messbare Ebenen versucht Kom-plexitäten zu reduzieren. Der Begriff Wissen muss auf ein fassbares Dokument oder eine beschreibbare Rolle reduziert werden. Durch die hermeneutische Betrachtung unterschiedlicher Per-spektiven anderer Disziplinen, wie der Linguistik mit der Sprachentwicklung, gelingt es mit der Grounded Theory, ein Netz von Kategorien (Bortz und Döring 2002) als Basis für ein Modell zu knüpfen. Dies dient als Basis, um die aus den Daten hergeleiteten Erkenntnisse auf andere Situationen zu übertragen und damit dem Risiko subjektiver Deutungen zu begegnen (Bortz und Döring 2002, S. 225). Dabei wird der erste Eindruck durch komparative Analyse in Form unterschiedlicher Testsze-narien (theoretisches Sampling) mit der semantischen Suche des Semantic Desktops (Gnowsis) über-prüft. Dabei steht in der Fallauswahl nach Glaser und Strauss (1998) weniger die Repräsentativität im Vordergrund, sondern ihr Potential neuer Erkenntnisse. Ein interpersoneller Konsens kann


im Projektteam und in der internationalen Forschungsgemeinschaft durch Workshops hergestellt wer-den (Glaser und Strauss 1998, S. 31ff.).

Die Grounded Theory beruht unter anderem auf der Logik der Abduktion nach Peirce (1976). Sie

ist ein Erkenntnisverfahren in der sequentiellen Kombination aus zufälliger Ideenfindung aus überra-schenden Ereignissen, deduktiver Hypothesenbildung und induktiver Verifizierung. Dabei wird eine Regel konstruiert, die das überraschende Ereignis zu erklären sucht. Gäbe es diese schon und wäre sie nur zu entdecken, wäre das Ereignis nicht überraschend gewesen. Abduktion führt die Entstehung neuer Ideen formalistisch in den Wissensentwicklungsprozess ein.

3.6 Wahl der Forschungsmethode

Aus dem Spannungsfeld um die Wahreheit streitender traditioneller Forschungsansätzen wurden mit den Design Sciences, Action Reserach und der Grounded Theory junge Mischformen und diszip-linübergreifende Ansätze vorgestellt. Sie sind in ihrem allgemeinen Charakter ähnlich, unterscheiden sich jedoch in ihrer Herkunft und damit in einzelnen Aussagen.

Gemeinsam sind ihnen der iterative Prozesscharakter und die beteiligte Rolle des Forschers am

Wissensentstehungsprozess. So wirkt sich in der vorliegenden Arbeit die Entwicklung des Modells der Wissensentwicklung und die zugrundeliegende Literaturanalyse iterativ auf die Teststellung (Szena-rien) aus. Zu Beginn der Forschung sind die zu untersuchenden Einflussfaktoren (Rolle, Dokumente) nur teilweise bekannt.

Da sich die Definition der Testszenarien nicht direkt auf die Suchergebnisse auswirkt und die Aus-

wahl der Daten davon unberührt blieb, kann der Einwand einer sich selbsterfüllenden Prophezei-hung durch die Anpassung der Testdaten an ein intendiertes Ergebnis negiert werden. Nichtsdestotrotz bringt es ein iterativer Prozess mit sich, die Auswahl der Testszenarien den Vermutungen aus der theoretischen Erarbeitung des Modells so lange ohne Veränderung der Testdaten anzupassen, wie sich Ergebnisse erzielen lassen, die die Vermutungen stützen.

Mit diesem Vorgehen und Ansatz leidet zwar die in klassischen Ansätzen geforderte Replizierbar-

keit auf andere wissensintensive Prozesse, nicht aber die Replizierbarkeit des Tests in den definierten Szenarien innerhalb eines wissensintensiven Prozesses. Aufgrund der spezifischen Datenbasis aus dem Anwendungs- und Praxisrahmen und der hohen Hürden, eine vergleichbare Datenbasis aus anderen wissensintensiven Prozessen im gleichen Charakter nachzustellen, ist eine Verallgemeinerung schwierig. Für die Untersuchung der Subjektivität und Kontextspezifität des Forschungsgegenstandes Wissen ist der Ansatz allerdings besonders geeignet.

Für die Forschung von spezifischen Fällen könnte sich insbesondere Action Research und Design

Sciences eignen, da die Forderung nach Generalisierbarkeit einer starken Einschränkung und Reduk-tion der Situation bedürfte.

Tabelle 2 wendet in Anlehnung an March und Smith (1995) hierfür die Vorgehensweise der De-

sign Sciences auf die bekannten Artefakte an und zeigt diese als Kombinationsmöglichkeiten der For-schung mit dem Versuch, die Aspekte der vorliegenden Arbeit darin einzuordnen.


Tabelle 2. Ansatz der Design Sciences auf bekannte Aktefakte

Deutlich wird dabei, dass es sich für den technischen Teil sehr gut anwenden lässt. Die Arbeit leis-tet mit dem Praxistest des Semantic Desktop eine Evaluierung des im EPOS-Projekt hergestellten Ar-tefakts. Die Ergebnisse werden in Beziehung zum betrieblichen Anwendungsrahmen theoretisiert und in Bezug gestellt.

Beim Versuch, die wissenstheoretischen Aspekte und das Knowledge Creation Framework in die Matrix einzubringen, zeigen sich Schwierigkeiten, da es sich nicht um technische Artefakte han-delt, deren Nützlichkeit es zu testen gilt. So erscheint es schwierig die Diskussion um wissensintensi-ve Prozesse als Evaluation der Eigenschaften von Wissen zu betrachten. Es sind vielmehr erklärende Ansätze, um im Dialog mit den Testergebnissen die Nützlichkeit der Artefakte einzuordnen.

Da sich Information Sciences an der Schnittstelle zwischen Organisation, Menschen und Technolo-

gie bewegt, fordern Hevener et al. (2004) die Kombination von verhaltensbasierter und designba-sierter Forschung. In ihrer Balance beheben sie die jeweiligen Schwächen. Verhaltensbasierte Ansät-ze erscheinen passiv in Bezug auf Technologien und tendieren dazu, Kontexttheorien überzubetonen. Designbasierte Ansätze erscheinen aktiv in Bezug auf Technologie und tendieren dazu, zwar gut de-signed, aber im Anwendungsfall nutzlos zu sein. Action Research ist nach van Aken (2004, S. 233) nicht unbedingt an der Entwicklung von übertragbarem Wissen interessiert. Nach Järvinen (2007, S. 51) ist Action Research Design Sciences im Charakter sehr ähnlich. Besonders hervorzuhe-ben sind die Übereinstimmungen in der teilnehmenden und initierenden Rolle des Forschers und der Produktion von nützlichem Wissen aus dem laufenden, iterativen Prozess. Beide Aspekte finden sich auch in der Grounded Theory wieder.

In der vorliegenden Arbeit sollen die Erkenntnisse und Daten aus dem Technologie-Test als be-

schreibende Basis für theoretische, erklärende Überlegungen der betrieblichen, wissensintensiven Prozesse und der Wissenstheorien genutzt werden. Die von Hevner et al. (2004) geforderte Kombina-tion soll mit der Grounded Theory gelingen. Für die Evaluation der Technologie werden Aspek-te aus der Designforschung aufgegriffen und als Szenarien und Simulation angewandt. Die Er-kenntnisse und Erfahrungen werden jedoch stärker als bei Design und Action Research in einen erklärenden Theorierahmen eingebettet.

Die vorliegende Arbeit greift auch die Fundierung der Diskussion in philosophischen Theorien von

Carlsson (2006) auf. Durch den stärkeren Bezug zu Wissenstheorien statt reiner Informationstheorie wird aber ein gemäßigtes Verständnis des Konstruktivismus als Grundlage gewählt. Es liegt wissen-schaftstheoretisch sehr nah an den Vorstellungen des kritischen Realismus. Die Bezugnahme zum Konstruktivismus wird von Carlsson (2006, S. 194) als „increased and fruitful use of alternative philo-sophies, for example, the use of constructivism“ bezeichnet. Durch Anwendung der Grounded Theory kommt die Arbeit auch seiner Forderung nach „grounded technological rules“ (Carlsson 2006) nach.

B u i ld E v a lu a t e T h e o r iz e J u s t i f y

C o n s t r u c t s

M o d e l

M e t h o d

In s t a n t ia t io n

E P O SE n tw ic k lu n g

( V e r s tä n d n is v o n W is s e n )

( K n o w le d g e C r e a t io n

F r a m e w o r k )

S D T e s t

(W is s e n s -in te n s iv e P r o z e s s e )

D is k u s s io n d e r W ir k u n g

v o n R o l le n

(W is s e n s -e n tw ic k lu n g )


Auch Carlsson (2006, S. 209) wendet sein Framework in CRM-Systemen an. Dies ist zwar kein Be-weis, aber ein Indikator, dass der gewählte Forschungsansatz für dieses Anwendungsfeld geeignet ist, auch wenn er auf Basis der Grounded Theory und des Konstruktivismus leicht an die Heraus-forderungen der Wissenstheorien angepasst ist.

Zusammenfassend lässt sich festhalten, dass ein Forschungsvorgehen im Sinne der qualitativen So-

zialforschung auf Basis der Grounded Theory als geeigneter Ansatz erscheint. Er berücksichtigt die meisten Forschungsherausforderungen, trägt dem Charakter von Wissen als soziales Phänomen Rech-nung, berücksichtigt den abduktiven, explorativen Charakter und greift für die Erhebung der Testdaten auf bekannte statistische, quantitative Testverfahren für Suchmaschinen (Precision und Recall) zurück:

• Die notwendige Datenbasis im vorliegenden Forschungsrahmen ergibt sich aus spezifischen Praxisszenarien bei Siemens IT Solutions und Services.

• Charakteristika von Wissen und Wissensentwicklung gleichen den Ansprüchen und Merk-malen des Forschungsansatzes.

• Modellentwicklung steht im Vordergrund der Grounded Theory und passt gut zum For-schungsziel: Erklärung des Beitrags des Semantic Desktop für die Wissensentwicklung in wissensintensiven Prozessen.

• Der Ansatz stellt zugleich einen Anwendungsfall (Forschung als wissensintensiver Prozess) im Sinne der Wissensentwicklung (Theoriebildung) dar.

Für den vorliegenden Fall zeigen sich zwei Ebenen der Untersuchung: Ein Vergleich wissensinten-

siver Prozesse oder Untersuchung verschiedener Szenarien innerhalb eines Prozesses. Fraglich ist, ob ein Vergleich der Angebotsentwicklung mit dem Projektmanagement gelingen kann oder ob ver-schiedene strukturierte Varianten des Angebotsprozesses nicht greifbarere Ergebnisse versprechen.

Für eine hinreichend genaue, technologisch fassbar und pragmatisch zugängliche Teststellung

erweisen sich Varianten innerhalb der Angebotsentwicklung als geeignet. Sie erlauben eine me-thodische Vergleichbarkeit auf dem aktuellen Stand der Technik und unter Berücksichtigug der Daten-sicherheit beim Praxistest. Sie werden im Folgenden näher ausgeführt. Eine weitere, verallgemeinern-dere Forschung im Sinne der klassischen Forschungsansätze könnte sich in weiteren Arbeiten zur tieferen Beweisführung anschließen.


4 Anwendung der Forschungsmethode als Forschungsvorgehen

Die Grounded Theory lässt sich nach Krause (2005) als modellbildende Methode auf theoretische Konzepte der Wissensentwicklung anwenden. Es entsteht, wie in Abbildung 3 illustriert, ein Dialog zwischen hermeneutischen Erkenntnissen aus der Literatur und Ergebnissen aus Tests und Daten. Er entwickelt und prüft iterativ, Forschungsfragen, Hypothesen und Gedanken im Hinblick auf die Da-tenbasis. Er synthetisiert die Erkenntnisse in einem Modell, dem Knowledge Creation Framework.

Abb. 3. Forschungsvorgehen

Die Arbeit fordert mit Hilfe der Kontrainduktion, als ein Hilfsmittel der Grounded Theory, die Pra-xiserfahrungen und Theorien des Wissensmanagement der letzten Jahre aus Sicht einer konstruktivis-tischen Wissensentwicklung heraus.

Für den Dialog zwischen Daten und Theorien werden Ausschnitte der Wissensentwicklung betrach-

tet. Sie werden auf ihre einzelnen Sinnbausteine zurückgeführt und atomisiert. Ihre Voraussetzungen und Rahmenbedingungen werden expliziert. Im vorliegenden Fall wird der subjektive Charakter von Wissen auf die Repräsentationsform der Rolle reduziert. Dieser Aspekt lässt sich experimentell mit der zur Verfügung stehenden Technologie testen.

Es ist es nicht Ziel der Arbeit, das Modell der Wissensentwicklung als Ganzes zu testen. Eine

isolierte, experimentelle Verifikation eines Modells der Wissensentwicklung erscheint aufgrund seiner Komplexität nicht möglich. Das Modell soll vielmehr aus der Diskussion und Tests im Diskurs der Grounded Theory vorgeschlagen werden. Es dient der Verknüpfung und Illustration der identifizierten Zusammenhänge. Es postuliert keine zu verifizierende Theorie. Für die weitere, verfeinernde und veri-fizierende Forschung wären hier statt des Experiments, analog der Linguistik (Alber 2000), Simulatio-nen einsetzbar. Vorteilhaft dabei wäre die Berücksichtigung von Lernprozessen, bei denen selbst Da-ten für die Simulation erzeugt werden. Dies trüge dem potenziell rekursiven Charakter von Wissen Rechnung.

Der Erkenntnisgewinn resultiert aus dem iterativen Dialog zwischen Theorie und Technologie-

test vor dem Hintergrund von real-betrieblichen Daten und Erfahrungen. Konkret sind dies: • Einbindung in das Forschungsprojekt EPOS (http://www3.dfki.uni-kl.de/epos) für die techno-

logische Basis • Einbindung in die betriebliche Praxis bei Siemens IT Solutions and Services für die Diskussi-

on mit Vertriebsmitarbeitern und Zugang einer realen Datenbasis • Veröffentlichung von Teilergebnissen auf internationalen Konferenzen für die Validierung

und Herausforderung der Ansätze in der internationalen Forschungscommunity: o „Knowledge Creation Framework“ auf der WM 2005 (Siebert 2005) o „Increasing Search Quality with the Semantic Desktop in Proposal Management“

(Siebert et al. 2006) auf PAKM in Wien, Österreich

Aus den Tests und Daten Rolle hat Einfluss auf Ergebnisrelevanz

Wissen ist konstruktivistisch und hat

subjektiven Charakter Aus der Literatur

Knowledge Creation Framework

Wissensentwicklung kann als ein Prozess von perspective taking und making verstan-

den werden

Grounded Theory


o Personalized document retrieval in multi-party environments (Siebert et al. 2006a) Nachfolgende Grafik skizziert den Diskussionsverlauf zwischen Möglichkeiten der Künstlichen

Intelligenz und Modellen der Wissenentwicklung hin zu einem Modell der Wissensentwicklung.

Abb. 4. Iterativer Ablauf und Werdegang der Arbeit

Exemplarisch wird darin der Dialog anhand von wissensintensiven Prozessen und semantischen Technologien geführt. Die Erkenntnisse münden in einem Modell der Wissensentwicklung (Knowled-ge Creation Framework). In ihrer chonologischen Verbindung von links nach rechts wird der Dialog als „Gespräch“ zwischen Wissenstheorie und technologischer Praxis vom Allgemeinen ins Kon-krete und zurück deutlich. Damit wird im Sinne der Grounded Theory deduktives und induktives Vorgehen kombiniert und eine Modellentwicklung mit Verbindung zur Datenbasis erreicht. Deduk-tiv werden Hypothesen und Testszenarien aus der allgemeinen Literaturdiskussion für einen Paradig-menwechsel zur subjektiven Wissensentwicklung erarbeitet. Induktiv werden diese aus der Datenbasis bestätigt und verfeinert.

Grounded Theory

EPOS Projekt

am DFKI

SIS Angebots-prozess

Multi-Agenten Systeme

Andere Prozesse

Wissens-entwicklung

Künstliche

Intelligenz

Individuell(Intention)

Organisational(KM-System)

Organisational(Situation)

Wissensintensive Prozesse

Semantische Technologien

Knowledge Creation

Framework

Individuell(P2P)

Rolle

Aufgaben

PIM

Dokumente

Angebotsprozess

Semantic Desktop

Veröffent-lichung

KCF, 2005

Veröffent-

lichung

Test Sem. Desktop,

2006

Dissertation

2009

x ...Kapitelx ...Kapitel

Motivation und Zielder Arbeit

Forschungs-methode undAufbau der

Arbeit

2

4

5

3

6

7

8

9

101112

Test und Ausblick

Zu

sam

men

fass

ung

1


5 Forschungsfragen und Aufbau der Arbeit

Die Arbeit orientiert sich an Ausgangsfragen. Sie werden über den Dialog in den Zwischenfazits der Kapitel immer wieder verfeinert, justiert oder beantwortet. Sie bleiben aber in ihrem Kernin-teresse und der anwendungsnahen Ergebniszielsetzung beständig. Mit dem Fazit der Arbeit werden die Ergebnisse der Diskussion in Bezug zu den Ausgangsfragen gestellt und damit der Beitrag der Arbeit illustriert. Zur durchgängigen Identifikation und Zuordnung der Diskussionsbeiträge werden die Fra-gen und ihre Verfeinerungen mit F-1 bzw. F-1.1. gekennzeichnet und ihre schlussfolgernden Antwor-ten mit A-1 bzw. A-1.1.

Die Fragen entstammen der betrieblichen Praxis und der aktuellen Forschungsdiskussion in den be-

teiligten Disziplinen.

(F-1) Wie kann die semantische Suche die Produktivität in der Wissensentwicklung von wissensintensiven Prozessen steigern ?

Der direkte Nutzen des Wissens (auch aus organisatorischer Sicht) entsteht bei der Nutzung des

Wissens beim Individuum. Bisherige Prozessunterstützung erfolgt passiv auf Anfrage des Nutzers. Fraglich ist daher, inwieweit der Wissensarbeiter bei der Wissensentwicklung am besten aktiv un-terstützt werden kann. Abzuwägen wären dazu die Potentiale der zu untersuchenden Technologien auf ihre Fähigkeit, eine aktive Prozessunterstützung bereitzustellen (F-1.1). Bekannt ist dies in An-sätzen bei durchstrukturierten Prozessen und Workflows. Inwieweit dies für wissensintensive, dyna-mische und unstrukturierte Prozesse gelingt, wäre abzugrenzen (F-1.2). Schlussfolgernd wäre zu prüfen, welchen Beitrag die Diskussion der grundlegenden Prozesse der Wissensentwicklung auf die Theorien des Wissensmanagements im betrieblichen und betriebswirtschaftlichen Rahmen ha-ben (F-1.3).

Die gewonnen Erkenntnisse rühren aus dem skizzierten Forschungsvorgehen der Grounded Theory her. Welchen Einfluss und Beitrag dieser Ansatz für die Erkenntnisse hat, wäre im Rückblick im Sinne einer Methodenkritik zu besprechen (F-1.4)

Kapitel 1 hat die betrieblichen und technologischen Problemstellungen als Motivation in wissensin-

tensiven Prozessen aufgezeigt. Kapitel 2 hat mit der Zielsetzung und dem Fokus der Arbeit auf die semantische Suche in der Wissensentwicklung die zu untersuchenden Ansatzpunkte verdeutlicht. Ka-pitel 14 wird die Schlussfolgerungen und Ergebnisse der Diskussion wieder in den betrieblichen Handlungsrahmen einbetten. Es leitet hieraus Empfehlungen und Ausblicke für die Organisation, Technologie und den Semantic Desktop ab. Es gibt Anregungen, welche Aspekte die weitere For-schungsarbeit vertiefen könnten, und fasst die Gesamtdiskussion überlicksartig zusammen.

(F-2) Was sind wissensintensive Prozesse und ihre Besonderheiten ?

Aus der Vielzahl an betrieblichen Prozessen werden die wissensintensiven Prozesse betrachtet.

Wissen stellt in diesem Umfeld die Kernressource dar. Wissen ist zugleich auch das Produkt und Er-gebnis des Prozesses. Offen ist damit, ob ein wissensintensiver Prozess nicht selbst als organisatio-nale Wissensentwicklung verstanden werden kann (F-2.1). Zu klären wäre dabei, was wissensinten-sive Prozesse von anderen betrieblichen Prozesstypen unterscheidet (F-2.2) und warum dies für bestehende Lösungen und Technologien eine Herausforderung darstellt (F-2.3).

Kapitel 6 arbeitet für eine Prozessoptimierung und -unterstützung die Besonderheiten wissensinten-

siver Prozesse heraus. Dies wird am Beispiel des Angebotsprozesses bei Siemens IT Solutions and Services illustriert und diskutiert.


(F-3) Was sind die Charakteristika von Wissen ?

Falls wissensintensive Prozesse selbst Wissen entwickeln, sollte zunächst erklärt und definiert wer-

den, was Wissen ist. In allen wissenschaftlichen Disziplinen wird Wissen entwickelt. Eine synoptische und einheitliche Sicht ist derzeit nicht bekannt. Übergreifende Beschreibungen dürften sich in der Wissenschaftstheorie und anhand unterschiedlicher Forschungsmethoden finden lassen. Die Heraus-forderung dabei besteht in einer Fassung, die dem betrieblich-technologischen Anwendungskon-text gerecht wird, jedoch die Perspektiven anderer Wissenschaftsdisziplinen respektiert und ein-bezieht (F-3.1). Darauf aufbauend wäre zu spezifizieren, mit welchen Besonderheiten von Wissen umzugehen ist (F-3.2).

Kapitel 7 gibt daher eine Übersicht zu bekannten Definitionen und Besonderheiten des Wissens-

begriffs. Dabei wird besprochen, inwieweit Wissen als Substantiv oder Verb bzw. als Objekt oder Prozess verstanden werden kann.

(F-4) Was ist Wissensentwicklung ?

Zur Diskussion einer technologischen Unterstützung der Wissensentwicklung müssen dieser Pro-

zess und seine Einflussfaktoren verstanden werden (F-4.1). Dabei wäre zu klären, ob sich bestehende Ansätze der organisationellen Wissensentwicklung und Lerntheorie auf die individuelle Wissens-entwicklung übertragen und anwenden lassen (F-4.2). In Summe bleibt fraglich, welchen Beitrag das Verständnis der Wissensentwicklung leisten kann, um den heute hohen Redaktionsaufwand im Um-gang mit Wissen zu reduzieren (F-4.3) und mit ihm einen größeren Mehrwert zu erzielen.

In Bezug auf die Eigenschaften von Wissen wäre fraglich, wie sich die Vergänglichkeit von Wis-

sen berücksichtigen (F-4.4) lässt und inwieweit ein konstruktivistisches Verständnis von Wissen für die Wissensentwicklung hilfreich ist (F-4.5). Dabei wäre zu untersuchen, inwieweit Wissensentwick-lung zur Lösung des Kontextproblems beitragen kann (F-4.6).

Kapitel 8 disktutiert und vergleicht dazu Ansätze verschiedener Disziplinen. Im Rahmen der be-

triebswirtschaftlichen Sicht werden verschiedene Modelle als Basis für ein Modell der Wissensent-wicklung untersucht. Es soll im Diskurs mit anderen Disziplinen um deren Aspekte erweitert werden. Die Kernelemente stehen für die Forschung zu intelligenten Technologien zur Unterstützung und Ab-bildung zur Verfügung.

(F-5) Welche intelligenten Technologien können den Redaktionsaufwand reduzieren und mit welchen Herausforderungen ist dies verbunden ?

Die inhaltliche Pflege von technologischen Systemen wird immer Aufwand erfordern. Eine konti-

nuierliche Produktivitätssteigerung kann erzielt werden, wenn dieser einen höheren Mehrwert stiftet oder für die gleichen Aufgaben sinkt. Der Redaktionsaufwand, ausgedrückt in operativen Kosten, ist damit ein Maßstab für den betrieblichen Nutzen von Technologien. Herauszuarbeiten wäre, welche technologischen Ansätzen und Verfahren mit den Charakteristika von Wissen am besten umge-hen können (F-5.1.1-5.1.3). Sie sollten Antwort geben auf die Frage, warum hierdurch eine Verbes-serung zu bestehenden Ansätzen, wie Metadaten, erzielt werden soll (F-5.2) und warum bisherige Ansätze dies nicht schon eingesetzt haben (F-5.3). Nachdem bereits Applikationen bestehen, um den Nutzer in wissensintensiven Prozessen zu unterstützen, wäre zu klären, wie sich der Semantic Desk-top hier einfügt und was ihn von diesen unterscheidet (F-5.4).

Kapitel 9 strukturiert Verfahren der Künstlichen Intelligenz nach den wesentlichen Einflussfakto-

ren aus der Diskussion von Wissen und Wissensentwicklung. Es beschreibt examplarisch Verfahren, um deren Wirkungsweise zu verdeutlichen und zu verstehen. Kapitel 10 bietet mit drei wesentlichen


Applikationen einen betrieblichen Rahmen für die Einordnung semantischer Technologien, die in die-ser Arbeit explizit betrachtet werden.

(F-6) Ist die semantische Suche des Semantic Desktops leistungsfähiger und intelligent er als bestehende Suchen im Spektrum des Information Retrievals ?

Im Fokus der Diskussion steht der Beitrag von semantischen Suchtechnologien für die Fragestel-

lungen. Bestehende Suchverfahren weisen Probleme in der Bestimmung und Verbesserung der Ergeb-nisrelevanz auf. Ursächlich ist Unkenntnis oder Nicht-Verfügbarkeit des Informationsbedürfnisses ei-nes Nutzers. Unklar sind auch seine subjektive Einschätzung der Relevanz und das fehlende Allgemein- und Hintergrundverständnis. Zu diskutieren wäre, welche dieser spezifischen Probleme durch eine semantische Suche verbessert werden können (F-6.1).

Der Semantic Desktop kombiniert einige Technologien für den Praxiseinsatz. Darzustellen wäre, welche Kombination er verwendet (F-6.2) und inwieweit mögliche Erfolge aus der reinen Techno-logie oder aus der Vernetzung bestehender Technologien resultieren (F-6.3). Zu untersuchen wä-re, inwieweit diese nicht nur unter Laborbedingungen, sondern auch unter Praxisbedingungen er-folgreich ist (F-6.4).

Kapitel 11 stellt dazu das Konzept des Semantic Desktops vor und ordnet es in die strukturierte

Landschaft der KI-Technologien ein. Anhand von Praxisdaten und in der Systemumgebung von Sie-mens IT Solutions and Services werden die Suchergebnisse mit den Beobachtungen aus dem Entwick-lungslabor verglichen. Mit Hilfe von Szenarien auf Basis unterschiedlicher semantischer Konzepte und Datenbasis werden Praxissituationen simuliert, um den Einfluss der Rolle nachzuweisen. Mit Hilfe statistischer Signifikanzanalysen wird die Datenbasis auf ihre Aussagekraft hin geprüft.

(F-7) Welchen Beitrag leistet die semantische Suche im Rahmen der Wissensentwicklung und wo liegen die Grenzen bzw. Entwicklungsmöglichkeiten der Technologie ?

Die semantische Suche deckt ein bestimmtes Wirkungs- und Leistungsspektrum ab. Sollte sie sich

als performant und einsatzfähig erweisen, wäre der Beitrag dieser Technologie im Spektrum der Wis-sensentwicklung abzustecken. Es stellt sich die Frage, welche Teilprozesse sich mit ihr automatisie-ren lassen (F-7.1) und wie sich dies auf die Diskussionsbereiche (Wissensentwicklung, wissensin-tensive Prozesse, Semantic Desktop und Semantic Web) auswirkt.

Interessant wären dabei die Aspekte • des Redaktionsaufwands in induktiven und deduktiven Vorgehen (F-7.2), • der Übertragbarkeit auf andere wissensintensive Prozesse (F-7.3), • der spezifischen Weiterentwicklungsmöglichkeiten aus dem Spektrum der Künstlichen In-

telligenz (F-7.4), • der generellen Entwicklungsoptionen im Rahmen der aktuellen Technologieentwicklungen

im Semantic Web und Web 2.0 (F-7.5). In Summe wäre zu klären, wie sich semantische Technologien und die Theorie der Wissensent-

wicklung in Bezug auf wissensintensive Prozesse verknüpfen lassen (F-7.6). Jede Technologie bringt Grenzen der Einsatzmöglichkeiten mit sich. Aufzuzeigen wären die techni-

schen und sozialen Voraussetzungen für einen effizienten Einsatz (F-7.7). Kapitel 12 greift die Erkenntnisse und Anforderungen der Wissensentwicklung aus den Kapiteln 7

und 8 auf und fügt diese zu einem Vorgehensmodell zusammen. Anhand dessen kann der Beitrag der semantischen Suche in Kapitel 13 aufgezeigt werden.


6 Wissensintensive Prozesse

Im praxisnahen Verständnis von Wissen als Begriff für Wissensobjekte (Knowledge-assets) werden zwei Arten der Wissensentwicklung unterschieden: Unterstützung wissensintensiver Prozesse und der eigentliche wissensintensive Prozess zur Entwicklung von Knowledge-assets oder Wissenspro-dukten selbst. Letztere bezeichnet Allweyer (1998) auch als Wissenprozesse. Sie unterteilen sich wie-derum in operative, klassische Geschäftsprozesse wie Kundenakquisition und in Prozesse, deren Hauptzweck die Verarbeitung von Wissen selbst ist, wie die Aufbereitung von in Projekten angefalle-nem Wissen. Unterstützung im ersten Fall bedeutet Anwendung von Knowledge-assets, wie Templa-tes, als Supportprozess im Unternehmen. Als Knowledge-assets gelten Angebote, Theorien oder Mo-delle. Ihre Entwicklung ist ein Kernprozess, wie er bei Professional Service Firms, Consulting und Rechtsanwälten zu finden ist. Technologie ist im ersten Fall als Unterstützung verstanden, während sie im zweiten Fall Teile des Kernprozesses ersetzt und selbst übernimmt.

Grundsätzlich lassen sich Prozesse als verbundene Aktivitäten oder regel-basierte Zustände begrei-

fen. Je einzigartiger Prozesse sind, um so schwieriger lassen sie sich im Vorhinein modellieren. Pro-zesse lassen sich nach Debenham (2000) zum einen nach ihrem Level in der Organisation als „produc-tion“ und „emergent“ Prozesse unterscheiden, zum anderen nach ihren technischen Eigenschaften als aktivitäts-, ziel- und wissensorientierte Prozesse unterscheiden. Produktionsworkflows sind vordefi-nierte Routineprozesse, meist am operativen Ende der Organisation. Emergente workflows sind oppor-tunistisch, einmalige Prozesse, meist auf Managementebene (Debenham 2000). Sie unterscheiden sich nach ihren technischen Eigenschaften in der Festlegung der Zielerreichung und Form der Zerle-gung in Teilprozesse und Aktivitäten.

Nach Debenham (2000) ist für einen aktivitätsorientierten Prozess das nächste Unter-Ziel bekannt

und die nächste Aktivität dient zur Erreichung dieses Ziels. Ein zielorientierter Prozess besitzt eine Wahl in der Tiefengliederung des Prozesses, so dass die nächste Aktivität nicht zwangsweise das Ziel erfüllt. Ggfs. macht diese Unsicherheit einen Planungsagenten nötig, der schon frühzeitig erkennt, um was für einen Prozess es sich handelt. Ein wissensorientierter Prozess kann darüber hinaus die Ter-minierung mindestens eines Teil-Prozesses nicht gewährleisten, da die Prozessziele selbst vage und veränderlich sind. Er kann mit einer vagen Aussage, wie „zusammen mit ein paar Leuten Alternativen für das Marketing von Zahnbürsten aufzeigen“ umgehen. Solche Prozesse fordern eine Technologie, die mit Unschärfe und Fehlern umgehen kann und fähig ist, die besten nächsten Schritte derart aus-zuwählen, dass der Wert zwischen Prozesserfolg und Prozesskosten positiv ist.

Wissensorientierte Prozesse definieren sich damit über das für die Ausführung der Aktivität not-

wendige Wissen, wie Planungs- und Entscheidungskomponenten. Wissensintensive Prozesse dage-gen beschreiben Prozesse, deren Ergebnis ein Wissensprodukt ist. Damit liegen beide diskriminant zu-einander. Wissensintensive Prozesse können, wie in Tabelle 3 in der Struktur nach Debenham (2000) dargestellt, sowohl aktivitäts- als auch wissensorientiert sein.

Tabelle 3. Übersicht der Arten wissensintensiver Prozesse

Prozessart Aktivitätsorientiert Zielorientiert Wissensorientiert gering wissensintensiv

Rohstoff-Verarbeitung

System- produktion

High-Tech Produktion

Wissensintensiv Formular ausfüllen

Entwurf Angebot/ Informationssammlung

Erstellung einer Value proposition

Nach Gronau et al. (2005) zeichnen sich wissensintensive Prozesse durch folgende Eigenschaften aus: Quellen- und Medienvielfalt, Varianz und dynamische Entwicklung der Prozessorganisation, vie-le Prozessbeteiligte, unterschiedliche Expertise, Einsatz von Kreativität, hoher Innovationsgrad und verfügbarer Entscheidungsspielraum.

Für Goesmann (2002) ist ein wissensintensiver Prozesse ein Prozess, „der ein oder mehrere wissensin-tensive Aktivität(en) enthält“. Im Gegensatz zu Gronau et al. (2005) betrachtet diese im Hinblick auf


seine geplante workflow-Unterstützung als Routineprozesse mit unterschiedlicher Ausführung. Die Unterschiede in der Ausführung resultieren ihm zufolge aus einem hohen Wissenstransfer zwischen Geschäftsfällen. Für Elst et al. (2003) sind wissensintensive Aktivitäten ihrer Natur nach explorativ, nicht wieder-holbar im Detail und zuvor unbekannt und damit keine Routine. Vor diesem Hintergrund haben sie die klassische, statische Workflow-Unterstützung, wie unter anderem von Goesmann untersucht und vorgeschlagen, als weak-workflows weiterentwickelt.

Die Angebotserstellung dürfte in die Kategorie der wissensintensiven Prozesse fallen, da sie vom Inhalt her kundenindividuell ist, seine Anforderungen die Ausführung des Prozesses im Wie beein-flussen und von einer Vielzahl unstrukturierter Informationen abhängig ist. Wissensintensive Aktivitä-ten sind weiterhin schwer zu standardisieren (Preise, Commitment, Aktualität, lokale Formatierung und Formulierung, Landessprache, etc.) (Ekström 2000). Im Gegensatz zu bisherigen Bestellangebo-ten sind mehr Faktoren variabel als nur Menge, Preis und Konditionen. Heute spielen im Lösungsge-schäft Präferenzen, Liefer- und Informationszeit eine wichtige Rolle (Parunak 1998).

Dies macht Lösungs- und Serviceangebote komplex. Sie haben Alternativen abzuwägen, Probleme

zu klassifizieren und sind in ihrer Abstraktionshierarchie (Detaillierungslevel) flexibel, ggfs. sogar re-kursiv verknüpft. Sie beziehen sich auf sich selbst auf einem anderen Abstraktionslevel.

Im Hinblick auf ihre technologische Unterstützung unterscheiden sich aktive und passive Prozess-

unterstützungen. Heutige Prozessunterstützung ist passiv. Dies führt dazu, dass vorhandene Informati-on nicht gefunden und genutzt wird (Abecker 1999). Aktive Prozessunterstützung beinhaltet, dass ähnliche und verbundene Handlungen oder Content vorgeschlagen werden. Für die Handlung ist eine Planung nötig, die ein Verständnis des vorhandenen Workflows und des nötigen Workflows oder der nächsten Schritte beinhaltet. Dies erhöht die Komplexität und verlangt informationstechnische Spezi-fikationen im Workflow. Zielorientierte Prozesse lassen sich über weak-workflows (Elst 2003) unter-stützen, da diese zwar in ihrer Zielsetzung stabil, aber in der Form der Zielerreichung variabel sind.

6.1 Angebotsprozess der SIS

SIS steht vor der Herausforderung, die Erstellung von Angeboten, vor allem von aufwendigen Stan-dardangeboten, zu optimieren. Hierdurch sollen langfristig Angebotsanfragen schneller, aber in glei-cher Qualität beantwortet werden und die Angebotserstellung dahingehend unterstützt werden, dass späte Änderungen und Anpassungen im Angebot ohne großen Aufwand durchzuführen sind.

Wie Tabelle 4 am Beispiel der SIS zeigt, werden Prozesse meist über dokumentenbasierte zentrale

Wissenssysteme (Referenzen, Debriefings, Knowledge-assets) unterstützt. Es wird ergänzt durch ein einheitliches, aktuelles und konsistentes Datenmanagement über CRM-systeme. Das Intranet bietet ak-tuelle Kontakte und allgemeine Informationen. Die Angebotserstellung selbst wird durch standardi-sierte Portfolio- und Vertragsbausteine unterstützt.

Tabelle 4. Übersicht Angebotsprozess und informationstechnische Unterstützung bei SIS

Prozeß Information Tool Angebotsprojekt aufsetzen Projektplan, Templates CRM-Tool Entwicklung der Angebotskom-ponenten

Kundenanforderungen Zentrale knowledgebase, lokale Desktops

Lieferumfang und Lösungsmo-dell

Lösungsmodelle, Architektur-modelle, Datenblätter zu Lö-sungsbausteinen

Zentrale knowledgebase, Sales Service (Intranet)

Finanzmodell Kosten Lokale Desktops, Zentrale knowledgebase

Rechtliche Komponenten Vertragskomponenten Angebotskonfigurator Lieferablauf Ablaufpläne Zentrale knowledgebase Demos, Prototypen, Referenzen Referenzen Sales Service


aufbereiten Risiko analysieren Bewertungskriterien Assessment-Tool (XLS) Angebot erstellen Draft-Angebot Angebot verifizieren Angebot Freigabe einholen Freigegebenes Angebot Die Prozesse liegen modelliert in ARIS vor. Jeder Prozessschritt lässt sich als eine Kombination aus Aktivität, Information und Rolle verstehen. Angebotserstellung ist ein komplexer Prozess mit häufiger Interaktion der Beteiligten. Technologische Unterstützung eignet sich daher bei der Zusammenstellung eines ersten Drafts auf Basis verfügbarer und relevanter Informationen im Hinblick auf Kundenanfra-gen oder Ausschreibungen. Begriffsbasierte, algorithmische und nutzerinduzierte Suchfunktionalitäten sind heute Standard. Untersucht werden soll die Auswirkungen semantischer Suche. Aufgezeigt wird der Prozess und die Potenziale intelligenter Technologien zur Erstellung des ersten Drafts und der Verwendung der Suchergebnisse.

Die meisten dieser Schritte können bereits heute auf top-down strukturierte Experten-Datenbanken

zurückgreifen, die ihnen allgemein unterstützende Informationen als Methoden, Templates, Kalkulati-onstools oder Argumentationshilfen zur Verfügung stellen. Meist fehlen relevante Inhalte und Texte, die wiederverwendet werden können (ähnliche Angebote, Preisinformationen, etc.). Diese finden sich über persönliche Netzwerke oder müssen jedes Mal aufs Neue hergeleitet und entwickelt werden. Hierzu werden meist Angebots-Teams eingesetzt. Vertriebler und Proposal Manager sollen daher un-terstützt werden, die Ergebnisqualität ihrer Erstanfragen zu steigern, die sie heute über ein Back-office oder Research Center zusammentragen lassen.

Dies soll noch einmal an folgendem Beispiel illustriert werden: Kollege Fischer ist Account Manager. Zu seinen Aufgaben gehört die Pflege der Kundenbeziehung,

Beantwortung von Anfragen und die Entwicklung von neuen Themen mit dem Kunden. Hr. Fischer war selbst früher bei seinem Kunden beschäftigt und verfügt über ausgezeichnete Kenntnisse der Kundensituation. Er erhält eine Anfrage, inwieweit sein heutiger Arbeitgeber für ein internes Projekt zur IT-Konsolidierung beitragen könnte, und wird um ein Angebot gebeten. Gewöhnlich bittet er ein Angebotsteam, dies zu erarbeiten. Er benötigt im Vorfeld einen ersten Entwurf, um sich hierfür die Ressourcen genehmigen zu lassen. Er möchte sehen, was zu seiner Anfrage (Kunde, Branche, Thema, Größenordnung) existiert und welche Referenzen die Firma in diesem Thema schon vorzuweisen hat. Da die Suchergebnisse im Intranet nur Bruchstücke zu Tage fördern, wenige Anhaltspunkte für weite-re Kontakte beinhalten und seine eigenen Dokumente auf seinem Desktop unzureichend für diese An-frage sind, beauftragt er einen Assistenten mit der Recherche und Erstellung des Entwurfs. Am liebs-ten würde er auf der Basis eines ähnlichen Dokuments die neuesten Technologien und Preisentwicklungen einarbeiten, um für das nächste Kundengespräch gerüstet zu sein. Das finale An-gebot wird im weiteren Verlauf aus der gemeinsamen Diskussion verfeinert und ausgearbeitet.

Für die reine Beantwortung und Gesprächsvorbereitung bedarf es nicht nur eines Research-Centers

als Assistenten oder mühevoller Eigenrecherche, sondern auch eines dedizierten Angebots-Teams zur Erstellung des Angebots. Der Ersatz des Assistenten oder die bessere Unterstützung in der Erstellung des ersten Entwurfs würden Kosteneinsparungen und eine Fokussierung der Ressourcen (Acc. Mgr. auf den Kunden und Research-Center auf schwierige Fragestellungen) ermöglichen.

Neben der Verfügbarkeit und den Lieferkonditionen können im Produktverkauf direkt vorgefertigte Textbausteine zusammengesetzt werden. Im value und solution selling bedarf es einer individuellen Lösung durch Experten im Hinblick auf die Kundenanforderungen und Rahmenbedingungen.

Im SIS Angebotsprozesses stellt sich also die Frage, welche Aktivitäten sich realistisch unterstüt-

zen oder ersetzen lassen. Im Hinblick auf den zu untersuchenden Semantic Desktop wären folgende Aktivitäten und Leistungen denkbar:


a) Push-Unterstützung des Verfassens von E-Mails durch aktive Text-, Dokumenten- und Themenvorschläge in Abhängigkeit des Adressaten, Betreffs und Texts.

b) Rezeptive Unterstützung beim Erhalten von E-Mails durch Klassifizierung und Sortierung der E-Mails in aktuelle Arbeitsumgebungen und Themen.

c) Erstellung von Angebotsbausteinen, wie der Kalkulationen durch Anwendung bestehender Formen auf die aktuellen Daten.

d) Ausfüllen des Templates eines Management Summaries durch relevante Informatio-nen aus der Wissensbasis durch ähnliche Angebote, Prozesshilfen oder Marktinforma-tionen.

Optionen a) und b) sind technologische Möglichkeiten als Support für einen Kernprozess. Die Opti-

onen c) beschreibt ein Szenario, wo Technologie wissensintensive Prozessschritte auf Content-Ebene ersetzt. Option d) bezieht sich auf die Dokumentenebene. Es repräsentiert das Angebot in Kurzform und kann über ein Template vorstrukturiert werden, um die Storyline grob vorzugeben. d) adressiert über die Relevanzfrage die Subjektivität von Wissen. Technologien erscheinen selbst noch nicht in der Lage, eine solche zu entwickeln. Dies würde ein Textverständnis voraussetzen.

6.2 Erstellung von Management Summaries

Management Summaries repräsentieren die Argumentationsstruktur im Sinne einer Story. Sie um-fasst das Verständnis der Kundensituation und den dazugehörigen Lösungsvorschlag. Ihre Darstellung und Struktur kann über Vorlagen bis zu einem gewissen Grad vorgegeben werden. Die Inhalte sind spezifisch auf der Basis der Lösungselemente und Informationen einzupassen. Die Argumentations-struktur repräsentiert damit das Wissen eines Angebots im Sinne einer Perspektive. Die beste Lösung am Markt oder das überzeugendstes Kosten-Nutzen-Verhältnis bezieht sich auf die Anfrage, Kunden- und Verkaufssituation oder den Hintergrund der Value proposition.

In der praktischen Erstellung finden sich induktive, deduktive und eine Kombination beider (intui-

tiv) Vorgehensweisen wieder.

1) Asset-basiert (induktiv)

Der Asset-basierte Ansatz entwickelt aus vorhandenen, ähnlichen Ergebnissen, wie Management Summaries, Modifikationen. Dabei fügt er Informationsbausteine hinzu und verändert leicht die Ar-gumentationsstruktur im Hinblick auf die Anforderungen. Templates dienen als Qualitätscheck. Dieser Ansatz eignet sich für wiederverwendbare Standardlösungen und wird gern als Startpunkt für komple-xe Entwicklungen genommen. Aufgrund vager Zielvorgaben und Strukturen sind große Informati-onsmengen zu verarbeiten und oft manuell vorzuselektieren.

2) Vorlagen-basiert (deduktiv)

Der Vorlagen-basierte Ansatz folgt einem deduktivem Vorgehen, indem er einen vorgegebenen Rahmen und eine Struktur mit Informationen füllt. Dieser Ansatz eignet sich vor allem für neue The-men, zu denen nur eine kleine oder keine Wissensbasis vorliegt. Mit dem Template bietet er eine Ent-wicklungsrichtung und Darstellungsstruktur. Inhaltliche Einflüsse auf die Argumentationslinie werden wenig unterstützt.

3) Methoden-basiert (intuitiv)

Der Methoden-basierte Ansatz unterstützt und fördert ein intuitives Vorgehen, indem er die Kreati-vität des Wissensarbeiters stärker nutzt und einfließen lässt. Er eignet sich damit vor allem für neue und komplexe Themen. Er bedarf der Transferleistung von Wissen und Anwendung von Methoden aus anderen Zusammenhängen.

Im Folgenden wird der Vorlagen-basierte Ansatz verwendet, der ein hinreichendes Maß an organi-

sationaler Struktur vorgibt. Er muss mit einer geringeren Wissensbasis auskommen. Im konstruktivis-tischen Sinne auf organisationaler Basis hingegen wäre der Asset-basierte Ansatz zu bevorzugen. Die-ser bedarf, wie auch der Methoden-basierte Ansatz, eines besseren technologischen Verständnisses


und technisch höherer Problemlösungsfähigkeiten als der aktuelle Forschungsstand der Künstlichen Intelligenz (vgl. Kap. 9) zu bewältigen angenommen wird. Diese sollen daher zurückgestellt werden.

Im Vordergrund des Vorlagen-basierten Ansatzes steht die Frage nach der Informationsrelevanz

für die Vorlage. Wenige Informationen liegen im Unternehmen strukturiert vor. Vielmehr finden sich viele Informationen auf lokalen Desktops in individueller Strukturierung. Zentrale Daten sind aus ih-rem Anwendungskontext entkoppelt worden, indem sie für die allgemeine Verwendung als Templates abstrahiert wurden oder in unterschiedlichen Rollen entstanden sind. Für strukturierte Informationen liegt die Intelligenz schon in der Struktur, so dass effiziente Systeme ausreichen. Für unstrukturierte Informationen, wenn traditionelle Redaktionssysteme und -prozesse zu aufwendig sind, eignen sind nach Dreyfus und Dreyfus (1986) intelligente Systeme. Folgende Grafik fasst diesen Zusammenhang in eigener Darstellung zusammen:

Grad der Informations-

struktur

Time

Dezentrale Daten/Themen

Anfang des Projektes

Ende des Projektes

Zentrale Daten/Themen

Intelligente Systeme

Effiziente Systeme

Nutzen

Bottom-up

Top-down

Abb. 5. Grad der Datenstruktur in Bezug auf Datenhaltung

Fraglich ist also, inwieweit sich unstrukturierte, verfügbare, aber nicht zugängliche Information nutzbar machen lässt und inwieweit diese eine höhere Relevanz für den Anwendungskontext bietet.

Für den Umgang mit unstrukturierten Daten und Informationen auf betrieblicher Prozessebene gibt

es bereits erste Ansätze. Im Rahmen von Überlegungen zum Organizational Memories (Dengel et al. 2002, Aschoff und van Elst 2001) wird ein Framework for Distributed Organizational Memories und die daraus folgende Unterstützung wissensintensiver, schwach-strukturierter Prozesse erstellt. Hierfür werden Ansätze des Knowledge Engineering, Human Computer Interaction, Information Retrieval und Software development angewendet. Das Projekt FRODO (www.dfki.uni-kl.de/frodo) untersuchte den technologischen Umgang mit nicht immer klar definierten weak-workflows (van Elst et al. 2003) von betriebswirtschaftlichen und administrativen Prozessen. Als Ergebnis beschreibt FRODO eine verteilte Architektur zur Informationsunterstützung in wissensintensiven Prozessen, wie Consulting, Projekt-durchführung oder Forschung.

Im Folgenden werden Management Summaries stellvertretend für die Erstellung von Angeboten

verwendet. Sie repräsentieren die Kernaussagen und Argumentationsstruktur (Storyline) im Sinne des im Angebot gebundenen Wissens.

6.3 Value selling und value proposition

Im Produktgeschäft wird meist über den Preis, Leistungsfähigkeit und Rabatte im Sinne einer Be-stellung oder technischen Spezifikation verkauft. Die vertriebliche Leistung konzentriert sich auf die Preisverhandlungen (Rabatte, Konditionen, etc.). Mangels Replizierbarkeit von Qualität und Leistung verkaufen sich Dienstleistungen im Unterschied dazu über die Fähigkeit, Probleme des Kunden zu lö-sen. Diese Lösungskompetenz muss im Verkauf/ Vertrieb über Referenzen, erprobte Vorgehensweisen


und die Darlegung eines grundlegenden Verständnisses des Kundenproblems bewiesen werden, um das Vertrauen in den Dienstleistungs-Partner aufzubauen und zu entwickeln. Im Vordergrund steht der Mehrwert (value) für den Kunden aus der Partnerschaft. Sie geht über den reinen Mehrwert der techni-schen Lösung hinaus.

Zum Beispiel soll mit dem Verkauf einer Customer-Relationship-Lösung die Reaktionszeit zur Be-antwortung von Endkunden-Fragen (value) reduziert werden und nicht nur eine neue Suchfunktionali-tät (Produktnutzen) verkauft werden.

"Value-based selling" bezeichnet diese Verkaufs-Methode (Reilly 2002). Das Angebot entwickelt sich dabei von einer dokumentierten, vertraglichen technischen Spezifikation zu einem eigenständigen Verkaufselement und damit zu einem Kostenblock (Ekström und Björnsson 2000). Es beschreibt den Mehrwert der Dienstleistungs-Partnerschaft auf Basis der Vertriebsstrategie in einer Value propositi-on, um sich gegenüber dem Wettbewerb mit dem Gesamtangebot zu differenzieren. Aus preislicher Sicht ist dabei das Ziel, die Gesamtkosten über den Produktlebenszyklus zu optimieren und nicht nur die Kosten für die Lösung selbst.

Das Management Summary fasst hierin nicht mehr nur die Kernfunktionalitäten der Lösung zu-sammen, sondern verdeutlicht die eigene Argumentationslinie im Sinne der Value proposition in einer kurzen Übersicht.

Eine Value Proposition ist damit, im Sinne einer Perspektive auf die Problemlösung beim Kunden,

Ausdruck des Wissens im Angebot. Sie beschreibt die Wettbewerbssituation und Lösungsvorteile im Markt in Abhängigkeit der jeweiligen Kundenbeziehung und Vertriebssituation. Eine Preisstrategie benötigt eine andere Argumentationslinie als eine Qualitäts- und Differenzierungsstrategie. Folgende Tabelle zeigt abstrahiert und annonymisiert in Anlehnung an SIS exemplarisch verschiedene Elemente der Storylines von Management Summaries.

Tabelle 5. Mögliche Entwicklung eines neuen Management Summaries (MS) aus bestehenden Manage-ment Summaries

Klassen Neues MS MS 1 MS2 MS3 Rahmendaten

Kunde Test XXX XXX XXX Branche Banking Industry Utilities Banking Kundengröße Großkonzern Großkonzern Großkonzern Großkonzern Opportunity-Größe Groß Groß Groß Groß Kundentyp Strategisch Operativ

A Neukunde

A Bestandskunde

A Bestandskunde

A Neukunde

Sales-Strategie Preis Preis Solution Solution Sales-Taktik Full value chain Installed base Full value chain Commercial models Customer situation Trends and issues Price pressure Price pressure Price pressure Price pressure Gewichtung der Opportuni-ty Treiber Kostenreduzierung Qualitätsverbesserung Kostentransparenz sons-tiges (e.g. flex.)

0,8 0,1 0,1

0,7 0,1 0,2

0,6 0,2 0,1 0,1

0,5 0,1 0,1 0,3

Kundenanforderungen Security compliance Flexibility in service pro-vision Global technical standard Smooth transition

Keep standard level of qual-ity Global technical standard Local competitive prices Flexibility in service provi-sion

Single service provider Harmonize solution model

Smooth transition Cost reduction Maintaining service levels Compliance with secu-rity standards

Compelling event Kostenoptimierungs-Programm

Kostenoptimierungs- Programm

Kostenoptimierungs- Programm

Concentration on core business

Business topic/ scenario IT Outsourcing IT Outsourcing IT Outsourcing, Out-tasking

IT Outsourcing

Cost driver Personalkosten Personalkosten Dezentralität Personalkosten Fields of action Transition, staff transfer,

asset management, WAN/ LAN

Transition, Transformation, staff transfer, assets, hosting of non-SAP

Service Desk Desktop Support WAN/ LAN Unix support Asset management Lotus


Poject planning Voice and Video

Solution Solution Server consolidation

Global Help-Desk Standard workstations Central data center Governance model

Server consolidation Global Help-Desk Standard workstations Central data center opera-tions Governance model (contract management, service deliv-ery, contract commercials, escalation procedures, change control)

Solution toolset Global Help-Desk

Consolidation of op-erations Standardize technical infrastructure Organisational govern-ance model SIS purchasing power Access to leading edge technologies

Pricing 10% Savings with initial as-set take-over

Individual regional so-

lution in terms of as-

sets

Forward pricing Benchmarking Service measurement Asset transfer

Benefits of SBS (in Ab-hängigkeit der Anforde-rungs-Gewichtung)

Existing relationship Global solution Proven expertise and refer-ences Similar processes and cul-tural fit Guaranteed cost savings Geographical coverage

Part of Siemens Whole value chain

ITIL framework ISO 9001 ISO 17799 Security, privacy and quality management system HR Practice manage-ment

Die graue Markierung zeigt, welche Inhaltselemente sich im Ziel MS wiederfinden sollten, um dem

new case und den Kundenanforderungen gerecht zu werden. Dabei sind zwei Szenarien denkbar:

1) Gleiche Kundensituation, unterschiedliche Lösungen Hier sollte MS 3 die höchste Ähnlichkeit aufweisen und durch Elemente aus MS1 (Solution und Portfolio) ergänzt werden.

2) Ungleiche Kundensituationen, gleiches Thema Hier sollte MS 1 die höchste Ähnlichkeit aufweisen und durch Elemente aus MS2 (single service provider with full value chain) und MS3 (bankenspezifische Security issues) ergänzt werden. Die Informationen werden in der Praxis während des Angebotsprozesses im Team zwischen Sales

und Proposal Manager ermittelt und zusammengefügt. Für die automatische Abbildung der Szenarien wäre entweder eine aufwendige Explizierung der Meta-Daten in Bezug auf die Kundenanforderung notwendig oder eine ausreichend intelligente Technologie auf Textebene.

Im Folgenden soll untersucht werden, welche Bedeutung die unterschiedlichen Rollen in diesem

Prozess spielen, um mögliche Ansatzpunkte für die technologische Unterstützung zu finden.

6.4 Bedeutung der Rollen im Prozess

Die Erstellung eines Management Summaries ist Teil des SIS Sales Prozesses. Der Vertriebs- oder Customer-Relationship-Prozess gehört neben dem Product-Life-Cycle- und dem Supply-Chain-Prozess zu den Kernprozessen bei SIS.

Das Management Summary ist Ergebnis der Zusammenarbeit zwischen Sales Manager und Propo-

sal Manager. Beide Rollen unterscheiden sich in ihrem Arbeitsstil und Charakter, wie folgende eigene Darstellung in Tabelle 6 zusammenfasst:

Tabelle 6. Rollen-Vergleich Sales und Proposal Manager

Sales Manager Proposal Manager Individueller Arbeitsstil Kollaborativer Arbeitstil Event-getrieben Systematisch, organisatorisch Auftragseingang-getrieben Kosten-getrieben („Angebots-Fabrik“) Wechselnde Rahmenbedingungen Klarer Auftrag, Arbeitsrahmen Unstrukturierte Ablage Strukturierte Ablage


Im Folgenden werden die zu betrachtenden Rollen beispielhaft, wie in der Praxis, über ihre Verant-wortungen und Aufgaben beschrieben. Erfahrungs- und Kompetenzlevel würden die Relevanz von In-formationen einer Rolle noch weiter konkretisieren (Johnson und Johnson 1992).

6.4.1 Rolle Sales Manager

Der Sales Manager übersetzt die Kundenbedürfnisse in Serviceangebote unter Berücksichtigung der unternehmerischen Ziele und Strategie. Im Sales-Prozess ist der Sales Manager für Verkaufsstrategie und Marketing verantwortlich.

Seine Verantwortlichkeiten sind Definition, Erstellung und Pflege der Angebote, Berücksichtigung der Kundenbedürfnisse sowie organisatorischen Möglichkeiten und Vorgaben. Zu seinen Aufgaben zählen, Kunden Services anzubieten und verkaufen, Kundenbedürfnissen darstellen und vertreten, Möglichkeiten entwickeln und priorisieren, Definition des Angebotswertes, der Verkaufsstrategie und -taktik sowie der Unterscheidungsmerkmale zu Wettbewerbern, Management des Budgets, Pflege der Beziehung, des Kontakts und der Kommunikation mit dem Kunden, Management des Sales-Prozesses entsprechend den Unternehmensrichtlinien.

6.4.2 Rolle Proposal Manager

Der Proposal Manager leitet das Angebotsteam und führt das Angebotsprojekt zum erfolgreichen Abschluss. Er koordiniert den Prozess, damit Informationen aus unterschiedlichen Quellen, in geeig-neter Form Eingang ins Angebot finden.

Seine Verantwortlichkeiten sind Erstellung eines Angebots, mit einer Win-Win-Situation für den Kunden und SIS, Management von Zeit, Budget und Qualität des Angebotsprojekts. Zu seinen Aufga-ben zählen Koordination, Führung, Planung und Steuerung des Angebotsprojekts, Erfassung und Vali-dierung von Kundenbedürfnissen, Entwicklung von Angebotsstrategie und Lösungskonzepten, Mög-lichkeit und Fähigkeit zur Auslieferung und Risiken, Management, Planung, Report, Prognose und Überwachung von Kosten, Ressourcen, Aufgaben und Arbeitspaketen des Angebotsprojekts, Ausar-beitung vertraglicher Vereinbarungen und Verpflichtungen mit allen beteiligten Parteien für das Ge-samtprojekt.

Dies mündet in unterschiedlichen Arbeitsstilen und Umgang mit Informationen. Es spiegelt sich in

ihren Ablagestrukturen wider. Ablagestrukturen sind eine Überlagerung unterschiedlicher Einflussfak-toren, darunter persönliche Präferenzen, Arbeitsstile, etc. Die Untersuchungen vernachlässigen die Persönlichkeit des Mitarbeiters, um zunächst die Wirkung der Rollen zu untersuchen.

6.5 Zwischenfazit

Das Kapitel hat den Angebotsprozess bei Siemens IT Solutions and Services am Beispiel zweier Rollen mit der Erstellung eines Management Summaries dargestellt. Es illustriert damit die Besonder-heiten wissensintensiver Prozesse. Sie wurden zuvor in ihrer Abgrenzung und Besonderheit einge-führt. In Bezug auf die Forschungsfrage (F-2) ergeben sich Antworten (A-2.1 – A-2.3):

(A-2.1) Ein wissensintensiver Prozess kann als Wissensentwicklung auf organisationaler Ebene verstanden werden. Wissensintensive Prozesse können aktivitäts-, ziel- oder wissensorientiert sein.

Wissensintensive Prozesse liefern als Ergebnis ein Wissensprodukt. Die Literaturdiskussion bestä-tigt damit die Vermutungen, dass wissensintensive Prozesse hierüber definiert und selbst als organisa-tionale Wissensentwicklung betrachtet werden können. Sie differenzieren sich in Abhängigkeit ihrer a priori Festlegung von Zielen und Prozesschritten in aktivitäts-, ziel- oder wissensorientierte Typen. Die weiteren Erkenntnisse lassen sich damit auf die Prozesse anwenden.

(A-2.2) Wissensintensive Prozesse sind explorativ, nicht im Detail wiederholbar und zuvor unbekannt.

Wissensintensive Prozesse unterscheiden sich in ihrer Dynamik und mangelnden Planbarkeit. Sie stellen damit neue Herausforderungen an unterstützende Technologien.


(A-2.3) Die Herausforderung für unterstützende Technologien liegt in der notwendigen Fähig-keit, Pläne zu erstellen und Entscheidungen im dynamischen Umfeld zu treffen.

Die Beschreibung des Angebotsprozesses und die Auseinandersetzung mit Management Summaries illustrieren die unterschiedlichen Herangehensweisen in der Erstellung eines Angebots.

Tabelle 7. Einordnung der Erstellung von Management Summaries in die Prozessarten

Prozessart Aktivitätsorien-tiert

Zielorientiert Wissensorientiert

Charakteristikum Folgeaktivitäten und Ziele sind definiert.

Gesamtziel definiert, Aktivitäts-ziele nur vage erkennbar, Fol-geaktivitäten sind of-fen.

Offene Ziele und Aktivitäten

Wissensintensiv Formular ausfüllen

Terminplanung Erstellung einer Value proposition

Erstellung eines Mana-gement Summaries

Deduktiv Induktiv Intuitiv

Redaktionsaufwand Detaillierung der Vor-lagen (z.B. Template) und Ziele auf verar-beitbare Größen

Festlegung und Defi-nition von Konzepten und Regeln zur Ziel-erreichung

Erfassung und Expli-zierung versteckter Konzepte

Spigelt man die Herangehensweisen an den Prozessarten, lassen sich diese idealtypisch den Pro-

zessarten zuordnen. In ihrer weitesten Ausprägung sind wissensintensiver Prozesse wissensorientiert. In dieser kommen die Eigenschaften wissensintensiver Prozesse (A-2.2) besonders deutlich zum Aus-druck.

Technologisch gesehen spezifiziert sich damit die Frage (F-2.3): Inwieweit beeinflusst eine seman-

tische Suche aktivitätsorientierte, deduktive Prozesse und zielorientierte, induktive Prozesse (F-2.3.1) ? Deduktive Prozesse dergestalt, dass weniger Informationen über die Zielstruktur vorgegeben werden müssen und damit der Redaktionsaufwand a priori sinkt. Induktiv dergestalt, dass eine höhere Informationsqualität erzielt werden kann, ohne die Regeln zur Zielerreichung detaillierter zu spezifi-zieren, so dass mit gleichem Redaktionsaufwand mehr erreicht werden kann.

Mit Hilfe der ersten beiden ergibt sich auch eine verbesserte Unterstützung wissensorientierter

Prozesse. Die Erstellung von value propositions erscheint jedoch nicht ohne zusätzlichen Redaktions-aufwand möglich. Dieser müsste im Vorfeld weitergehende Konzepte, wie Akquisestrategien und Kundenanforderungen, explizieren oder zugänglich machen.

Das Mehr an Aufwand bringt zwar auch mehr Wert, jedoch kann hierbei nicht von einer Produktivi-

tätssteigerung ausgegangen werden. Sollte sich der Nutzen für erste beide Prozesse bestätigen, könnte überlegt werden, welche Schritte für die weitere Forschung notwendig wären, um sich intuitiven, wissensorientierten Prozessen zu nähern (F-2.3.2).

Welche Technologien sich hier konkret eignen, wird in Kapitel 9 zu (F-5) diskutiert. Eine finale

Antwort auf diese Frage wird Kapitel 10 mit der Antwort auf (F-6) vor dem Hintergrund der Leis-tungsfähigkeit des Semantic Desktop geben.


7 Verständnis von Wissen

Ziel des Kapitels ist es, einen Überblick über den aktuellen Stand der Forschung zu den Themen Wissen, Wissensmanagement und Wissensentwicklung zu geben. Auf dieser Basis wird eine für die Arbeit nutzbare Arbeitsdefinition der Begriffe festgelegt. Sie wird im Spiegel bestehender Modelle und im Dialog mit Erklärungsansätzen anderer Disziplinen abgegrenzt und ihre Einflussgrößen, An-nahmen, Rahmenbedingungen, Forschungsperspektiven herausgearbeitet. Ein besonderes Augen-merk wird auf die Unterscheidung von individuellem und organisatorischem Wissen gelegt.

Es existieren bereits unzählige festsetzende Definitionen von Wissen aus unterschiedlichen Diszip-

linen. Eine gute Übersicht hierzu geben Kakabadse (2001) und Romhard (1995). Im Sinne von Möhrle und Kellerhals (1992) soll in diesem Kapitel weniger eine neue festsetzende Definition gegeben werden, um einen neuen Begriff einzuführen. Vielmehr soll nach einer kurzen Übersicht eine feststel-lende Definition als Forschungsgrundlage herausgearbeitet werden, um den Begriff einfacher ver-ständlich zu machen. Auf dieser Basis soll er aus unterschiedlichen Perspektiven als regulierende De-finition präzisiert werden (Möhrle und Kellerhals 1992, S. 78). Ein besonderes Augenmerk liegt dabei auf der Untersuchung und Detaillierung der individuellen Perspektive in der Wissensentwicklung.

7.1 Wissen – Begriffliche Abgrenzung als wiederverwendbare Ressource

Entwicklungsbedingt sind nach Teich (1996, S. 10) wirtschaftswissenschaftliche Definitionen meist Anleihen in anderen Wissenschaften (Dispositionsbegriffe), und damit meist unvollständig bestimmt. Im Sinne einer intentionalen Definition lässt sich Wissen grob in eine theoretische, weit gefasste und eine angewandte, eng gefasste Definition unterscheiden (Möhrle und Kellerhals 1992, S. 81).

Die theoretische Definition orientiert sich an Platons Grundverständnis von Wissen als „justified

true belief“ und ihren folgenden philosophischen Interpretationen und Ausprägungen (van der Spek und Spijkervet, 1997, Wiig 1993, Plato 1953). Sie integriert Gefühle als wahrheits- und wertstiftendes Element. In der Betriebswirtschaft wird dieses Verständnis vor allem im personalorientierten Wis-sensmanagement zugrunde gelegt.

Die angewandte Definition orientiert sich an der praktischen Anwendbarkeit und versteht Wissen

als anwendbare, organisierte Information und als Handlungspotenzial (Turban 1992, Myers 1996, Woolf 1990, Herbst 2000, S. 11, Boisot 1999). Auch Maturana und Varela bezeichnen Wissen eines kognitiven Systems als die im System gespeicherte Information, um eine bestimmte Handlungsweise zu ermöglichen (Maturana und Varela 1987, S. 29). Eine solche Definition konzentriert sich auf den Umgang und die Handhabung von Informationen.

Nonakas (1995) Unterscheidung in implizites und explizites Wissen hat in der Praxis viel Erfolg

und hat sich weitestgehend etabliert. Explizites Wissen bezeichnet die Kodifizierung von implizitem Wissen aus Sicht des Wissensgebers. Information bezeichnet diese Kodifizierung aus Sicht des „Wis-sens“nehmers. Ein Beispiel kann diesen Sachverhalt verdeutlichen: A bittet B, eine reife Tomate zu kaufen. A weiß, was er unter einer reifen Tomate versteht und beschreibt dies B durch Farbe, Form oder Festigkeit und expliziert damit sein Wissen über den Reifegrad einer Tomate. Für B sind die Aussagen Informationen, die er mit seinen Erfahrungen verknüpfen muss, um die passende Tomate auszuwählen.

Wissen im Sinne einer Wissensrepräsentation nach Scholl (explizites Wissen) kann in deskriptiv

(Was; Know-what) oder prozedural (Wie; Know-how) unterteilt werden (Scholl 1990, S. 109). Diese Unterscheidung vereinfacht das Verständnis zwischen Content und Deployment und im technischen Sinne zwischen Contentmanagement und Wissensmanagement. Für Computer ist damit Wissensrep-räsentation im Rechner die Abbildung der Abbildung mit Hilfe von Symbolen, Zeichen, Frames, Scripten, etc.


Jede Repräsentation ist eine gewisse Abstraktion. Damit entsteht für die zu repräsentierende Wirk-lichkeit eine Komplexität und inhaltliche Reduktion. Deutlich wird dies in der Schwierigkeit einer wirtschaftlichen Bewertung von Wissensobjekten.

Missverständnisse treten durch fehlende Differenzierung nach dem Grundverständnis auf (theore-

tische oder angewandte Definition). Manch einer verwendet „Wissen“ nur für die allgemeine Definiti-on. Im angewandten Fall spricht er von „Information“. Für andere hingegen ist die allgemeine Defini-tion für den betrieblichen Alltag nicht anwendungsnah. Sie unterscheiden zwischen Wissen und Information innerhalb der angewandten Definition je nach Perspektive oder verwenden beide Begriffe weitestgehend synonym.

Al-Laham (2003, S. 25) gibt einen guten Überblick über die Vielfalt der Wissensdefinitionen

und fasst diese als drei „Zugangswege“ zu Wissen zusammen: a) Wissen als Problemlösungspotential, b) als Verarbeitung von Informationen und als c) Ergebnis von Lernprozessen. Er entspricht mit a) dem theoretischen Ansatz, mit b) dem angewandten Ansatz und weist mit c) auf den Zusammenhang von Wissen als Prozess im Sinne einer Wissensentwicklung hin. Letzteres wird im folgenden Kapitel erörtert.

Der Dialog zwischen explizitem und implizitem Wissen konzentriert sich auf die Verfügbarma-

chung von orts- und zeitunabhängigen Informationen. Dabei entsteht Wissen aus organisatorischer Sicht durch Kommunikation der Wissensarbeiter. Direkt wird dabei nur der Kommunikationspro-zess, nicht aber der Prozess der Wissensentwicklung unterstützt. Die Wissensentwicklung im en-gen Sinne würde erst durch die Aufnahme und Einordnung der kommunizierten Information im Indi-viduum geschehen. Dies kann im Sinne des personalzentrierten Wissensmanagements nur durch die Gestaltung des Umfelds angeregt, aber nicht direkt beeinflusst werden.

Im technikorientierten Wissensmanagement wird aus Machbarkeitsgründen gerne auf die explizi-

te Form des Wissens als angewandte Form und damit quasi als qualitative Information verwiesen, da dies technologisch in Form von Dokumenten fassbar ist. Als hilfreiche Strukturierung hat sich dazu in der Praxis die Wissenstreppe, basierend auf North (2005), durchgesetzt, die die Begriffe einfach und verständlich miteinander in Beziehung stellt (North 2005 und Bradford 1999)

Abb. 6. Wissenstreppe nach North

Sie verdeutlicht die Kontext- und Situationsabhängkeit als Kerneigenschaft von Wissen im Ver-gleich zur Information. Als Beispiel: Daten: 100; Information: 100 m Laufstrecke; Wissen: 100 m Laufstrecke sind nicht ausreichend für die gegebene Beschleunigung. Kontext und Situation sind nach der extensionalen Definition von Ziemke (2000) Erfahrungen, Erwartungen, wechselnde Gefühle, Be-denken oder Selbstverständnis. Dabei wird der Begriff über eine Reihe ähnlicher Beispiele abgegrenzt, ohne ihn intensional in eine Begriffshierarchie einzuordnen oder über Eigenschaften zu beschrieben.

Z e ic h e n

D a te n

In fo rm a tio n

W is s e n

K ö n n e n

H a n d e ln

K o m p e te n z

W e ttb e w e rb s -fä h ig k e it

+ S yn ta x

+ B e d e u tu n g

+ K o n te x t

+ A n w e n d u n g

+ W o lle n

+ ric h tig h a n d e ln

+ E in z ig a rt ig k e it


Die Künstliche Intelligenz spricht in diesem Zusammenhang von „Situatedness“ oder „Situated Ac-tion“ (Ziemke 2000, S. 2 und S. 15).

Die Treppe zeigt die zwei Denkrichtungen bottom-up und top-down zur Abgrenzung von Wissen

auf: Wissensrepräsentation und Wissenskonstruktion. Die technologische Abbildung und Repräsentation von Wissen versteht damit Wissen, historisch

gewachsen, auf Basis der Informationstheorie unter Anreicherung neuerer Erkenntnisse der Neurobio-logie, als stabilen Zustand und Informationsobjekt, das sich speichern und benennen lässt.

Informationstheoretische Modelle und Technologien setzen auf einem rationalistischen, naturwis-

senschaftlichen Verständnis auf (Ziemke 2000). Ziel ist es, durch Wissen die Wirklichkeit zu reprä-sentieren und technologisch abbildbar zu machen. Es ist das aus der Betriebswirtschaft und Technolo-gie bekannte Bild von Wissen. Es eignet sich, um mit dem betrieblichen Prozess aus organisatorischer Sicht der Wissensentwicklung umzugehen.

Weniger die Unterscheidung der Wissensprodukte dürfte für die Abgrenzung helfen als vielmehr

die Frage nach dem Wert von Wissensprodukten. Wissensprodukte und Wissensdienste unterschei-den sich in ihrer Art der Vermarktung. Der Wert eines solchen lässt sich mangels objektivierbarer Kriterien im Vergleich zu physischen Produkten erst nach Konsum des Produkts oder Nutzung des Services aus dem Bedeutungsgehalt für den Nutzer festlegen.

Auch wenn dies nicht direkt der Definition des Begriffes dient, so führt ihre Gemeinsamkeit, der sie

hervorbringende wissensintensive Prozess, auf die Frage, ob Wissen per se nicht schon Wissensent-wicklung ist. Nachdem neue Erkenntnisse für einen technologisch-betrieblichen Rahmen gefunden werden sollen, ist fraglich, ob Anleihen aus anderen Disziplinen den Verständnisprozess nicht anregen könnten. Damit verbunden ist die Frage, welchen Beitrag ein konstruktivistisches Verständnis von Wissen für die Forschungsfragen leisten kann.

Der Wert von Wissen besteht in seiner Wiederverwendung. Wissensobjekte wie Methoden, Ana-

lysen oder Prozesse werden in der Praxis als Knowledge-assets oder Wissensbausteine bezeichnet (Ramhorst 2001, Kikawada 2001). Sie werden über einen dedizierten organisatorischen Explizierungs- und Reifeprozess erstellt (Lessons learned, Methodenentwicklung, etc.).

7.2 Wissen − Wissensentwicklung und Konstruktion

Entsteht Wissen situationsspezifisch und ist Information mit Bedeutung, dann ergibt sich die Be-deutung aus einem Prozess der Interpretation von Informationen. Dabei stellt sich die Frage, woher dieses Wissen kommt und wie es zu Wissen wird. Die Frage ist also die nach dem Speicher und Be-wusstsein. Im Speicher werden Wissen oder Informationsbausteine aufbewahrt, um kontextgerecht zusammengesetzt zu werden. Das Bewusstsein verleiht Informationen über den Entwicklungsprozess Bedeutung (Edelmann und Tononi 2002). Nach Edelmann und Tononi ergibt sich Bewusstsein aus ei-ner hinreichenden Unterscheidung einer Vielzahl von Bewusstseinszuständen durch subjektive Ent-scheidung. Sie bezeichnen die assoziative Verknüpfung dieser Vielzahl von parallelen Bewusstseins-zuständen als „re-entry“ (Edelmann und Tononi 2002, S. 117), eine Art Bereitschaftspotenzial. Medizinisch-biologisch ist die Frage nach dem Bewusstsein noch nicht eindeutig zu beantworten (Birbaumer 1997, S. 157). Birbaumer beschreibt Teilaspekte verschiedener Autoren, die es an der Schnittstelle zur linken Hemisphäre des Gehirns oder an bestimmten Synapsentypen dingfest machen und den Geist als physikalische Eigenschaft erscheinen lassen. Sie gehen von Mikrotubulie, dem In-terdendritenwasser oder den dendrischen Spins der Neuronen aus. Allerdings lässt sich keine wissen-schaftliche Einigung oder abschließende Aussage erkennen.

So müssen sich auch die Naturwissenschaften nach Grochowiak (2001) der Diskussion des Kon-

struktivismus stellen. Sogar die Existenz von realen Gegenständen werden ihm zufolge durch radikale Konstruktivisten in Frage gestellt. Denn spätestens seitdem der Physiker Heisenberg entdeckte, dass die Position von Beobachtern und die Art ihrer Fragen darüber entscheidet, ob es sich bei dem Beo-


bachteten um ein Teilchen oder eine Welle handelt (Heisenberg’sche Unschärferelation), setzte sich die Erkenntnis durch, dass auch die physische Welt ein Konstrukt ist: „Die Welt ist ein Prozess. Sie ist nicht, sie geschieht!“ Der konstruktive Ansatz versteht Wissen nicht als Ergebnis, sondern damit als (Wissensentwicklungs-)Prozess. Er geht im Radikalen Konstruktivismus sogar so weit, dass die Existenz von Wissen per se in Frage gestellt wird. Wissen entsteht dann immer situationsspezifisch und wird nicht nur als objektives Abbild der Realität wahrgenommen (Pörksen 2001), sondern leitet sich aus der Handlung ab (Ziemke 2001, S. 12 und S. 20). Auch wenn vielleicht die radikalen Ausprä-gungen sehr weit reichen, mag eine allgemeine, theoretische Grundlage dennoch für die Weiterent-wicklung dieser Ansätze, vor allem im Verständnis der Wissensentwicklung auf individueller Ebene hilfreich sein. Mit einem Exkurs in die Grundlagen des Konstruktivismus soll der Hintergrund für eine solche Erörterung vertieft werden.

7.3 Exkurs − Konstruktivismus

Ein konstruktivistisches Wissensverständnis hinterfragt das bestehende Paradigma der Wissensver-teilung. Ziel des Exkurses ist es, den Konstruktivismus in seinen Ausprägungen abzugrenzen und sei-ne Kern-Charakteristika herauszuarbeiten. Sie sollen Anstöße für das Modell der Wissensentwick-lung geben und helfen, den Prozess der Wissensentwicklung auf individueller Ebene abzubilden.

Die klassischen Naturwissenschaften beruhen auf dem Gedankenmodell des Realismus. Er steht zu-

nächst im direkten Gegensatz zum Konstruktivismus. Während der Realismus „entdeckt“, „gestal-tet“ der Konstruktivismus. Die Rolle des Beobachters differenziert beide Strömungen in eine kon-struktivistische Subjektivität und realistische Objektivität (Vierecke 2007).

Beide Denkrichtungen lassen sich in verschiedene Teiltheorien unterteilen, die jede für sich versu-

chen, Schwachstellen in den Grundlagen zu nivellieren (naiver, hypothetischer Realismus; gemäßigter und radikaler Konstruktivismus, etc.). Hierdurch ergeben sich Annäherungen und Überlappungen. Sie können durch die Anwendung auf spezifische Forschungsfragen weiterentwickelt und abgewandelt werden (Empirismus, Positivismus, etc.). Diese werden hier nicht weiter betrachtet.

Im Folgenden werden beide Pole des Spektrums in ihren Kernaussagen kurz umrissen und die für

die Arbeit relevanten Kernaspekte des Konstruktivismus herausgearbeitet.

7.3.1 Grundlagen und Vertreter des Konstruktivismus

Allgemein gesprochen ist der Konstruktivismus ein philosophisch-psychologisches Gedankenmo-dell und zählt zu den Systemtheorien (Schamanek 1998). Sie untersuchen komplexe dynamische Sys-teme. Ihre Theorielandschaft entwickelt sich nach wie vor auf neueren Erkenntnissen physiologischer Entdeckungen der Hirnforschung der letzten Jahre und die Vernetzung unterschiedlicher Disziplinen wie Neurobiologie, Kognitionspsychologie, Linguistik und Informatik.

Das Modell beruht auf Vorstellungen u.a. von Ernst von Glasersfeld (Entwicklungspsychologe),

Heinz von Foerster (Kybernetiker), Humberto R. Maturana (Neurobiologe, Erkenntnistheoretiker), Gerhard Roth (Neurobiologe) und anderen wie Jean Piaget, Francisco J. Varela, Paul Watzlawick, Vi-co, Immanuel Kant und Maria Montessori (Honegger 2007).

Gemäß den philosophischen Grundlagen der Antike (Platon, Sokrates, etc.) in den Themen Wahr-

heit, Wissen und Wirklichkeit unterschied Vico Anfang des 18. Jahrhunderts zwischen Wahrheit, Wis-sen und Handeln: „Wissen ist Machen, wahr ist das Gemachte (verum quia factum)“ (Ratzinger 1968). Demnach zählt nur, was die Menschen machen. Von Glasersfeld ersetzt dabei die Wahrheit als Ziel der Überlegungen durch Viabilität oder Anwendbarkeit („funktional fitness“) (Schmidt 1998, v. Gla-sersfeld 1984, 1991 und 1995).

Verwandte Erklärungsmodelle wie der Existenzialismus von Kierkegaard gehen vom Wesen des

Menschen als einer anderen Erklärungsperspektive aus (Grochowiak 2001). Im Sinne des Idealismus entsteht beim Konstruktivismus die Wirklichkeit zwar aus den individuellen Ideen und Gedanken, a-ber die Welt ist mit den Sinnen erfahrbar, was der erkenntnistheoretische Idealismus bestreitet. Für


ihn kann wahres Wissen nur aus dem Geist und der Vernunft selber kommen. Sie unterscheiden sich demnach in ihren Variationen der zugelassenen Wahrnehmungsform (Roth 1994). Sie bleiben vor dem Forschungshintergrund des Wissens dieser Arbeit unberücksichtigt.

Der Konstruktivismus findet sich insgesamt in einer agnostischen Tradition, die entgegen der mate-rialistischen eine Erkenntnis des Wesens der objektiven Wirklichkeit prinzipiell ausschließt (Schmidt-Salomon 1997). Über die Zeit entstanden aus diesem philosophisch-theologischen Dialog unterschied-liche Ausprägungen des Konstruktivismus (Steffe und Gale 1995, Prawat 1996 und Heylighen 1993). Sie reichen vom dogmatischen, skeptischen über das relativierende bis hin zum reflexiven Erklä-rungsmodell in unterschiedlichen Disziplinen.

7.3.2 Der Realismus als Abgrenzung des Konstruktivismus

Allen Strömungen des Realismus ist die Akzeptanz einer Wirklichkeit außerhalb des Bewusst-seins gemeinsam. Der Realismus hält die Erfahrung der Dinge der Außenwelt für die einzige Quelle gesicherten Wissens (Roth 1994). Der naive Realismus geht von einer realen Welt aus. Sie ist so be-schaffen, wie sie wahrgenommen wird (Vollmer 2002). Leicht einschränkend hält der erkenntnistheo-retische Realismus objektives Wissen nur für möglich und geht davon aus, dass die Sachverhalte der bewusstseinsunabhängigen Welt zumindest teilweise so zu erkennen sind, wie sie tatsächlich sind (Roth 1994).

Der kritische Realismus akzeptiert zwar die Existenz der realen Welt, gesteht aber zu, dass sie nicht in allen Zügen so beschaffen ist, wie sie uns erscheint (Vollmer 2002). Im hypothetischen Rea-lismus wird die reale Welt nur noch als zu prüfende Hypothese mit der Forderung nach einer Ähnlich-keit unserer Interpretation mit der außersubjektiven Wirklichkeit angenommen (Riedl 2000, S. 36).

In der Frage nach der Erkenntnis postuliert der Empirismus, dass alle Erkenntnis der Erfahrung

entstammt (Vollmer 2002). Für den Rationalismus und Positivismus existiert ein apriorisches Wis-sen, das nicht durch Sinneswahrnehmungen erklärt werden muss. Die absolute Wahrheit und Erkennt-nis wird mit Hilfe der exakten Naturwissenschaften ohne Theologie oder Metaphysik, aber durch logi-sches Denken erschlossen, das auf Axiomen beruht. Das klassische Beispiel für diese Art von Denken ist die Logik und Mathematik als spezielle sprachliche Strukturen (Nonaka 1997 und Piaget 1973, S. 15). Nach Müller (2000), der ebenso eine erfahrungsbasierte Auffassung vertrat, können Menschen nur das wissen, was sie für sich selbst erstellt haben, etwa Mathematik, aber nicht Natur.

Die vier Grundmerkmale des Positivismus sind: 1. Es existiert nur eine einzige Art von Wirklichkeit 2. Die einzige Erkenntnisquelle ist die sinnliche Erfahrung 3. Das Postulat von der „Einheit der Wissenschaft“

(Es müssen nicht unbedingt verschiedene Methoden der Wissenschaft existieren). 4. Die Ablehnung aller nicht-deskriptiven Aussagen

Der Neopositivismus fügte nun zwei Aspekte hinzu

1. Die mathematische Logik als Ordnungsprinzip und als Instrument zur Analyse (weshalb auch vom logischen Positivismus oder logischen Empirismus gesprochen wird).

2. Die Sprachkritik Positivismus wird oft als logischer Empirismus oder logischer Positivismus bezeichnet und damit

zu einer Spielart des Rationalismus und Objektivismus (Jonassen 1991). Im Objektivismus haben Ob-jekte eine eigene Bedeutung, Wissen ist eine Reflexion ihrer Beziehung zur Realität.

Littlejohn und Foss (1996) bieten in Tabelle 8 eine zusammenfassende Übersicht der Unterschie-

de beider Denkmodelle:


Tabelle 8. Unterschiede zwischen Objektivismus und Konstruktivismus

objektivistische Sicht konstruktivistische Sicht Reality is outside of and independent of human beings

Human beings construct what is for them re-ality, they apply meaning and interpretations

Reality can be known as rationally (logically) and empirically (through senses)

Reality is known through a culture's sign, stories, conceptual frames

Reality exists independently of contexts What constitutes or passes for reality is de-pendent on context

Humans are essentially re-active (they adapt and respond to the environment)

Humans are pro-active (they build their own reality)

There are structures of knowledge "hard-wired" in the human mind

Meaning is a matter of convention, usage and cultural signs

One can know "the truth" The "truth" is variable, contextual, con-structed

Theory can be value-free Theory always reflects the values, imagina-tion and structures of its social context

Theory can assist but does not demand social action It necessarily entils social responsibility Die Kernelemente der konstruktivistischen Sicht werden nachfolgend näher betrachtet.

7.3.3 Kernelemente des Konstruktivismus aus der Erkenntnistheorie

Im Hinblick auf die Wissens-Forschung kann der Konstruktivismus als Erkenntnistheorie (Epis-temologie) bezeichnet werden. Die Erkenntnistheorie setzt sich mit den Voraussetzungen, Prinzipien und Grenzen des Erkennens auseinander. Sie untersucht dabei insbesondere die Verschiebung vom Erkenntnisobjekt zum Erkenntnisprozess (Schmidt 1995 und Glasersfeld 1987).

Der Konstruktivismus stellt keinen ontologischen Absolutheitsanspruch, sondern hilft zu differen-

zieren (Lamnek 1988, S. 77). Ontologie erklärt die Beschaffenheit der Welt, doch wer ontologisch ar-gumentiert, bedient nach Maresch (1998) den Glauben an die Unterscheidung von Denken und Sein und an die Zweiwertigkeit der Logik. Dies wird vom Konstruktivismus relativiert.

Epistemologie erklärt die Beschaffenheit unserer Erfahrung von dieser Welt oder nach v. Förster

(1993, S.102) ausgedrückt: „Erfahrung ist die Ursache, die Welt ist die Folge, Epistemologie ist die Transformationsregel“. Sie beschreibt nach v. Glasersfeld (1984), wie Menschen Kenntnis von der Wahrheit erlangen und ob diese Kenntnis verlässlich und „wahr“ ist. Er bevorzugt dabei, von Wis-senstheorie zu sprechen, um vom Begriff der Erkenntnis zu differenzieren, der eine außerhalb des In-dividuums liegende, zu erkennende Wirklichkeit suggeriert (Glasersfeld 1996, S. 34).

Dass für ein Phänomen unterschiedliche theoretische Erklärungen vorliegen, ist eine bekannte Tat-

sache (Peschl 2001). Beobachten (Wahrnehmen und Erkennen) ist eine Konstruktion des Beobachters, die uns eher widerfährt, als dass sie bewusst vollzogen wird. Dies geschieht bis zu unserer Beobach-tung, wie beobachtet wird. Nach Schmidt (1995) sollte der Konstruktivismus daher als „Theorie der Beobachtung“ (2.Ordnung) bezeichnet werden. Beobachtung lebt von der Unterscheidung und Be-nennung von Differenzen. Besonders dabei ist, dass das jeweils benutzte Unterscheidungsmerkmal im Beobachtungsprozess nicht zugleich mit der beobachteten Differenz wahrgenommen werden kann. Hieraus könnte sich ein rekursiver Prozess des Bewusstseins erklären lassen (Schmidt 1995).

Aus den unterschiedlichen Strömungen ergeben sich hilfreiche Ansatzpunkte für ein Verständnis

der Wissensentwicklung, die kurz illustriert werden sollen.

7.3.3.1 Realität und Wirklichkeit im neurobiologischen Konstruktivismus bei Maturana und Roth

Aus der neurobiologischen Tradition betrachtet, begründet Roth (1994) den Konstruktivismus, ähn-lich wie Maturana (1987), als Erkenntnis eines neuronalen Konstruktionsprozesses. Die dabei erkannte


Welt ist das Produkt dieser Konstruktionen, also ein Konstrukt des Gehirns. Dem Vorwurf, die Theo-rie leugne damit ihre eigene Gültigkeit, begegnet Roth mit zwei gedanklichen Brücken. Zum einen ist er nicht bestrebt, ein „absolutes Sein (...), was in der Philosophie als Ontologie gezeichnet wird“ zu erkennen, zum anderen differenziert er zwischen Realität und Wirklichkeit. Wirklichkeit ist für Roth dabei die phänomenale Welt, die Welt der Erscheinungen, die von uns konstruiert ist. Auf sie allein kann sich Wissenschaft beziehen. Realität ist die transphänomenale Welt. Sie ist unerfahrbar und eine rein gedankliche Setzung. Damit grenzt sich Roth, als Neurobiologe, etwas von der Philosophie, als objektivistische, rationale und logisch fundierte Wissenschaft ab.

Diese Trennung von Wirklichkeit und Realität wird von verschiedenen Autoren aufgegriffen und

aus ihrem Anliegen heraus interpretiert. Bei Watzlawick (1985) ist sie eine hinreichende Erklärung für ein vertiefendes Verständnis von Kommunikation. Für Kant könnte Wirklichkeit das „Ding an sich“ (Gabriel 1993, S. 122f.) sein, welches die Realität hervorbringt, wenn sie sich, wie bei Schopenhauer, als Wille und Vorstellung verhalten.

Auch Hegel bedient sich der Unterscheidung von Wirklichkeit und Realität. Er ergänzt das Be-wusstsein, welches die Wirklichkeit durch die Gedanken beeinflussen kann (Opielka 2006, S. 373). Es zeigt sich dabei eine Eignung, der rationalen Sicht des per se existent oder nicht existent, die Differen-zierungsstufe des Geistes und Bewusstseins hinzuzufügen. Dies könnte Ansatzpunkt für eine Diskus-sion des subjektiven Charakters auf Basis des individuellen Bewusstseins sein. Es würde kontextspezi-fische Aussagen wie „unter diesen Umständen“ oder „mit diesem Ziel“ erlauben.

7.3.3.2 Wissen als anwendbare Wirklichkeit im Radikalen Konstruktivismus

Wissen wird im Konstruktivismus situationsbezogen konstruiert und nicht nur als objektives Abbild der Realität wahrgenommen (Pörksen 2001). Der Radikale Konstruktivismus bemüht sich in seiner Weiterentwicklung des Konstruktivismus nach Ernst von Glasersfeld (1987 und 1995), den Begriff des Wissens von seiner traditionellen Verknüpfung mit der objektiven Wahrheit zu befreien. Er be-schreibt die Entstehung und Konstruktion der Wirklichkeit als ein „Passen“. Sie richtet sich nach der Brauchbarkeit und Anwendbarkeit im „weiteren Fluss unserer Erlebnisse“. Er betont damit eine Kernaussagen des Konstruktivismus, die „Viabilität“, die er nach Ziemke (2000) auf Basis der Arbei-ten von Piaget wie folgt zusammenfasst:

1) Knowledge is not passively received 2) Knowledge is actively build up by the cognizing subject 3) Function of cognition is adaptive; tending towards fit or viability 4) Cognition serves the subject's organization of the experimental world, not the discovery of an ob-

jective ontological reality Das Radikale an dieser Form ist die Konsequenz und die Betonung, mit der das Verständnis einer

konstruierten Welt vertreten wird. Der Radikale Konstruktivismus geht so weit zu sagen, dass Men-schen die Welt nie verstehen oder wissen können, da die Welt "konstruiert" wird und dies nur auf der Basis eines eigenen, individuellen Bedeutungsrahmens geschieht (Kenny 1990).

7.3.3.3 Realität als Konsens individueller Wirklichkeiten im sozialen Kon-struktivismus

Der Konzentration des Radikalen und neurobiologischen Konstruktivismus auf das Individuum und die Negierung einer abschließenden Erfassbarkeit der Realität versucht der soziale Konstruktivismus nach Heylighen (1993, S. 2) zu begegnen. Er postuliert, dass die Realität erklärbar werden kann, wenn durch Kommunikation Subjekte in sozialen Gemeinschaften kommunikativ interagieren und hierüber eine Multi-Welten-Sicht schaffen. Bei Konsens entsteht eine für alle akzeptable Realität, auch wenn diese im Sinne des Radikalen Konstruktivismus nach wie vor nicht objektiv nachgewiesen werden kann, aber so doch in gemeinsamer Abstimmung als solche akzeptiert werden kann. Dieser Ansatz lie-ße sich auf Wissen übertragen, wenn von organisationalem und verbreitetem Wissen gesprechen wird. Wissen würde dabei, im Sinne einer geteilten, für wahr gehaltenen, Realität durch Konsensbildung immer wieder neu erfunden werden. Maturana und Varela (1987) bezeichnen diese Konsensbildung als koordinierte Verhaltensweisen zwischen den Systemen oder Ko-Evolution. Ihnen nach koppelt


sich der autopoietische Organismus strukturell an die Umwelt, um die „zirkuläre Produktion seiner Komponenten“ fortzusetzen (Maturana und Varela 1987, S. 210).

Deutlich wird der konstruktivistische Charakter von Wissen bei Gochowiak (2001) am Beispiel ei-

ner Klient-Therapeut Beziehung. Wissen wird dabei im Sinne einer Problemlösung als gemeinsame Neu-Konstruktion des Problems verstanden. Wichtig ist, dass die Lösung zum gemeinsam geschaffe-nen neuen Problemverständnis das Ursprungsproblem des Klienten löst.

Gemeinsam ist diesen Betrachtungsweisen, dass sie von geschlossenen Systemen ausgehen, die nur

durch Kommunikation, nicht aber direkt in Beziehung treten (Schmidt 1995). Weil Menschen, durch Sozialisation, gemeinsame Begriffsbildung und Wahrnehmungsmodelle, offensichtlich sehr ähnlich wahrnehmen, erkennen und ständig miteinander umgehen, ähneln sich die behandelten Gegenstände so hinreichend, dass deren Produziertheit und deren Gebundenheit an selbstständige kognitive Syste-me nicht in den Blick gerät. Menschen schaffen es ihm zufolge, als kommunizierende, sprachbegabte Wesen, die „Weltentrennung“ durch „Medien im gemeinsamen Rückgriff auf symbolische Ordnungen der Kultur miteinander zu vermitteln“. Für diese gemeinsamen Ordnungen bedürfte es nach wie vor eines top-down Meta-Rahmens, wie im betrieblichen Umfeld einer Unternehmens-Ontologie.

7.3.4 Kernaussagen Kritik und Schlussfolgerung

Die Einordnung des Wissensbegriffs und der Wissensentwicklung vor dem Hintergrund der Erfah-rungen in betrieblicher Praxis und Technologie führen zu einer konstruktivistischen Sicht des Begriffs. In Abwägung der unterschiedlichen Modelle finden sich einige interessante Eigenschaften und Ansät-ze als Arbeits- und Verständnisgrundlage, um sich dem subjektiven Charakter von Wissen zu nähern.

1) Erweiterung der Realität um die subjektive Wirklichkeit Im Sinne eines gemäßigten Konstruktivismus sollen die Ausprägungen des Radikalen Konstrukti-

vismus nur Leitgedanke, aber nicht Verständnisgrundlage sein. Damit wird für die Arbeit eine physi-kalische Realität, vor allem für die Makro-Ebene einer Organisation anerkannt. Für Betrachtungen der Mikro-Ebene und des Individuums dürfte das Verständnis einer subjektiven Wirklichkeit erkenntnis-bringend sein.

2) Viabilität statt ontologischer Realität

In diesem Hinblick wird der Anspruch des Konstruktivismus nach einem Anwendungsbezug, und we-niger einer ontologischen Realität, als geeignet zugrunde gelegt.

3) Erkenntnis ist ein Einordnen Wieder aus individueller Sicht dürfte das Verständnis des Erkenntnisprozesses für die Wissensent-wicklung weniger ein Entdecken der Realität (im Sinne Maturanas und Roths) als vielmehr die Entde-ckung ihres Platzes in der Ordnung des Geistes sein (Schnapp 2004). Durch das Einordnen entsteht in-dividuelle Bedeutung in Abhängigkeit der Rolle des Beobachters. Sprache dient uns als Benennung der Differenzen.

4) Sprache als Abbild der Wahrnehmung Nach Wittgenstein sind für Kenny (1989) Denken und Sprache untrennbar miteinander verbunden.

Das heißt, wer philosophiert, muss zwangsläufig über Sprache sprechen. Philosophische Probleme zu verstehen, heißt wesentlich, die Funktionsweise der Sprache zu verstehen. Der Kern von Wittgensteins Frühphilosophie besteht in einer Abbildtheorie der Erkenntnis. Sie besagt, dass die Bedeutung eines Wortes in seinem Bezugsgegenstand besteht. Sprache wird benötigt, um die Konzepte und Ideen der Wirklichkeit darzustellen und auszudrücken. Sie dürfen nicht als die Dinge an sich verstanden werden (Gochowiak 2001). Die Repräsentation der Wirklichkeitsmodelle dient zum Austausch im Sinne der Erzeugung eines gemeinsamen Zustandes und Verständnisses. Fraglich ist, ob damit Spra-che nicht erst das Abbild der Abbildung ist, sprich die als gemeinsam verstandene Symbolik und Rep-räsentation der Wirklichkeit als Abbild der Realität.

Ontologien sind die sprachliche Struktur für die Beschreibung der Welt und Realität. Für einen kon-

struktivistischen Umgang wären sie selbst Teil der Wirklichkeit und ständiger Erneuerung ausgesetzt.


Auf organisatorischer Makro-Ebene dürfte die Veränderung langsam genug sein, um sie als zeitweise statisch anzunehmen. Auf individueller Mikroebene hingegen unterliegen sie einer hohen Dynamik, die sich nicht a priori festlegen lässt.

5) Nicht nur der Geist darf Erkenntnisquelle sein Die Berücksichtigung der Tatsache, dass die Karte nicht die Gegend ist, von der sie eine Karte ist,

kommt leider häufig zu kurz (Gochowiak 2001). Es ist daher wichtig, herauszustellen, dass die Ge-danken der Abbildung und Wirklichkeit wiederum Teil der Wirklichkeit sind und sich hieraus ein re-kursiver Prozess ergeben kann. Er liefert keine finale Aussage, sondern nur Annäherungen. Dazu ist wichtig, nicht nur den Geist als Erkenntnisquelle zu nutzen, sondern den ganzen Körper und mit ihm seine Wahrnehmungs- und Handlungsmöglichkeiten.

7.4 Zwischenfazit

Das Kapitel hat den Wissensbegriff aus unterschiedlichen Disziplinen beleuchtet und die überlap-pende Eigenschaft der Subjektivität mit Hilfe des Konstruktivismus näher untersucht. Die Diskussion führte zu folgender feststellender Definition als Arbeitsdefinition für diese Arbeit:

(A-3.1) Wissen ist ein Zustand subjektiver Wirklichkeit.

Wissen lässt sich aus einer theoretischen oder angewandten Sicht definieren. Das theoretische

Verständnis von Wissen ist bemüht, alle Perspektiven (philosophische und technische; rationale und emotionale, etc.) zu integrieren. Das angewandte Verständnis ist bemüht, eine einfache und pragmati-sche Definition im Sinne von kontextspezifischer Information zu nutzen.

Gemeinsamkeiten zwischen theoretischem und angewandtem Verständnis zeigen sich aus dem

Diskurs über festsetzende Definitionen des Begriffs „Wissen“ in den Punkten Subjektivität (Kontext-bezug) und Handlungsbezug (Viabilität und Potenzial zum Handeln).

Zu unterscheiden ist die Konstruktion eines Zustands und der andauernden Verfügbarkeit und

Festhalten des Zustands. Hilfreich dabei ist die konstruktivistische Differenzierung zwischen Wirk-lichkeit und Realität. Sie ermöglicht mit Hilfe der maturanischen Ko-evolution (vgl. auch Klient-Therapeut-Beispiel) ein vertieftes Verständnis der Entwicklung einer organisationalen Wissensbasis und einer Viabilität aus dem Dialog zwischen Individuen.

Wissen als Zustand bedeutet, dass Wissen nicht gleich dem Prozess der Wissensentwicklung sein kann. Je nach Dauer des Zustands kann dieser dem Zustand sehr ähnlich werden. Wissen im ange-wandten Sinne heißt Wissen als Wissensobjekt oder Knowledge asset zu verstehen. Dabei kann von einer längeren Haltbarkeit ausgegangen werden, jedoch unter Verfall des Nutzens. Die Kontexte des Wissensobjekts verändern sich und es verliert an Wert.

Da für den technologischen Umgang mit Wissen bestimmte Zustände festgehalten werden müs-sen, liegt es nahe, von Wissen als Objekt mit geringer Haltbarkeit und nicht nicht von Wissen als reinem Prozess auszugehen. Der Prozess der Zustandsentstehung wird jedoch verallgemeinert als Wis-sensentwicklung bezeichnet und genutzt, um ihn immer wieder neu technologisch anzuwenden. Er be-schreibt den Prozess zum Aufbau und Festhalten dieses Zustands im Sinne eines wiederkehrenden, explizierbaren Einzelfalls, als rekursive Konstruktion.

Der Exkurs des Konstruktivismus konnte dafür wichtige Elemente eines konstruktivistischen Ver-ständnisses herausarbeiten, wenn auch der radikale Konstruktivismus als zu dogmatisch für den aktu-ellen Anwendungsfall erscheint. Der Exkurs zeigt einige Ansatzpunkte, sich dem subjektiven Charak-ter von Wissen zu nähern. Der Konstruktivismus stellt der bisherigen organisationellen Makro-Sicht im Sinne einer gegebenen Realität Zugang zu einer individuellen Mikro-Sicht im Sinne einer eigenen und dynamischen Wirklichkeit zur Verfügung.


(A-3.2) Die Eigenschaften von Wissen sind Viabilität, Subjektivität, Vergänglichkeit und rekursive Konstruktion.

Obiges Verständnis und feststellende Definition berücksichtigt folgende Charakteristika aus der Diskussion:

• Vergänglichkeit und Konstruktion im Sinne eines Verblassens des Wahrheitsgehalts und der Notwendigkeit eines ständigen Wiederaufbaus des Zustands.

• Viabilität, im Sinne eines Anwendungsbezugs oder Situationskontexts. • Subjektivität, im Sinne einer individuelle Perspektive mit Intention.

Ein Zustand ist vergänglich. Er verblasst. Erst seine Repräsentation und sein Anwendungsbezug

(Viabilität) frieren die Zusammenhänge in Sprache ein und verleihen ihm durch die Einordnung in bestehende Wirklichkeitsgebäude Bedeutung. Wissen ist die ständige Re-konstruktion des Zustandes subjektiver Wirklichkeit. Nach außen hin erscheint es als ein festes Gebilde oder Objekt. Mit seiner Vergänglichkeit ist es jedoch in einer ständigen Veränderungen begriffen. Betrachtet man es nur als Objekt, so ist es der leblose Panzer, mit dem umgegangen wird. Der Zustand, das Wissen selbst, hat sich verändert und weiterentwickelt.

Die Viabilität kennzeichnet den in der Definition enthaltenen Anwendungsbezug. Als Kontext

werden heute schon Situationsbedingungen expliziert und in Workflow-Umgebungen genutzt. Als technologisch neue Herausforderung gilt die Ergänzung dieses Kontexts um die Intention und indivi-duelle Perspektive.

Die Subjektivität von Wissen konzentriert das Verständnis der Wissensentwicklung weniger auf

die Kommunikation und Informationsübermittlung zwischen Subjekten, sondern vielmehr auf die Einordnung übermittelter Informationen in den subjektiven Erfahrungsrahmen. Wissensent-wicklung im vorliegenden Sinne entspricht damit einer individuellen Bedeutungsentwicklung mit eigener Intention. Mit Hilfe der Kommunikation entsteht aber erst eine über das Individuum hinaus-gehede, gemeinsame Wirklichkeit.


8 Wissensentwicklung – begriffliche Einordnung

Der Prozess des ständigen Aufbaus von individuellen Zuständen ist die Wissensentwicklung. Sie wird in diesem Kapitel gegenüber ähnlichen Modellen und Prozessen abgegrenzt und einge-ordnet. Fraglich dabei ist, inwieweit ähnliche Begrifflichkeiten nicht besser für die Bezeichnung ge-eignet wären und inwiefern dieser Begriff für die Arbeit als feststellende Definition genutzt wird.

Wissenserwerb: Im Sinne von Probst et al. (1997) soll hierunter der Bezug von meist explizitem

Wissen und Informationen wie Marktstudien, Konkurrenzanalysen oder Methoden verstanden werden. Als englische Übersetzung soll der Begriff der „Knowledge creation“ verwendet werden. Auf-

grund der praxisorientierten Handhabung und des Verständnisses von Wissensmanagement wird der Begriff in der englischsprachigen Literatur meist schon in einem technologischen Zusammenhang be-trachtet (Nonaka und Takeuchi 1995).

Der Begriff Wissensgenerierung eignet sich weniger für einen allgemeinen Entstehungsprozesses

von Wissen als vielmehr für eine betonte Darstellung von Neuheiten und neuen Wissensobjekten aus innovatorischer, betrieblicher Sicht.

Mit Wissensentstehung wird der gleiche Sachverhalt wie mit Wissensentwicklung aus passiver

Sicht ausgedrückt. Entstehung geht im Gegensatz zur Entwicklung von einen schlecht beeinflussbaren Prozess aus.

Die Übertragung konstruktivistischer Ansätze führte zu technologischen Ansätzen, wie Knowledge

Construction von Ostwald (1996) oder Coinstructive Knowledge Analysis of Tasks (CKAT) von Liaw et al. (2007, Liaw und Geeng-Neng 2003). Knowledge construction basiert auf den Schritten Aktivierung, d.h. Explizierung des impliziten Wissens, Kommunikation, d.h. Bildung eines gemein-samen Verständnisses und Envisioning, d.h. Entwicklung einer Veränderungsvorstellung. Nach Stahl (1993) ist die Explizierung dabei eine temporäre Interpretation. CKAT formuliert die Wissensentwick-lung als: knowledge objective; knowledge gathering; knowledge analysis; knowledge construction. Gemeinsam ist ihnen das Grundverständnis von Wissen als Knowledge-asset oder Informationsobjekt.

Nach Aschoff und van Elst (2001) ist Knowledge Acquisition der Prozess der Wissensakquisition

für Expertensysteme. Fünf Problembereiche zeigen die Schwierigkeiten dieses Ansatzes: Verfügbar-keit von Experten, Bedarf eines „gold standards“ für Wissen, Frage nach der Anzahl der relevanten Wissensdomänen, Isolierung des Mehrwertes einer bestimmten Methode und Quantifizierung des Aufbereitungsaufwands (Shadbolt et al. 1999).

Wissensgewinnung suggeriert die Existenz von Wissen per se, das nur geborgen werden muss (im

Sinne von Rohstoffen). Dies mag für Knowledge-assets zutreffen, berücksichtigt aber nicht ausrei-chend die beschriebenen Charakteristika von Wissen im Sinne einer Konstruktion.

Wissensentwicklung bezeichnet einen aktiven, technologie-unabhängigen Prozess, der nicht zu

einseitig auf den Neuigkeitscharakter abstellt und offen ist für eine individuelle Perspektive.

8.1 Wissensentwicklung – im betriebswirtschaftlichen, organisationalen Rahmen des Wissensmanagements

Im Hinblick auf ein tragfähiges Modell für die Wissensentwicklung ist die Frage, inwieweit beste-hende und oben beschriebene Modelle als Basis dienen können. Nach Teich (1996, S. 8f.) dient ein Modell grundsätzlich dazu, die Theorie in ein Bild zu bringen, das mit der Wirklichkeit verglichen werden kann. Es fasst den Sachverhalt allgemeingültig zusammen und bildet ein Strukturierungsge-rüst.


Die heutige Struktur und das Verständnis von Wissensmanagement (WM) wurde wesentlich durch die Ansätze von Nonaka und Takeuchi (1995 und 1997) und Probst (1997) geprägt. Nonaka und Ta-keuchi führten das Verständnis von Wissen als implizit und explizit ein. Probst beschrieb die Module des Wissensmanagements. Andere WM-Konzepte wie Rehäuser und Krcmar (1996), Bullinger et al. (1998), Pawlowsky (1994) ergänzen Gedankenelemente, haben sich als Modell aber nicht nachhaltig durchgesetzt. Sie haben nach Rothmann-Reimann (2001) keine weite Verbreitung oder Praxisakzep-tanz. Nach Mandel (2001) lässt sich WM in Abbildung 7 vereinfacht als Schnittmenge unterschiedli-cher betrieblicher Systeme umreißen. Wissensentwicklung ist ein wesentlicher Bestandteil darin.

Abb. 7. Komponenten des Wissensmanagements

Al-Laham (2003) stellt die verschiedenen Ansätze als einen wissensbasierten Ansatz für das strate-gische Wissensmanagement in Beziehung. Er erweitert damit die bekannten Strategieansätze des re-source-based und market-based views zu einem knowledge-based view. Diesen belegt er durch An-wendung auf Praxisszenarien, wie Akquisitions-, Markteintritts- oder Desinvestitionsstrategien. Der Ansatz „präzisiert (…) die Kausalzusammenhänge zwischen der Ressourcenausstattung einer Unter-nehmung und entstehenden Wettbewerbsvorteilen“ (Al-Laham 2003, S. 173). Das in Kapitel 7 vorge-stellte Wissensverständnis der Arbeit folgt damit seiner Forderung nach einer stärkere Verbindung von Content- und Process-Forschung im strategischen Management. Er charakterisiert Wissen (Al-Laham 2003, S. 172) aus organisatorischer Sicht als nicht-limitierbare, nicht-handelbare und nicht-substituierbare Ressource. Er bricht mit dem organisationalen Verständnis von Wissen als Objekt und entwickelt es hin zu einem prozessualen Verständnis von Wissen. Zur Umsetzung der Strategien beschreibt er Wege der Wissensakquisition, -ausschöpfung, -transfers und -sicherung und skizziert Auswirkungen auf eine wissens- und lernfördernde Organisationsstruktur.

Kakabadse (2001) beschreibt drei grundlegende Modelle des WM, deren Fokus sich im Laufe der

Zeit von Wissensbewahrung (Cognitive model of KM) über Wissenserwerb (Network model of KM) zu Wissensentwicklung und -nutzung (Community Model of KM) entwickelte. Nachdem Communities in der Praxis bereits eine etablierte Form des WM sind, ist die Frage, wie sich die tech-nologische Unterstützung dieser otpimieren lässt.

Das uneinheitliche Verständnis von Wissen im Alltag beeinflusst das Wissensmanagement negativ

im Aufbau einer systematischen Wissensentwicklung. Das Management von Wissen hat daher zu-nächst die Aufgabe, die konkurrierenden Sichtweisen zu koordinieren, zu balancieren und situati-onsgerecht einzusetzen. Die Wahrnehmung der Organisation als Organismus im Sinne einer Lernen-den Organisation (Herbst 2000) und eines ganzheitlichen, sozio-technischen Systems vereinfachen den Umgang mit zunächst paradoxen und sich scheinbar widersprechenden Zusammenhängen.

Im Folgenden werden einzelne Modelle in ihren Kernelementen kurz beschrieben, um die jeweili-

gen Ansätze und Grundlagen für die Wissensentwicklung zu extrahieren.

O r g a n is a t io n

M e n s c h

T e c h n ik

G e s e l ls c h a f t

W is s e n s -m a n a g e m e n t


8.1.1 Wissensentwicklung im Modell von Probst

Das Modell von Probst (1997) überträgt fallstudien-basiert und praxisnah Managementansätze auf die Ressource Wissen. Es gliedert das Management von Wissen in Prozesse wie Wissensdokumentati-on, Wissensverteilung, Wissensbewahrung und Wissensentwicklung. Diese lassen sich technologisch und soziologisch unterstützen und abbilden. Als Beispiele gelten best-practices-Datenbanken, Be-wahrung von Expertenwissen durch Interviews, verteilter Zugriff auf Wissensbanken, abteilungsüber-greifende Communities.

Wissensverteilung erleichtert das Auffinden des richtigen Wissens und dessen individuelle Anpas-

sung und wirkt primär effizienzsteigernd und damit Kosten senkend. Wissensentwicklung oder -aufbau bezeichnet die Vertiefung des Verständnisses von Prozessen,

Produkten, Kunden, etc. In Industrieunternehmen wird die Wissensentwicklung institutionalisiert in speziellen Prozessen wie Softwareentwicklung, Engineeringprozessen und allgemeiner Forschung und Entwicklung betrieben.

Handelt es sich um strategisch wichtige und wettbewerbskritische Wissensbereiche, so sollte eige-

nes Wissen aufgebaut werden, um es zu Kernkompetenzen auszubauen. Organisationales Lernen und Netzwerkprozesse bergen mit ihren virtuellen und flexiblen Strukturen und wegen ihrer Flexibilität und überdurchschnittlichen organisationalen Lernfähigkeit großes Potenzial, Wettbewerbsvorteile zu erzielen (Mueller 1988, S. 58). Die Lernfähigkeit hängt nach Nelson und Winter (1982, S. 171f., 247ff.) entscheidend von den Erfahrungen der Unternehmung, ihren Such- und Problemlösungsverfah-ren und ihrer Zugänglichkeit zu Wissensquellen ab.

Durch Vergleich zwischen Anforderung und Ist-Situation kommt der Wissensbedarf zum Vor-

schein. Wissen kann intern entwickelt oder extern aus Datenbanken von Universitäten oder Beratern erworben werden. Als Schlüsselqualifikation steht hier das Scanning des Unternehmensumfeldes im Vordergrund, um rechtzeitig auf Entwicklungen aufmerksam zu werden und geeignete Informationen aufnehmen zu können. Es können dafür spezielle Stellen eingerichtet werden oder über Selektionsma-schinen eine Auswahl aufbereitet werden. Personengebundenes Wissen, wie bei hochqualifizierten Spezialisten kann über Personalberater oder Headhunter vermittelt werden. Explizites Wissen, wie Pa-tente, Lizenzen oder Studien, lässt sich in Unternehmen über Aufkäufe akquirieren. Bei der gezielten strategischen Einbindung von Strategischen Geschäftseinheiten in das Netzwerk ist besonders auf die Integrationsfähigkeit zu achten (Hinterhuber 1992, S. 96). Cohen und Levinthal (1990) bezeichnen diese als absorptive capacity. Erfolgreich ist die Wissensaufnahme nach Scholl (1990, S. 109), je mehr Wissen assimiliert werden kann und je weniger akkomodiert werden muss. Dabei geht es letztlich um die Differenzierung und Integration kognitiver Elemente und mentaler Modelle.

Das Modell von Probst vernachlässigt den subjektiven Charakter von Wissen. Verfahren, Struktu-

ren, Informationsquellen, Integrationsformen, Rechte und Rollen spielen eine wichtige Rolle für die Wissensentwicklung. In den meisten Fällen geht es um ein qualifiziertes Informationsmanagement. In-formation wird aufgrund seiner strategischen Bedeutung im Unternehmen zu Wissen.

8.1.2 Wissensentwicklung bei Nonaka und Takeuchi

Für Nonaka und Takeuchi (1995 und 1997) ist, nach ihrem SECI-Modell, die Entwicklung von Wissen ein kontinuierlicher Prozess aus Explikation und Sozialisation. Der Zuwachs an Wissen er-zeugt darin eine Spiralbewegung.

Sie unterscheiden den Zustand von Wissen als explizit und implizit. Das Modell beschreibt die or-ganisationale Wissensentwicklung als Interaktion zwischen explizitem und implizitem Wissen. Es un-terscheidet zwischen rationalem (Kombination) und emotionalem (Sozialisation) Umgang zwischen Individuen.


Abbildung 8 veranschaulicht die Phasen ihres Modells. Dabei gehen sie davon aus, dass implizites Wissen vorliegt, das der Gruppe zugänglich gemacht werden muss, um in der Diskussion geprüft und expliziert zu werden. Durch Verteilung und Kombination an andere Mitarbeiter entsteht ein Wissens-netzwerk, das zur Wissensentwicklung beiträgt (Nonaka und Takeuchi 1995, S. 61f.). Die Entwicklung von explizitem Wissen wird dabei vor allem als Explikation im Sinne eines Diskussionsprozess ver-standen. Die Entwicklung von implizitem Wissen kann mit Lernen als Wissensaufnahme beschrieben werden.

Abb. 8. Kreislauf der Wissensentwicklung

Die Strukturierung von Nonaka und Takeuchi eignet sich in der Praxis besonders für die Bestim-mung geeigneter Unterstützungsformen, je nach Form des Wissens. Methoden wie Debriefing für Leaving experts als Artikulation ließen sich technologisch oder personalpolitisch einordnen. Die Strukturierung ist eine erste und gute Basis dafür, Wissensentwicklung auf organisationaler Ebene als zwei Phasen im Sinne einer Explikation und des Lernens zu verstehen.

8.1.3 Wissensentwicklung bei Boisot

Das Modell von Boisot (1999) erweiterte zum einen den Prozess der Wissensentwicklung von No-naka und verankert zum anderen Wissen als betriebliche Ressource im mikroökonomischen Verständ-nis.

Boisot versteht Wissen als „set of expectations“ im Hinblick auf die Handlung des Subjekts. Wissen

ist für ihn ein Produktionsfaktor auf der Basis von Daten und Informationen. Damit greift er das Ver-ständnis von Wissen als Ressource im Unternehmen auf und lässt es, mikroökonomisch betrachtet, physischen Faktoren substituieren. Dies ergibt eine Isoquante, eine Produktionsfunktion. Daten und Informationen können zu einer Bewegung auf dieser führen und physische Faktoren ersetzen. Echter Erkenntnisgewinn führt zu einem Isoquantensprung in Richtung des Ursprungs (Boisot 1999, S. 30ff.) und damit zu anderen Substitutionsverhältnissen zu physischen Faktoren. Dieser Sprung lässt sich mit Nonakas Spiralbewegung im SECI-Modell vergleichen.

Das Verständnis von Wissen als Ressource führt somit zu einer Wertigkeit von Informationsobjek-

ten im Vergleich zu anderen Faktoren. Es sagt zunächst nichts über die Entwicklung höherwertiger Ressourcen oder Objekte an sich aus. Es ist vielmehr eine Ex-post-Betrachtung.

Die Form von Wissen qualifiziert Boisot als Element eines Informationswürfels mit den Eigen-schaften Codification, Diffusion und Abstraction. Ähnlich wie bei Nonaka und Takeuchi beschreibt Boisot (1999, S. 60) in Abbildung 9 die Wissensentwicklung als einen Datenfluss in diesem Informa-tionsraum, den Social Learning Cycle (SLC): Scanning, Problem-solving, Abstraction, Diffusion, Ab-sorption und Impacting.

Von Nach Implizit

Implizit

Explizit

Explizit

Sozialisation Artikulation

Kombination Internali - sierung


Abb. 9. Boisot’s Social Learning Cycle (SLC)

Der SLC beinhaltet mit Scanning und Diffusion Nonakas Elemente Internalisierung und Externali-sierung. Beim Versuch, beide Prozesse zur Deckung zu bringen, fällt auf, dass Boisot für die Bereiche Sozialisierung und Kombination zwei Schritte der Verallgemeinerung und Konkretisierung in Form von Abstraktion und Impacting ergänzt. Eine mögliche Erklärung wäre, dass hierin der Übergang und

das Zusammenspiel von bewussten und unbewussten Prozessschritten zum Tragen kommt, wie in ei-gener Darstellung mit Abbildung 10 verdeutlicht.

Abb. 10. Mapping der Modelle von Boisot und Nonaka

Aus organisationaler Sicht besteht in keinem der Modelle die Notwendigkeit, diese Unterscheidung näher zu untersuchen. Aus dem Wissensverständnis eines subjektiven Zustandes liegen hierin Ansatz-punkte, die subjektive Wirklichkeit als einen Bewusstseinszustand zu verstehen, der aus bewussten

1

3

4

5

6

abstract

concreteundiffused diffused

unco

difie

dco

difie

d

2

1

2

3

4

5

6

Scanning

Problem-solving

Abstracion

Diffusion

Absorption

Impacting

explizit

Kombination Sozialisierung

implizit

2

1= Scanning 2= Problem-Solving 3= Abstraction

4= Diffusion 5= Absorption 6= Impacting

3

6 unbewusst

bewusst

Systemgrenze

Externalisierung

Internalisierung

5

4

Boisot: Social Learning Process

explizit implizit1


(expliziten) und unbewussten (impliziten) Prozessen (Zusammenhänge, Abstraktionen etc) situations-spezifisch entsteht.

8.1.4 Wissensentwicklung im Modell der Siemens AG

Die Siemens AG baut ihr Verständnis für den Umgang mit Wissen in Anlehnung an Boisot (1999) und seinem Wissensraum mit den drei Dimensionen Proficiency (Expertise und Leistungsfähigkeit), Diffusion (Verbreitungsgrad) und Codification (Dokumentation) auf. Es umfasst alle systematischen Aktivitäten zur Wissensentwicklung und -verteilung und beschreibt in Abbildung 11 damit die syste-matische Anpassung von Proficiency, Codification und Diffusion an die Unternehmensziele (Hofer-Alfeis 2003).

Abb. 11. Wissensmodell der Siemens AG

Bei der Optimierung der Ressource Wissen im Unternehmen erleichtert die Wissensverteilung das Auffinden des richtigen Wissens und dessen individuelle Anpassung. Sie wirkt primär effizienzstei-gernd und damit kostensenkend. Wissensentwicklung oder -aufbau bezeichnen die Vertiefung des Verständnisses von Prozessen, Produkten, Kunden, etc. in Form von Proficiency (implizites Wissen) und Codification (explizites Wissen). Letztere zwei decken sich mit den von Hansen et al. (1999) un-terschiedenen WM-Strategien: computer-based codification und personalization. Bei Ersterem wird versucht, möglichst viel implizites Wissen zu explizieren und systemtechnisch zugänglich zu machen. Bei Letzterer muss implizites Wissen durch persönlichen Kontakt genutzt werden.

Wissensentwicklung wird in Industrieunternehmen als Innovationsprozess verstanden und instituti-

onalisiert in speziellen Prozessen wie Softwareentwicklung, Engineeringprozessen und allgemeiner Forschung und Entwicklung betrieben. Innovation ist der Einsatz von Wissen für neue, noch unbe-kannte Lösungen und damit viele kleine Prozesse der individuellen Wissensentwicklung (Herbst 2000). Kakabadse (2001, S. 143) beschreibt Innovation als komplexen Design- und Entscheidungspro-zess durch Kreation, Verteilung, Anwendung und Nutzung neuer Ideen von Mitarbeitern in einem in-stitutionalisierten Kontext. Dieser Kontext wird im Sinne wissensintensiver Prozesse in Kapitel 0 ver-tieft.

Proficiency (Reifegrad) kann nach wie vor nur über Training und individuelles Lernen abgedeckt

werden. Außer der methodischen Unterstützung von Kreativprozessen wird die Wissensentwicklung derzeit nur unzureichend unterstützt.

8.1.5 Zwischenfazit betriebswirtschaftlicher Diskussion

Betriebswirtschaftlich betrachtet fällt auf, dass Informationen als anwendbare Ressource ex post an ihrer Bedeutung für das Unternehmen als Wissen qualifiziert werden. Sie können nach Al-Laham (2003) im Sinne eines knowledge-based views Grundlage für ein Strategisches Wissensmanagement

World-class expert

Expert

Skilled&trained

BeginnerCodification

Pro

fic

ien

cy

Diff

usio

n

Thinking, mental

models, etc.

Discussions, reports, notes

Structured objects

(guidelines, models, etc.)

Best practice

Loosly coupled

units

Communities of practice

Collaborative teams


sein. Aufgrund der Ex-post-Betrachtung lassen sich jedoch für die Wissensentwicklung nur Ansatz-punkte aus der Kommunikation ableiten. Dies soll im Folgenden noch einmal vertieft betrachtet wer-den.

Betriebswirtschaftliche Diskussionen enden mit der Institutionalisierung von unterstützenden Maß-nahmen oder Prozessen, lassen aber die Rolle des Individuums bei der Wissensentwicklung sträflich außer Acht. Sie behandeln es eher als eine black box unter dem Label „implizit“ oder personal know-ledge und proficiency. Da sich dies meist nicht weiter technologisch unterstützen lässt, enden hier vie-le Ansätze und verweisen auf personalpolitische, motivatorische Maßnahmen des lebenslangen Ler-nens und Wissenteilens. Die Untersuchung lerntheoretischer Grundlagen im nächsten Kapitel soll versuchen, hieraus weitere Aspekte zu gewinnen.

Für eine aktive technologische Unterstützung wissensintensiver Prozesse scheint sich die Notwen-digkeit einer Betrachtung von Wissen a priori aus individueller Perspektive zu bestätigen.

8.2 Wissensentwicklung – eine Frage der Kommunikation

Die bisherige Analyse hat die Bedeutung der Kommunikation in der Wissensentwicklung aus orga-nisatorischer Sicht aufgezeigt. Fraglich ist, inwieweit die Kommunikationstheorie Ansätze und Erklä-rungen zur Vertiefung bereithält.

Für Luhmann (1995) können Menschen (psychische Systeme) nicht kommunizieren, nicht ein-mal ihre Gehirne können kommunizieren, nicht einmal das Bewusstsein kann kommunizieren. Das Bewusstseinssystem operiert autopoietisch, weil es immer wieder Gedanken aus Gedanken erzeugt (selbstreferenziell) und so die Einheit des Systems aufrechterhält, indem es sich selbst aus den ihm in-härenten Komponenten erzeugt (Schmidt 1995, Kneer und Nassehi 1997). Nur die Kommunikation kann kommunizieren (Luhmann 1995). Kommunikation ,,[...] entsteht durch eine Synthese von drei verschiedenen Selektionen − nämlich Selektion einer Information, Selektion der Mitteilung dieser In-formation und selektives Verstehen oder Missverstehen dieser Mitteilung und ihrer Information (Luhmann 1995).

Kognitive Erwartungen und Unterstellungen von bestimmten Verhaltens- und Handlungsmustern bilden nach Schmidt und Feilke (1995, S. 279) die Grundlage von Kommunikation. Für sie wird die Kommunikation von Individuen organisiert. Sie sehen deshalb im Gegensatz zu Luhmann die Kom-munikation selbst nicht als ein selbstreferentiell geschlossenes System an. Kommunikation existiert und operiert daher nur auf der materialen Grundlage von Kommunikatoren, Texten und Medien (Schmidt 1996, S. 74).

Infolge dieser Interpretationen und der operationalen Geschlossenheit des Gehirns dürfte Kommu-nikation nach Kneer und Nassehi (1997, S. 81) nicht mehr im Sinne der Übertragung einer Bot-schaft vom Sender zum Empfänger verstanden werden. Es würden reine Signale, keine Bedeutun-gen übertragen. Bedeutungen entstünden erst wieder beim Empfänger (Pitasi 2002).

Unabhängig davon, ob Kommunikation seinerseits ein System darstellt und ob Systeme offen oder geschlossen sind, weisen alle Autoren darauf hin, dass Kommunikation nicht Teil des Primärsystems ist, sondern einer Fixierung, Explikation von Daten bedarf, die übertragen werden können. Inwie-weit hierin bereits Informationen, Mitteilungen und Botschaften enthalten sind, dürfte eine Frage der Radikalität der Systemabgrenzung und damit des Abstraktionsgrades der Datensprache sein. Deutlich wird, dass die Daten beim Empfänger entschlüsselt, verstanden und eingeordnet werden müssen. Dies kann wiederum Anstoß für die Weiterentwicklung des eigenen Systems und damit der Wissensent-wicklung, im Sinne eines neuen Zustandes, sein. Wichtig herauszustreichen ist, dass Kommunikation nicht die Wissensentwicklung selbst ist, sondern ggfs. zu ihr beiträgt.

8.3 Wissensentwicklung – lerntheoretische Grundlagen

Im Gegensatz zur betriebswirtschaftlichen Auseinandersetzung mit der Wissensentwicklung be-schäftigen sich Pädagogik, Medizin und Psychologie schon seit geraumer Zeit mit den Fragestellungen des Lernens aus Sicht des Individuums und aus Sicht des Lehrenden sowie den dabei zugrundeliegen-den Gehirnfunktionen. Entsprechend umfangreich ist die Literatur. Im Folgenden sollen die wesentli-chen Ausschnitte für die Diskussion der Wissensentwicklung hervorgehoben werden.


„Lernen ist wie Rudern gegen den Strom. Sobald man aufhört, treibt man zurück“ (Benjamin Brit-ten, Komponist, 1913-1976). Dieser Spruch beschreibt sehr treffend den dynamischen Charakter des Lernens und der Wissensentwicklung. Nach Piaget (1967) wird Entwicklung und Lernen ausgelöst durch das Streben des Individuums, seine Sinneseindrücke auf Grundlage von Schemata zu ordnen, ihnen Bedeutung zu verleihen und ein mentales Gleichgewicht zwischen seiner wahrgenommen Um-welt und seinen kognitiven Strukturen herzustellen. Das Individuum erreicht hierdurch eine Komplexi-tätsreduktion, die ggfs. im Sinne von Boisot zu einem Erkenntnisgewinn und damit zu einem Isoquan-tensprung führen kann. Ordnung bezeichnet einen Sachverhalt, in dem Objekte miteinander in Beziehung stehen. Gemachte Ordnung (bewusstes Handeln und Wissensentwicklung) lässt sich von gewachsener Ordnung (spontanes, unbewusstes Handeln und Wissensentwicklung) unterscheiden. Komplexität entsteht durch Verschiedenartigkeit von Systemelementen und ihrer Beziehungen (Kompliziertheit) mit einer Veränderung über die Zeit (Dynamik).

Lernen wird vielfach synonym mit der Wissensentwicklung verwendet. Im Folgenden soll unter-

sucht werden, inwieweit eine synonyme Begrifflichkeit gerechtfertigt ist und welche Anleihen aus die-sen Disziplinen für die diskutierten Forschungsfragen hilfreich erscheinen.

Pädagogisch gesehen, ist nach Hilgard und Bower (1970, S. 16) Lernen der „Vorgang, durch den

eine Aktivität im Gefolge von Reaktionen des Organismus auf eine Umweltsituation entsteht oder ver-ändert wird“. Philosophisch betrachtet, ist Lernen die Akquisition von „true belief“ oder Fähigkeiten durch Erfahrung (Routledge Encyclopedia 1998). Biologisch gesehen, ist Lernen und Gedächtnis die Fähigkeit eines Organismus, von früheren Erfahrungen zu profitieren (Goshen-Gottstein 2003). Medi-zinisch betrachtet, ist Lernen die „Aufnahme von Informationen zum Zweck der Reproduzierbarkeit, Stiften bedingter Reflexe mit dem Ziel einer besseren Einpassung in die materielle und soziale Welt“ (Roche Lexikon Medizin 2003). Birbaumer spezifiziert dies mit den Aussagen, dass neben der gene-tisch gesteuerten Reifung synaptischer Verbindungen die Ausbildung spezifischer synaptischer Ver-bindungen unter dem Einfluss früherer Umweltauseinandersetzungen unabdingare Voraussetzung für Lernvorgänge aller Art ist (Birbaumer 1997, S.154). Dem Lernen liegen elektrochemische Vorgänge der Dendriten zugrunde. Auf zelluärer Ebene kommt es zu verstärkter Ausschüttung der Transmitter in den am Lernen beteiligten Neuronen.

Übergreifend lassen sich zwei Arten und Ebenen von Lernen in der Literatur erkennen: 1) Lernen als Wissenserwerb und Verständnisbildung 2) Lernen als Verhaltensänderung

8.3.1 Lernen als Wissenserwerb

Lernen als Wissenserwerb zielt auf die Speicherung von Informationen und deren Verarbeitung zu Wissen. Es kann nach Birbaumer (1997, S. 157) als der Aufbau und die fortlaufende Modifikation von Wissensrepräsentationen als eine Suche nach Bedeutung definiert werden. Nach Herbst (2000, S. 98) wird es als Erwerb, Änderung oder Bestätigung von kognitiven Strukturen verstanden.

Lernen berücksichtigt nach Herbst zum einen das bereits gespeicherte Wissen einer Person; zum

anderen Prozesse, die zu Erkenntnissen führen wie Wahrnehmen, Schlussfolgern, Erinnern, Denken, Problemlösen, Entscheiden, etc. (Herbst 2000, S. 98f.) Dabei werden Informationen in bestehende Strukturen integriert oder kognitive Strukturen geändert und zu Gunsten von Neuem aufgegeben.

Aebli (1981) unterscheidet drei Prozessschritte beim Lernen als Wissenserwerb: 1. Verknüpfen und wieder Zerlegen 2. Verdichten und wieder Auseinanderfalten 3. Strukturieren und Restrukturieren Dabei sind zwei wichtige Prozesse zu berücksichtigen. Zur Aktivierung von Vorwissen durch Er-

regungsausbreitung werden vorhandene Wissensstrukturen zugänglich gemacht, Knoten werden ge-öffnet und das darin enthaltene Wissen aktiviert. Zum anderen erfolgt eine Auseinandersetzung mit neuen Informationen, die Schritt für Schritt mit altem Wissen verknüpft werden und dabei zu neuen


Verknüpfungen entstehen (kausale, temporale, modale, finale Relationen). Nach Birbaumer (1997, S. 154ff.) wird in der Gedächtnisforschung bewusstes deklaratives von nichtbewussten prozeduralem Gedächtnis (Lernen von Fertigkeiten) unterschieden. Beiden Gedächtnisformen liegen unterscheidbare Hirnsysteme zugrunde.

Für das Lernen heißt dies, dass es kein passives Aufnehmen und Abspeichern von Informationen

und Wahrnehmungen ist, sondern ein aktiver Prozess der Wissenskonstruktion (Herbst 2000, S. 98). Er besteht aus den Bestandteilen Verstehen, Speichern und Abrufen (Birbaumer 1997, S. 157). In letzter Konsequenz bedeutet dies, dass die Vermittlung von Lernstoff oder Wissen im Sinne einer Übertragung nicht möglich ist. Damit referenziert es auf die Erkenntnisse aus der kommunikations-wissenschaftlichen Sicht (Kapitel 8.2).

Zur Verdeutlichung der Komplexität des Lernprozesses soll folgende Übersicht von Gagné (vgl. in

Stangl 1997) dienen. Sie zeigt acht verschiedene Lernprozesse in hierarchischer Form und dem Prob-lemlösen als komplexesten Prozess. Sie macht insbesondere die begrifflichen Abstraktionslevel (Signal vs. Regel) deutlich. Die Diskussion bei Boisot zeigte, sowohl den Schritt der Abstraktion als einen wichtigen Baustein weiterzuverfolgen als auch die Diskussion über Kommunikation, Signale und Daten von Botschaften und Bedeutungen getrennt zu untersuchen.

Tabelle 9. Lernarten nach Gagné

Lernprozess Beschreibung Vertreter

Signallernen Einfaches Pawlow’sches Konditionieren Pawlow, Watson

Reiz-Reaktions-Lernen Bildung einer einzelnen Verbindung zwischen einem Reiz und einer Reaktion.

Skinner, Thorndike, Hull, Spence

Lernen motorischer Ketten Die Verbindung einer Abfolge motorischer Reiz-Reaktions-Verhaltensweisen

Guthrie, Thorndike, Skinner

Lernen sprachlicher Assoziationen Die Verbindung einer Abfolge verbaler Reiz-Reaktions-Verhaltensweisen. Beispiel: eins, zwei, drei, vier, fünf

Hebb, Bruner

Lernen multipler Diskrimination Lernen, zwischen hochgradig ähnlichen Reizin-puts zu unterscheiden. Das Lemen von Diskri-minationen ist im Wesentlichen eine Sache der Bildung einer Reihe verschiedener Ketten

Bruner, Skinner und Hebb

Begriffslernen Begriffslernen ist das Gegenteil von Diskrimi-nationslernen. Es umfasst das Ordnen von Din-gen zu Klassen und das Reagieren auf Klassen als Ganze.

Hebb, Bruner, Skinner und Piaget.

Regellernen Erwerb von Wissen, Erwerb von Regeln.

Regeln sind Begriffsketten oder Kombinationen von Begriffen, die sich aufgrund ihrer Komple-xität unterscheiden. Sie sind eine erschlossene Fähigkeit, die das Individuum befähigt, auf eine Klasse von Reizsituationen mit einer Klasse von Leistungen zu reagieren

Bruner, Piaget

Problemlösen Die Anwendung von Regeln bringt Regeln hö-herer Ordnung hervor. Das ist das unaus-weichliche Ergebnis der Anwendung von Re-geln auf Probleme.

Bruner, Piaget

Problemlösen als Lernart könnte als Wissensentwicklung verstanden werden und nicht nur als ein

Teilprozess, wie bei Boisot beschrieben („Problem-solving“), denn Höhn (1979, S. 93ff.) beschreibt den kreativen, wissensschaffenden Prozess zur Lösung eines Problems als vierstufig: Vorbereitung, Inkubation, Illumination, Verifikation. Er betont dabei den Unterschied zwischen wirklicher Problem-lösung durch Kreativität und Beseitigung von Schwierigkeiten durch Anwendung bekannter Prob-


lemlösung. Die Lösung liegt fest, nur die Nachvollziehbarkeit und Anwendbarkeit fehlen. Das Vorge-hen beschreibt das Handwerk des Wissensarbeiters. Kreativität durchbricht diese Regeln und kann zu Innovationen führen.

Weitere Autoren stimmen darin überein, dass ein Problem immer in einem bestimmten sozialen und

inhaltlichen Kontext gelöst wird (Koriche 1998 oder Maier 2002). Das dabei entstehende Wissen wird damit assoziiert. Um die Problemlösungsstrategie dieser „alten“ Aufgabe auf eine neue mit unter-schiedlichem Kontext anzuwenden, müssen die Bedingungen für die Anwendbarkeit und ihre Anwen-dungsgrenzen bewusst gemacht werden. Der Lernende übernimmt dabei Steuerungs- und Kontrollpro-zesse (Reinmann-Rothmeier und Mandl 1996).

Lernen als Wissenserwerb scheint eine Verknüpfung von Kommunikation und Informationsverar-

beitung im System zu sein. Individuelle Wissensentwicklung wäre damit als systemimmanenter Vor-gang Teil des Lernprozesses. Die Übersicht der Lernprozesse könnte, unter Trennung der systemim-manenten von den kommunikativen Aspekten, hilfreich sein, die technologischen Möglichkeiten zu testen. Zwar ist die Handhabung und Konditionierung von Computern auf Signalebene inzwischen möglich, aber schon das Begriffslernen ist derzeit nicht hinreichend ausgereift, geschweige denn das selbständige Problemlösen, im Sinne von Entwicklung neuer Regeln aus der Problemlösung.

8.3.2 Lernen als Verhaltensänderung

Nach Birnbaumer (1997, S. 157) ist Lernen aus medizinischer Sicht der Erwerb neuer Verhal-tensweisen und wird von der Reifung, bei der genetisch programmierte Wachstumsprozesse zu Ver-änderungen des zentralen Nervensystems führen, unterschieden. Michael und Nowak (1975, S. 200) heben die Differenzierung von der Reifung in ihrer Definition noch einmal hervor: „Mit dem psycho-logischen Begriff ‚Lernen’ wird jede Verhaltensänderung bezeichnet, die nicht durch Reifung sondern Erfahrung bewirkt wird und länger andauert.“ Lernen ist nach Bergius (1971, S. 9f.) der „Sammelna-me für Vorgänge, Prozesse oder nicht unmittelbar beobachtbare Veränderungen im Organismus, die durch ‚Erfahrungen’ entstehen und zu Veränderungen des Verhaltens führen“.

Vom Lernen abgegrenzt werden biologische und physiologische Vorgänge wie Wachstum, Ermü-

dung, Altern, Einwirkung von Pharmaka oder Verletzungen, die ebenfalls latente Verhaltensänderun-gen bewirken. Beide lassen sich auf der Ebene des a) Individuellen oder des b) Organisationalen Lernens diskutieren. Den Prozess des Individuellen Lernens versteht Kim (1993) im Sinne eines sin-gle-loop learnings als Kreislauf von Bewerten, Entwerfen, Umsetzen, Beobachten. Den Prozess des organisationalen Lernens versteht Fischer (1991) als Auftauen (verfestigter Denkschemata), Bewegen (mentaler „Realitätskonstruktionen“) und Festigen (neuer geteilter mentaler Modelle).

Als eine der Formen, Verhaltensänderungen zu erforschen, gilt der Behaviorismus (Lefrancois

1994). Er untersucht, Kontrolle und Voraussage von Verhalten. Er wurde vom amerikanischen Psy-chologen John Broadus Watson begründet und entsprechend weiterentwickelt. Er basiert auf der ge-nauen Nachweisbarkeit des Verhaltens, um Verstärkungsmechanismen festlegen zu können. Didakti-sche Gestaltung und Anreize wie Verstärkung, Strafen oder Feedback sind bekannte Mittel hierfür.

Verhalten beruht nach Birbaumer (1997, S.157) dabei schwerpunktmäßig auf prozeduralem, impli-

zitem Wissen und lässt sich über nicht assoziatives Lernen (Habituation und Sensitivierung) beeinflus-sen. Habituation ist die Form der Anpassung an einen wiederholten, für den Organismus aber als un-wichtig erkannten Reiz. Durch Habituation lernen Menschen, Reize zu ignorieren, die keinen Neuigkeitswert oder keine Bedeutung mehr haben, so dass sie ihre Aufmerksamkeit wichtigeren Er-eignissen zuwenden können. Habituation ist ungleich der Adaption. Diese bezeichnet die Erhöhung der Reizschwelle eines Sinnesorgans bei kontinuierlicher Reizung. Sensitivierung ist der Lernvor-gang, bei der eine Zunahme einer physiologischen Reaktion oder eines Verhaltens auf Reize nach Darbietung eines besonders intensiven Reizes zu beobachten ist.

Im Hinblick auf die Wissensentwicklung ist festzuhalten, dass implizites Wissen (das Verhalten)

durch die Erfahrung ohne Mitwirkung des Bewusstseins und ohne bewussten Zugriff auf einen


bestimmten Gedächtnisinhalt verändert werden kann. Aus Sicht der Verhaltensänderung lässt sich erkennen, dass ein Aufbrechen, ein Bewegen für eine Änderung notwendig ist. Vermutlich dürfte dies nur ein Teilaspekt der Wissensentwicklung sein, da nicht jede Entwicklung aufbrechen muss, manche kann auch ergänzen oder kombinieren. Darüber hinaus zeigt sich der Aspekt der Längerfristigkeit. Da aber Wissen als Basis für eine Verhaltensänderung gilt, dürfte dieser Aspekt für die weitere Diskussi-on nicht ins Gewicht fallen.

8.3.3 Lernen als (neuro-)biologische Veränderung

Neurobiologische Forschung geht nach Dilger (2006) von der Charakterisierung von Gehirnprozes-sen aus, dringt aber bei dem Versuch ihrer funktionellen Beschreibung kaum bis zur Erklärung kogni-tiver Leistungen vor. Danach können Wissensentwicklung und Lernen (im Sinne von Wissensentwick-lung und Kommunikation) mit den Veränderungen durch Immunreaktionen assoziiert und beschrieben werden. Wissen entsteht dabei durch Veränderungen des Organismus in Form von Leiter-bahnen, Konzentrationen, Rezeptoren oder anderen physischen Merkmalen.

Lernen im Immunsystem bedeutet, die Anzahl und die Affinität derjenigen Lymphozyten zu erhöhen, die sich bei einer antigenen Reaktion als nützlich erwiesen haben. Das Immunsystem als Ganzes ist also nicht statisch, es hat vielmehr eine Tendenz, sich von einem zufälligen Anfangszustand aus sich zu einem Repertoire an Mechanismen, die an die aktuelle antigene Umgebung angepasst sind, zu entwickeln. Da aber die Gesamtzahl der Lymphozyten im Körper reguliert ist und nicht beliebig wachsen kann, hat das Anwachsen der Größe eines Klons (als Menge von Lymphozyten verstanden) die Reduzierung eines anderen Klons zur Folge. Die Gesamtzahl der Lymphozyten ist allerdings nicht konstant, sie kann in gewissen Grenzen schwanken. Wenn das Immunsystem nur lernt, indem es die Population spezifischer Lymphozyten vergrößert, dann hat es drei Möglichkeiten zum Ausgleich: Es kann früher gelernte Antigene „vergessen“, es kann wachsen, oder es kann den Teil seines Reper-toires gleichmäßig verringern, der zufällig erzeugt wird und für das Erkennen neuer Antigene zu-ständig ist.

Lernen im biologischen Sinne bedeutet eine Veränderung des Mischungsverhältnisses, Anwachsen

einer spezifischen Population oder Affinitätssteigerung des antigenen Rezeptors. Diese Erfahrungen werden über lange Zeit in ruhenden Lymphozyten gespeichert oder das System bedient sich einer Auf-frischung durch sog. low-grade chronische Infektion, einem Ausgesetztsein ohne akute Infektion. Auch durch Punktmutationen, Löschung kurzer Abschnitte oder Vertauschung der Sequenz als Folge einer Genkonversion verändert sich das System. Wichtig ist, dass es immer zwei gegenläufige Muta-tions- und Optimierungsprozesse gibt, um ein Steckenbleiben in lokalen Optima zu vermeiden und eine ausreichende Vielfalt zu gewährleisten.

Charakteristika für das Lernen und den Umgang mit Wissen, wie Erkennung von Eindringlingen,

im Immunsystems sind die Begrenztheit der verfügbaren Objekte (hier Lymphozyten) und die Ge-samtbalance zur Vermeidung lokaler Optima.

Aus der Übertragung der dargestellten Funktionsweise bei der Erkennung von Eindringlingen auf

die Wissensentwicklung wächst die Erkenntnis, dass Wissen durch Mischverhältnisse, also Zustän-de, repräsentiert werden. Für eine Beschleunigung des Denkens müssten sich Problemlösungen multiplizieren lassen. Wissen entstünde, wo sich die Anzahl ähnlicher Problemlösungen erhöht.

8.4 Wissensentwicklung – psycho-linguistische Sprachproduktion

Nachdem Sprache Explikation eines Systems ist und damit Basis für die Kommunikation, soll in diesem Kapitel die Besonderheiten des bewussten Lernens zum Wissenserwerb aus linguistischer Sicht vertieft werden. Der Entstehungsprozess von Sprache könnte Modelle für die Entstehung von Wissen beisteuern, indem er Erkenntnisse der Bedeutungsentwicklung auf die Wissensentwicklung überträgt und Bedeutung als ein Wissensprodukt auf einer anderen Abstraktionsebene begreift.


Die Explikation wird von Linguistikern als wissensbasierter Planungsprozess im Sinne einer Überführung von vorsprachlichen konzeptuellen Repräsentationen in grammatische Repräsentationen mit einer abschließenden lautsprachlichen Realisierung verstanden (Herweg 1992). Der elaborierteste Modellentwurf, der die Resultate einer Vielzahl dieser psycholinguistischen Untersuchungen zu einem Gesamtbild zusammenführt, wurde von Levelt (1989) vorgelegt. Er beschreibt einen dreistufigen Pro-zess mit einer Konzeptualisierungs-, Formulierungs- und Artikulationskomponente. Sprachprodukti-onsmodelle unterscheiden für gewöhnlich drei Hauptbereiche der Verarbeitung: einen pragmatisch-konzeptuellen, einen syntaktisch-semantisch formulativen und einen sensomotorisch artikulatorischen.

Fraglich bei der Sprachproduktion ist, wie die hohe Erzeugungsgeschwindigkeit realisiert wird. In

Levels Modell bearbeiten die Komponenten nicht vollständige Strukturen, sondern bearbeiten frag-mentarische Eingaben sequentiell, während die Komponenten selbst parallel arbeiten. Sie trennen dabei die semantische Information vom Konzept in eine eigenständige Komponente ab und erlauben einen geringeren Informationsgehalt in der Konzeptualisierungsphase. Dies bewirkt eine Beschleuni-gung, da nicht alle Informationen in jeder Komponente zur Verfügung stehen müssen.

Linguistiker unterscheiden die vorsprachliche Konzeptionsphase (lemma) von der Artikulation (le-

xeme). Alber (2000) reicht für die Erklärung Wissensentwicklung die sequentielle regelgeleitete Ma-nipulation von Symbolen nicht mehr aus. Auf Basis distributierter subsymbolischer Repräsentationen lassen sich am Beispiel der Adjektivkonstruktion kognitive Prozesse aus einem inneren Konstrukti-onsprozess ableiten.

Die Besonderheit der subsymbolischen Repräsentation besteht darin, dass dasselbe Sprachprodukt

in seiner Erscheinung von zwei vollkommen verschiedenen kognitiven Fähigkeiten entwickelt worden sein kann. Dabei können verschiedene Produkte auf dem gleichen Prinzip beruhen. Alber lehnt die Annahme einer Universalgrammatik als „minimalist program“ ab, da sie von einfachen Grundeinheiten der Sprache ausgeht und diese von der symbolischen Theorie ausgeht. Sie orientiert sich an den Erscheinungen und Produkten (Chomsky 1996).

Für die technologische Modellbildung ist daher zu überlegen, ob und wie subsymbolische Struktu-

ren abgebildet werden können. Alber nutzt simulative Manipulationen als Mittel zur Hypothesenbil-dung, was experimentell nicht möglich ist. Das Modell basiert auf der Methode der Bindingvektor-Repräsentation und nutzt als Interpretationsmethode das Conjunctive-Coding (McClelland und Ka-wamoto 1986, Fodor und Pylyshyn, 1988). Dabei wird die Rolle von Konzepten anhand von ihren Mikrofeatures bestimmt. Im Gegensatz zu konnektionistischen Modellen ist dies in der Lage, Bezie-hungen zwischen Konzepten in Form von Strukturen eindeutig darzustellen, und könnte Anregung für semantische Technologien sein.

Eine wichtige Rolle für die spätere Kommunikation spielt der „Zustand oder Status“ von Informati-

onsbausteinen (Alber 2000, S. 157). Der Status beruht auf dem (Langzeit-)gedächtnis und modelliert die Dynamik der Informationsverarbeitung im Sprecher (vgl. Bewertung von Information aufgrund der Quelle, Aktualität, damaligem Kontext, etc.). Der temporäre Aufbau von Status und damit einem Ver-ständnis von Zusammenhängen bedarf einer (temporären) Speicherung. Nach Hermann und Grabows-ki (1994) können die temporären Konzeptualisierungen der psychologischen Theoriebildung als Be-wusstsein bezeichnet werden. Demnach wird Wissen nicht in festen Konzeptgedächtnissen gespeichert, sondern als Bedingungen und Regeln zur Wissensentwicklung. Induktiv betrachtet entste-hen aus den Bedingungen erste vage Begriffe, Prototypen oder Anker, um die Wissen im Sinne von Konzepten entstehen kann. Deduktiv betrachtet bilden theoretische Vorgaben oder Templates die An-ker. Ein Anker ist die Fixierung einer Merkmalsausprägung oder eines -pfades innerhalb eines kon-zeptuellen Rahmens. Er ist der Übergang von paralleler Informationsverarbeitung in Sequenzen im Hinblick auf die Perspektive. Anker sind damit Konzeptualisierungspunkte. Der um den Anker ent-stehende Prototyp stellt die Basis dar für die Regulierung des Spezifitätslevels.

Auch wenn an dieser Stelle nur die wesentlichen Aspekte herausgegriffen werden konnten, wird

deutlich, dass eine weitere Unterteilung der Sprachproduktion bis hin zu subsymbolischen Elementen die Entstehung von Sprache als Artikulation von Konzepten und Informationszuständen ermöglichen.


Auch sie gehen von einer konstruktivistischen Form aus und kombinieren sequentielle und parallel Verarbeitungen. Induktiv betrachtet wirken Anker als Kristallisationspunkte für Konzepte. Neue Beg-riffe entstehen als Hypothesen durch die Verwendung von Begriffen als Anker in leicht veränderte Zu-sammenhänge und Ähnlichkeiten mit späterer Bestätigung.

8.5 Wissensentwicklung – psychologische Diskussion der Bewusstseinsbildung

Für die Eigenschaft des Zustandes von Wissen könnten psychologische Betrachtungen des Be-wusstseins Anleihe sein. Eine finale Definition von Bewusstsein scheint es nicht zu geben. Lexikalisch ist damit nach Müller-Koch (2007) die Fähigkeit gemeint, über mentale Zustände, also etwa Ge-danken, Emotionen, Wahrnehmungen oder Erinnerungen, zu verfügen und sich deren gewahr zu sein. Die Rolle des Bewusstseins findet sich ebenso in der philosophischen Diskussion des Kon-struktivismus. Die biologische Diskussion wird im folgenden Kapitel in stark reduzierter Form ge-führt. Sie zeigt lediglich die Perspektive auf.

Oft wird Bewusstsein als Selbstbewusstsein verstanden und damit als die Fähigkeit, sich seiner selbst gewahr zu werden. Grundlage ist eine gewisse Selbstähnlichkeit der Systeme, eine Redundanz von Informationen und eine selbst-referentielle, zirkuläre Entwicklung (Primio 1998, S. 24ff.). Das heißt nicht nur eine Lösung bereitzustellen, sondern auch die Werkzeuge und Anleitung, diese herzu-stellen und zu verstehen.

Die Forschung unterscheidet zwei Problemstellungen: das Qualiaproblem und das Intentionalitäts-

problem. Das Qualiaproblem beschreibt den subjektiven Erlebnisgehalt (Qualia) eines mentalen Zu-standes und damit die unklare Verbindung zwischen objektiv messbaren, naturwissenschaftlichen Er-kenntnissen des Gehirns und dem Erleben (Peirce 1966 und Lewis 1991). Das Intentionalitätsproblem beschreibt den Bezug des Erlebten und Erlebbaren auf ein Handlungsziel unter einer Intention oder Absicht.

Als weiterer Aspekt im Zugang der Erklärung des Bewusstseins wird herausgestellt, dass das Be-

wusstsein nur durch die eigene Erfahrung und damit durch eine subsymbolische Form zugänglich wird. Diese Zugänge wurden von Spinoza als Intuition und Intellekt differenziert.

Fraglich bleibt in diesem Zusammenhang also, inwieweit eine symbolischer Herangehensweise Zu-

gang zur subsymbolischen Ebene erlangt. In einem rationalistisch-naturwissenschaftlichen Gedanken-gebäude müsste Bewusstsein reduktionistisch erklärbar sein. Auch wenn folgendes Kapitel den Stand der Forschung hierzu kurz darlegen soll, ist dies bisher nicht abschließend möglich. Für die Entwick-lung von Wissen auf der Verständnisbasis von Wissen als Zustand können also das Qualiaproblem und sein subsymbolischer, unbewusster Charakter nicht außer Acht gelassen werden.

8.6 Zwischenfazit

Das Kapitel hat die Wissensentwicklung und seine Modelle in verschiedenen Disziplinen unter-sucht und dargestellt. Insbesondere die lerntheoretische Perspektive wurde dabei vertieft, da sie die höchste Ähnlichkeit zum Konzept der kontinuierlichen Zustandsbildung aufwies.

(A-4.1) Wissensentwicklung ist ein Prozess der individuellen Bedeutungsbildung im Rah-men eines Lernprozesses.

In Anlehnung an die Kommunikationstheorie von Luhmann (1995) wird Wissen beim Empfänger in seinen Erfahrungskontext gestellt. Dieser Vorgang kann im Sinne eines Lernprozesses mit Hilfe der Kommunikation wiederholt werden. Er ist Teil des Lernens, jedoch nicht der Gesamtprozess selbst. Die Wissensentwicklung und der Umgang mit Wissensprodukten wird durch die drei in Abbildung 11 dargestellten Faktoren bestimmt.


Abb. 12. Einflussfaktoren im Umgang mit Wissensprodukten

Die Governance beschreibt den Grad der möglichen Vielfalt an Semantik. Organisatorische Vor-

gaben schränken diesen auf ein Minimum ein und lassen sich manuell vorgeben. Die Schlussrichtung beschreibt die Art der Wissensentwicklung. Ein Proposal Manager arbeitet deduktiv in vorgegebenen Folderstrukturen. Ein Sales Manager arbeitet induktiv basierend auf vorhandenen Informationen.

Ein Dialog zwischen den beiden ist abhängig vom Abstraktionslevel. Abstraktion ist allgemein ge-sprochen das Weglassen von Einzelheiten. Sie dient der Ordnung durch Klassifizierung. Durch Abs-traktion entstehen Gattungen und Klassen. Bei der Suche wirkt Abstraktion auf die Ergebnisrelevanz. Für eine subjektiv hohe Relevanz braucht es ein Mehr an Details. Diese widersprechen aber der Ver-einfachung durch Abstraktion. Die Herausforderung der KI ist damit, den aufwendigen Umgang mit Informationsdetails dem Nutzer abzunehmen und sie ihm nur situationsgerecht bereitzustellen.

(A-4.2) Organisationelle Modelle der Wissensentwicklung beziehen sich ex post auf den Gebrauchswert von Wissen. Sie können nicht direkt, aber über Abstraktionsebenen auf die individuelle Sicht übertragen werden.

Bisherige Modelle der organisationellen Wissensentwicklung grenzen Wissen als relevante Infor-mation im Sinne einer Unternehmensressource ab und verstehen Wissen als Objekt im organisatio-nellen Rahmen. Sie beschreiben zwar die Bedeutung des Kontextes, erklären diese jedoch nur unzu-reichend. Sie gehen auf die Viabilität, den Anwendungsbezug, ein, lassen jedoch seine Vergänglichkeit und Subjektivität weitgehend unberücksichtigt. Ausgehend von den Grundlagen des Learning Cycle von Boisot (siehe Kapitel 8.1.3) und linguistisch-konstruktiven Aspekten aus der Konzeptbildung bei Individuen lassen sich die Besonderheiten des zugrunde gelegten Wissensver-ständnisses in ein Modell der individuellen Wissensentwicklung (Kapitel 11) integrieren.

Individuelle und organisationelle Perspektive können über verschiedene Abstraktionsstufen in

einen Dialog oder ein „kommunikatives Spiel“ treten. Dazu werden Wissensobjekte in der Praxis in fünf Abstraktionsebenen gegliedert. Im klassischen Ansatz der Wissensverteilung kodifizieren Do-kumente Wissen und repräsentieren auf der Wissenstreppe die Wissensebene. Aus organisationeller Sicht besteht auf Folderebene eine geringe Begriffs-Varianz mit hoher Governance. Folderstrukturen werden zentral vorgegeben und Nomenklaturen für die Bezeichnung von Dokumenten aufgestellt. Erst die darin enthaltenen Informationen und Daten repräsentieren die Vielfalt der Mitarbeiter und Mei-nungen.

Wissens-produkt

Governance

Schluss-richtung

Abstraktions-level


Abb. 13. Induktive und deduktive Wissensentwicklung als „Dialog“ zwischen organisationel-

ler und individueller Perspektive Wissensentwicklung erfolgt, wie die eigene Darstellung in Abbildung 12 zeigt, induktiv (bottom-

up) oder deduktiv (top-down) als Dialog zwischen den Perspektiven. Die meisten schließen naturwis-senschaftlich, induktiv aus einer (empirischen) Datenbasis über begriffliche und symbolische Metho-den. Deduktives Schließen ist stark durch manuelle, organisatorische Vorgaben geprägt und schließt vom Allgemeinen ins Spezielle. Fraglich ist, ob semantische Verfahren die manuellen Vorgaben dy-namisieren können und damit einen neuen Zugang zur Wissensebene ermöglichen. Der Aufwand für manuelle Vorgaben ist in dynamischen Umgebungen immer weniger vertretbar.

(A-4.3) Wissensentwicklung zeigt Teilprozesse auf, die mit Hilfe intelligenter Technologien ersetzt oder besser unterstützt werden können.

Der Redaktionsaufwand entsteht bei induktiver Wissensentwicklung aus dem Explizierungsbe-darf an Konzepten, um die aus Daten abgeleiteten Informationen zusammenzuführen. Bei der de-duktiven Wissensentwicklung erwächst der Bedarf zur Explizierung und Detaillierung der Vorga-ben und Ziele, um Daten spezifisch und genauer auszuwählen und zu identifizieren. Zur Senkung des Redaktionsaufwands in der induktiven Wissensentwicklung wäre eine aufwandsarme Erhebung von Situationsbedingungen hilfreich, in der deduktiven Wissensentwicklung eine Paketierung und Stan-dardisierung von Zielen und Vorgaben. Kapitel 10 wird mit Hilfe nativer Informationsstrukturen und peer-to-peer-Strukturen im Rahmen des Semantic Desktop Ansätze dazu aufzeigen.

(A-4.4) Als Lernprozess begegnet Wissensentwicklung der Vergänglichkeit und den explo-rativen Eigenschaften wissensintensiver Prozesse durch ein rekursives Verhalten (Vergänglichkeit).

Wissensentwicklung ist als rekursive (basierend auf den Erfahrungen und Zielen) Entwicklung die ständige Konstruktion des individuellen Zustandes. In der induktiven Wissensentwicklung ist dies der Weg zu höheren Abstraktionsebenen. In der deduktiven Wissensentwicklung sind die Zustände expli-zit und top-down vorgegeben, bedürfen aber einer kontinuierlichen Erneuerung.

Zuvor unbekannte, explorative und nicht im Detail wiederholbare Prozesse erfordern jedes Mal eine

neue Lösung. Wissen entsteht dabei als Lösung aus dem Prozess. Der Konstruktivismus versteht Wis-

Folder

Inhalt und Text(Information)

Daten

Gliederung

induktiv

Wissens-produkt

dedu

ktiv

Dokument

Organisationelle

Perspektive

Individuelle Perspektive

Sta

tistik

Sem

ant

ikS

ub-

sym

bo

lik

Ab

stra

ktio

nseb

en

en


sen per se schon als einen sich ständig neu konstruierenden Zustand. Er bietet damit eine sehr gute philosophische und theoretische Basis zur Untersuchung der Einzelaspekte im Hinblick auf ihre technologische Unterstützung.

(A-4.5) Die Psychologie addressiert mit der Bewusstseinsbildung im Rahmen der Bedeu-tungsbildung die Intention des Subjekts (Subjektivität).

Disziplinen, die Lern- und Wissensprozesse beim Individuum untersuchen, wie Psychologie, Lin-guistik oder Kommunikationstheorie, respektieren die Subjektivität und die Beteiligung des Indivi-duums mit seiner Intention am Prozess. Sie ist Teil der individuellen Bedeutungsbildung und müsste in einer technologischen Abbildung Niederschlag finden.

Der subjektive Charakter von Wissen unterteilt sich weiter in einen bewussten, symbolischen Teil

des Wissenserwerbs und einen subsymbolischen, unbewussten Teil der Verhaltensänderung, da es sich nicht rein reduktionistisch erklären lässt. Betrieblich herausfordernd ist der Umgang mit implizi-tem, unbewußtem und subsymbolischem Wissen.

(A-4.6) Wissensentwicklung stellt eine Lösung des Kontextproblems durch Umgang mit Subsymbolik in Aussicht (Viabilität).

Grundsätzlich mangelt es der Technologie nach Dreyfus (1986) an einem common-sense-Verständnis. Es wird über semantische Technologien nur in dem Maße adressiert, wie ihre zugrunde-liegenden Ontologien verfügbar sind. Würde es gelingen, dem System eine direkte subsymbolische, system-immanente Kommunikation zu ermöglichen, könnten Teilprozesse nicht nur unterstützt, son-dern vollständig abgebildet werden.

Der induktive Umgang mit Konzepten wird derzeit auf der Basis von manuell vergebenen Meta-

Daten genutzt. Die Internet-Gemeinschaft versucht, dem großen manuellen Aufwand durch sog. Crowdsourcing (Howe 2006) zu begegnen. Dabei trägt jeder Teilnehmer einen kleinen Teil zur manu-ellen Beschreibung bei. In Summe ergibt sich eine wichtige Beschreibungsbasis. Aus betriebswirt-schaftlicher Sicht ist dies eine effiziente Methode. Fraglich ist, inwieweit dies auf die Dauer kosten-technisch tragfähig ist. Hierin liegt gleichzeitig der Anreiz, technologische Abhilfe zu schaffen.

Eine automatische Erfassung des Kontextes ist ein Beitrag zur Reduktion dieses Redaktionsauf-

wands. Ein technologischer Umgang mit Subsymbolik würde eine direkte Kommunikation auf Kon-zeptebene ermöglichen (F-4.4.1). Kapitel 9 wird auf die Diskussion eingehen, wie wie sich subsym-bolische Konzepte erfassen und verarbeiten lassen.


9 Relevante Methoden und Technologien der Künstlichen Intelli-genz für die Wissensentwicklung

Im Vordergrund der Überlegungen dieses Kapitels steht die Frage, wie weit sich wissensintensive Prozesse und -schritte automatisieren lassen und wie sich der Redaktionsaufwand für das Informa-tion-Retrieval senken lässt.

Bei wissensintensiven Prozessen liegt das Wissen im Prozess, während bei einer rein technologi-

schen Unterstützung das Wissen in den Tools und Methoden zu finden ist. Begrifflich lassen sich nach Chroust (1992) folgende Aspekte unterscheiden: Methoden werden dabei als eine systematische Handlungsvorschrift (Vorgehensweise) verstanden, um Aufgaben einer bestimmten Klasse zu lösen. Verfahren sind darauf aufbauend Wege zur Lösung bestimmter Probleme oder Problemklassen im Sinne von ausführbaren Vorschriften oder Anweisungen zum gezielten Einsatz von Methoden. Eine Methode kann durch mehrere Verfahren unterstützt werden. Technologien sind Verfahren im Anwen-dungskontext und die Anwendung von Technik. Diese operationalisieren Prinzipien, um vorgegebene Ziele leichter, schneller, sicherer, präziser oder in sonstiger Hinsicht günstiger erreichen zu können.

Das Arbeitsfeld der Künstlichen Intelligenz (KI) stellt seit Jahrzehnten Technologien zur Verfü-

gung mit dem Versuch, menschliche Intelligenz als Fähigkeit durch „Mechanisierung von Denkpro-zessen“ (Knauf 2004) künstlich zu simulieren und nachzubilden (König 2003, S. 175, Karagiannis 2001). 1956 prägte J. McCarthy den Begriff „artificial intelligence“. Nach Dreyfus und Dreyfus (1986, S. 79) krankt sie am Problem des Allgemeinwissens und sich ständig verändernder Relevanz.

Intelligenz im Allgemeinen beschreibt in Abgrenzung zu Wissen eine rationale (im Sinne der Emo-

tionalen Intelligenz auch emotionale) Fähigkeit, Wissen und damit den Zustand der subjektiven Wirk-lichkeit, zu entwickeln. Diese basiert nach Karagiannis (2001, S. 14) auf der Fähigkeit zur Zerlegung komplexer Probleme, Erkennen von Zusammenhängen, Verstehen von mehrdeutigen Sachverhalten, Fähigkeit zur Vorhersage, Bewerten von Alternativen, Fähigkeit zur Selbstreflexion, Fähigkeit zur Abstraktion, Fähigkeit zur Wissensaufnahme und Kommunikation. Luhmann (1995) und Wilke (2001, S. 52) ergänzen hierzu die Entscheidungsfähigkeit als das eigentliche Kriterium effektiver Systeme und nicht die Rationalität per se. Nach Eraßme (2002) ist daher Verhalten dann intelligent, wenn es in dynamischen, komplexen und intransparenten Zuständen brauchbare Orientierung vermit-telt. Struktur und Verhalten dynamischer Systeme untersucht bereits die Kybernetik, die der KI als Ba-sis dient und in in Tabelle 10 nach Schamanek (1998) dargestellt ist.

Tabelle 10. Übersicht Systemtheorien als Basis der Künstlichen Intelligenz

System- Theorien

Systeme Vertreter Verwandtschaft Zugehörigkeit Anwendungsbereiche

Kybernetik Einfache Systeme, Vernetzte Systeme

L.v. Bertalanffy, F. Vester, G. Bateson

Allgemeine Systemtheo-rie

Logik, Mathematik, Informationstheorie

Ökologie, System-analyse, Nachrichten-technik

Kybernetik 2. Ordnung

Selbstorganisie-rende und beo-bachtende Systeme

H.v. Foerster, S.A. Umpleby, J. Casti, R. Ashby, P. Pangaro, G. Pask, u.v.m.

Kybernetik, Konstrukti-vismus, Systemische An-sätze

Grundlagenforschung, Kommunikations- und Komplexitätstheorie, Philosophie

Management, Ökolo-gie, Soziologie, Poli-tologie, Familienthe-rapie

Systemtheorie Selbstorganisie-rende und funktio-nal geschlossene Systeme

H. Maturana, F. Varela, N. Luhmann

Theorie der Autopoiese Soziologie, Biologie Soziologie, Jurispru-denz

Chaostheorie Strukturell einfa-che, determinierte Systeme

E. Lorenz, R.M. May, A. Goldberger, P. Schuster, W. Ebeling, P. Crutchfield

Theorie dissipativer Sys-teme, Katastrophentheo-rie

Physik, Mathematik Populationsdynami-ken, Hydro- und Thermodynamik, Zeitreihenanalyse, Medizin

Fraktale Geo-metrie

Chaotische Syste-me und Iterierte Funktionen- Sys-teme (IFS)

B. Mandelbrot, Fei-genbaum, H.O. Peit-gen, G. Julia

Chaostheorie Physik, Geometrie, Bildbearbeitung

Geometrie, Zeitrei-henanalyse, Bild-komprimierung

Synergetik Komplexe Systeme H. Haken, I. Chaostheorie, Theorie Physik, Chemie Physik (Laser), Mus-


mit globalem Ver-halten

Prigogine, I. Stengers selbstorganisierender Systeme, Theorie dissi-pativer Systeme

tererkennung, Wahr-nehmungspsycholo-gie, Soziologie

Konstrukti-vismus

Erkenntnis- theore-tische Systeme

E.v. Glasersfeld, H.v. Foerster, P. Watzla-wick, F. Wallner

Skeptizismus, (Amerika-nischer) Pragmatismus, Konstruktiver Realismus

Philosophie, Grundla-genforschung

Psychotherapie, Pä-dagogik, Wissen-schaftstheorie

Artificial Neu-ral Nets and Artificial Life

Komplexe und stark vernetzte Systeme

P. Maes, C. Langton, J.J. Hopfield, M. Minsky, S. Papert, u.v.m.

Cognitive Science, Zellu-läre Automaten, Multi-Agenten- Systeme

Informatik, Kogniti-ons- Wissenschaften, Biologie

Künstliche Intelli-genz, Mustererken-nung, Computersimu-lationen

Nach Schamanek (1998) ist die Kybernetik eine Theoriebais für einfache Systeme. Er illustriert in

seiner Übersicht die Zusammenhänge zwischen der Systemtheorie und den abgeleiteten Systemen, je nach Diziplinzugehörigkeit. Er vertieft damit die Einleitung zum Konstruktivismus und ordnet diesen in die Systemtheorie für erkenntnistheoretische System ein.

Hierauf aufbauend, lässt sich die Entwicklung der KI nach Karagiannis (2001 S. 26ff.) grob in

sieben Phasen gliedern: 1. Phase (1943-1956): Erste Schritte mit der Entwicklung eines künstlichen Neurons. Anwen-

dung und Weiterentwicklung der Hebb’schen Regel. 2. Phase (1952-1969): Aufbruch und Begeisterung durch Programmiersprache LISP und Mikro-

welten, um isolierte Probleme zu lösen 3. Phase (1966-1974): Ernüchterung durch die Erkenntnis des Kontextbezugs von Wissen und

der Komplexität der „wirklichen Welt“ 4. Phase (1969-1979): Wissensbasierte Systeme und PROLOG als objektorientierte Program-

miersprache 5. Phase (1980-1988): Wirtschaftliche Erfolge durch Expertensysteme 6. Phase (ab 1982): Weiterentwicklung der künstlichen Neuronalen Netze (KNN) 7. Phase (ab 1987): Anwendungsorientierte Forschung und Wissens“verwaltung“

Die weitere Entwicklung ist geprägt durch den Einfluss und Erkenntnisse verschiedener anderer

Disziplinen, wie die Linguistik, Neuro-Medizin, Psychologie u.a. Sie betreffen, wie in Kap. 1 darge-legt, die Diskussion um die Wissensentwicklung. Dann kann sogar von einer „knowledge intelligen-ce“ gesprochen werden. Es würde die Fähigkeit ausdrücken, Wissen zu entwickeln. Problematisch er-scheint, dass das unvollständige Verständnis menschlicher Intelligenz und von Denkprozessen zu einer Begrenzung durch das technisch Machbare führt (Karagiannis 2001). Maschinen handeln nach Uex-küll (1928) nach Plänen, während Menschen wie Pläne selbst sind.

Die KI beruht auf der Basis der Logik und der Bool’schen Aussagenlogik sowie der von u.a. Gödel,

Turing und Church entwickelten Prädikatenlogik (Karagiannis 2001, S. 25). Ihm zufolge lässt sich die kognitive Ebene über die Gedankenformulierung repräsentieren (Verfahren), bevor sie in der Imp-lementierungsebene für technische Abläufe formalisiert wird (Technologien).

Die strukturierte Analyse der methodischen und technologischen Grundlagen Künstlicher Intelli-

genz illustrierte die Vielfalt an Verfahren auf unterschiedlichen Abstraktionsstufen. Sie helfen, geeig-nete Verfahren für wissensintensive Prozesse zu wählen und semantische Technologien, wie Gnowsis, einzuordnen. Ebenso können die in der KI bereits enthaltenen Erkenntnisse als technologische Sicht in die Untersuchung der Wissensentwicklung einfließen.

Daraus ergibt sich ein deklarativer und prozeduraler Erklärungsrahmen für Technologien in

den Verfahren Repräsentation, Mustererkennung und Problemlösung. Deklarative Verfahren set-zen manuelle Erfassungen und Definitionen voraus und lassen sich durch eine prozedurale Abbildung automatisieren. Nach Primio (1998, S. 24) verfügen die wenigsten KI-Systeme über ein Modell von sich selbst und kennen nicht ihre eigenen Grenzen. Eine Verbesserung der Verfahren zur Annäherung an die Sub-Symbolik könnte über rekursive, prozedurale Verfahren erreicht werden.


Tabelle 11 zeigt exemplarisch eine Auswahl von Verfahren. Pro Methode lassen sich verschiedene Verfahren anwenden und kombinieren. Die Technologieübersicht erhebt keinen Anspruch auf Voll-ständigkeit, sondern dient primär der späteren Einordnung des Semantic Desktop.

Tabelle 11. Übersicht über diskussionsrelevante Verfahren der Künstlichen Intelligenz

Verfahren Repräsentation Mustererkennung Problemlösung

Methoden nach Abs-traktions-

ebene

deklarativ prozedural deklarativ prozedural deklarativ prozedural

Sym

bole

Feature-Maps Kohonen-Map

Multi-Agentenper-

zeptoren Vektormodelle

Überwachtes Lernen, wie

Bayes-Klassifikatoren

Entschei-dungsbäume, Heuristiken

Experten-systeme

Bed

eutu

ngen

un

d K

lass

en

Ontologien, semantische

Netze

Kontextbeo-bachtung

Ontology mappings

Ontology mat-ching

Case-based reasoning

Multi-perspective reasoning

Kon

zept

e

Neuronale Netze

Back-propagation

Eigen-/ Fisher-faces Methode

Unüberwach-tes Lernen,

wie constraint-satisfaction Netzwerke

Natural langu-age proces-

sing

Multi-agent Architektuen

Die Übersicht macht deutlich, dass für einen technologischen Umgang mit einem Wissensprodukt

eine Vielzahl an technischen Verfahren in Frage kommt. Als Beispiel zur Illustration: Ein Angebot lässt sich als Wissensprodukt in fünf Abstraktionsebenen zerlegen. Jede Ebene wird durch mindestens vier Methoden deduktiv und induktiv nach oben und unten verknüpft. Jede Methode lässt sich nach obiger Tabelle durch mind. sechs Verfahren beschreiben. Unbeschrieben bleiben hier die Varianten an Programmiersprachen, die für die Verfahren denkbar sind. Daraus folgt, dass für ein Wissenprodukt, rein rechnerisch, 120 Verfahren (5 Ebenen x 4 Methoden x 6 Verfahren) anwendbar und zu verknüp-fen wären.

Im Folgenden werden die aufgezeigten Beispieltechnologien zur Illustration der wesentlichen As-

pekte eines Verfahrens vorgestellt. Jedes Verfahren betrachtet dabei die drei methodischen Ebenen Symbole, Bedutungen und Konzepte. Am Ende werden die wesentlichen Erkenntnisse für als Grund-lage für den Semantic Desktop zusammengefasst und dieser in die Landschaft eingeordnet.

9.1 Repräsentation

Repräsentation ist, allgemein gesprochen, die Beschreibung und Abbildung von etwas. Information ist die Repräsentation einer Bedeutung. Diagramme, als eine Repräsentationsform, dienen der Darstel-lung von Konzepten wie Prozessen (Debenham 2000). Sie dient der Vereinfachung, Übersetzung zur Kommunikation oder allgemein gesprochen, dem Umgang mit dem Inhalt.

Die Theorien zur Repräsentation werden nach Rickheit und Strohmer (1993) als mentale Modelle

bezeichnet. Nach Schwarz (1992) sind mentale Repräsentationen eines kognitiven Systems systemin-terne Zustände, die systemexterne Zustände abbilden und quasi als solche einfrieren. Sie folgen nach Alber (2000) dem ökonomischen Speicherprinzip in ihrer optimalen Abstraktionsstufe. Demnach wird die Repräsentationsform gewählt, die ein Optimum zwischen Speicherbedarf und Detailgenauigkeit erlaubt. Dabei wird die Repräsentation des eigentlichen Inhalts als symbolisch begreifbar von der Repräsentation des Konzepts als subsymbolisch und nicht mit den Sinnen fassbar unterschieden.


In der Linguistik verwendet Alber für die Beschreibung der Adjektivkonstruktion Repräsentationen weniger im Sinne von Abbildungen, sondern als innere individuelle Konstruktion auf der Basis von semantischen Netzwerken. Diese können in Form von kognitiven topologischen Karten vorliegen. Die Erzeugung von Sätzen kann als Vorgang der Symbolmanipulation beschrieben werden. Sie wendet Regeln auf der Grundlage von Wörtern an, die den Status von Symbolen haben (Alber 2000).

Symbole sind begriffliche, konzeptuelle Zuordnungen zu bestimmten Merkmalsausprägungen

und Mustern von Signalen. Sie repräsentieren bestimmte Zustände, die über Sensoren erfasst werden (Frequenzen, Wellen, etc.). In Form von Modellen, Formeln und Algorithmen lassen sich diese digita-lisiert repräsentieren. In ihrer Grundform basieren Computer auf Nullen und Einsen, die per se schon nur eine bestimmte Repräsentation der Wirklichkeit ermöglichen. Eraßme (2002) bezeichnet dies als Symbolismus. Er basiert auf begrifflichen Konzepten und nutzt heuristisches Problemlösen durch ge-zielte Einschränkung des Lösungsraums der zu testenden Thesen und systematische Symbolmodifi-zierung auf der Basis von Regeln. Die Schwierigkeit, wie in der Gesichtserkennung, ist die mangeln-de Formalisierbarkeit der Probleme und lange Lösungszeiten.

Symbole hängen in ihrer Form nicht mit dem Konzept zusammen. Sie sind eindeutig, atomar und

haben Tokenfunktion. Sie sind in einem System also unersetzbar. Das Entfernen eines Symbols aus einem System führt zum Verlust des ganzen Konzeptes, auf welches das Symbol referiert. Da Konzep-te ihrerseits eine Repräsentation eines Wirklichkeitszustandes sind, könnten sie als interne Symbole verstanden werden, die dem Nutzer nicht bewusst zugänglich sind, sondern nur in der Interaktion der „Units“ temporär existieren. Als subsymbolisches Modell geben sie somit nur die symbolische Reprä-sentation auf, nicht aber die Grundlage symbolischen Denkens: Konzepte und Kategorien.

Karagiannis unterscheidet als Repräsentationsmethoden deklarative (objektorientierte Modelle,

Datenmodelle, lexikalische und regelorientierte Repräsentation) und prozedurale (Methoden und Programme) (Karagiannis 2001, S. 54f.)

Diese finden sich nach Knauf (2004) in unterschiedlichen Programmiersprachen wieder. Prozedu-

rale, objekt-orientierte Sprachen sind explizite Problemlösungsalgorithmen, während deklarative Spra-chen eine funktionale Beschreibung des Problems vornehmen. Als Beispiele deklarativer Sprachen gelten PROLOG, LISP, C++, Corba IDL oder Algernon, KQML (Knowledge Query and Manipulation Language) und KIF (Knowledge interchange format). Prozedurale Lösungsalgorithmen werden als Backtrack-Methode bezeichnet und erraten oder testen eine Lösung im Gegensatz zu deklarativen Heuristiken.

Die Sprachen umfassen eine höhere ontologische Abstraktion und bauen auf tieferen Abstraktionen

und Repräsentationen auf. So baut Basic auf Assembler auf, etc. Sie folgen einer manuellen Explika-tion der Abstraktionsebenen und einer formalen Ontologie. Sie basieren auf einer euklidischen Ge-ometrie.

Neben der reinen Sprache verbreitern Programmiertechniken wie JBoss AOP, Nanning, and

Aspectwerkz (aspect-oriented development) und Architekturen durch Kapselung (wrapping) oder ver-allgemeinerte Prozeduren die Anwendungsbasis der symbolischen Repräsentationen (Franklin 1997, Grundsy 2000, Kiczales 1997, Merk 2001). Für die Erstellung zugrundeliegender Algorithmen können höherwertige, wissensbasierte Sprachen verwendet werden. Damit lassen sich rekursiv weitere Abs-traktionsebenen abbilden. Programmiersprachen sind somit ein wichtiges Hilfsmittel, um die ge-wonnenen Erkenntnisse aus der Komplexitätsanalyse verfügbar zu machen. Interessant dabei ist, wie viel Komplexität und Intelligenz im System und in der einzelnen Einheit wie einem Objekt, Agent oder Aspekt liegt.

Für die Repräsentation auf unterschiedlichen Komplexitätsstufen und semantischen Ebenen sind

unterschiedliche Repräsentationsmethoden bekannt. Die Ebenen sind selbst-ähnlich und rekursiv mit-einander verknüpft, so dass sich die Repräsentationsform der Signalebene auf die weiteren semanti-schen Ebenen auswirken und umgekehrt.


9.1.1 Feature-Maps und Netze als symbolische Repräsentation auf Signalebene

Der Hebb’schen Lernregel nach entstehen Verbindungen durch Verstärkung, wenn zwei Einheiten gleichzeitig aktiviert sind (Hebb 1949, Alber 2000). Sie beruht auf der Theorie der Zellverbände, die bestimmte Aktivierungsmuster repräsentieren. Für die Repräsentation dieser Muster existieren wieder-um verschiedene Modelle, wie MLPs (Multi-Layer-Perzeptrons), Kohonen-maps, Mangold-Alwin Musterassoziator, Expertennetze, Jordan- und Elman-Netze, rekurrente Experten (Tani 1999) und Net-ze oder Hopfield-Netze.

Die Kohonen-Feature-Map ist aufgebaut wie ein zweischichtiger Musterassoziator. Dabei wird ein

mehrdimensionaler Merkmalsraum so auf eine zweidimensionale Ausgabeschicht abgebildet, dass die Ähnlichkeitsbeziehungen zwischen den wichtigsten Merkmalen durch räumliche Distanzen als Vekto-ren repräsentiert auf der Karte abgebildet werden (Kruse et al. 1991). Dieser Lernvorgang ist eine Abstraktion.

Der Mangold-Allwinn Musterassoziator nutzt für den Lernvorgang ein MultiLayer-Perzeptron

(MLP) (Mangold-Allwinn 1993). Dabei existieren neben der Ein- und Ausgabeschicht verdeckte Ebe-nen. Sie ordnen Merkmale den Eingangsknoten zu. Diese codieren die Bezeichnungen der zu verglei-chenden Signale. Interessant bei den Studien von Mangold-Allwinn ist, dass die Zusammensetzungen der konzeptuellen Repräsentationen mit den situationalen Gegebenheiten variieren, woraus unter-schiedliche Ähnlichkeitseinschätzungen in Abhängigkeit von der jeweiligen Situation resultieren.

Diese Beispiele zeigen bereits die Repräsentation von Signalen und Symbolen als eine Einordnung

auf das vorherige Bezugssystem. Sie hängt damit subjektiv vom Sensor oder Betrachter ab und be-zieht sich rekursiv auf diesen. Es wird nur wahrgenommen, was sich über die Repräsentation erfassen lässt.

9.1.2 Ontologien als symbolische Repräsentation auf Bedeutungsebene

Eine Ontologie beschreibt nach Will (2004, S.264) ein Wissensgebiet durch eine standardisierte Terminologie und semantische Beziehungen. Sie nutzt dabei Regeln, die die Themen miteinander in Beziehung setzen. Nach Gruber (1993) ist eine Ontologie eine formal explizierte Spezifikation geteil-ter Konzepte. Sie ist Hilfsmittel der Repräsentation, um Wissens- und Informationsobjekte auszu-tauschen und zu kommunizieren (Studer 2001). Sie unterstützen einen Meta-Prozess, der den Kontext der Informationsobjekte beschreibt. Eine Ontologie weist Begriffen Bedeutung zu (Lorenz 2006, S. 2). Begriffe sind nach Aristoteles in Worten manifestierter Seelenausdruck. Ihre Bedeutung resultiert aus dem Kontext und der Perspektive des Betrachters. Das gemeinsame Verständnis ermöglicht die Kommunikation über das Themengebiet und beschreibt konzeptuell strukturierte Interessensge-biete und Domänenmodelle (Stumme 2005). Allgemein gesprochen, ist eine Ontologie eine Wissens-repräsentation eines formal definierten Systems von Begriffen und Relationen. Philosophisch betrach-tet, erklärt Ontologie die Beschaffenheit der Welt. Epistemologie erklärt im Kontrast die Beschaffenheit unserer Erfahrung von dieser Welt (Förster 1993).

Verschiedene Sachverhalte und Phänomene können über Ontologien repräsentiert werden. Während

Domain-Ontologien Konzeptualisierungen für Wissensbasen bestimmter Domänen sind, beinhalten Task-Ontologien Methoden zur Bearbeitung von Aufgaben. Generische Ontologien verkörpern all-gemeine Konzepte. Sie existieren in mehreren Domänen.

Üblicherweise sind nach Lorenz (2006) Ontologien in informationstechnisch verarbeitbare statische

Taxonomien mit mehrfacher Vererbung und disjunkten Unterkategorien organisiert. Durch Nutzerbe-obachtung können diese dynamisch weiterentwickelt werden, wenn sie häufigen Änderungen unterlie-gen. Zur Abbildung des richtigen Abstraktions- und Detaillierungsgrades bei der manuellen Erstellung helfen Kompetenzfragen. Sie werden mit Hilfe der Ontologie beantwortet. Das Aufstellen und Entwi-ckeln von Ontologien ist im rein subjektiven Sinne keine Wissensentwicklung. Die Erkenntnisse der Wissensentwicklung lassen sich aber hierauf im Sinne einer Explizierung von implizitem Wissen an-wenden und aus technischer Sicht als ein wissensintensiver Prozess begreifen. Auf dieser Basis ließe sich die Erstellung von Ontologien selbst automatisieren (Lorenz 2006, S. 14f.).


Semantische Netze sind darauf basierend Verbindungen von Konzeptrepräsentationen (Ontologien)

auf unterschiedlichen Ebenen. Nach Lorenz (2006, S. 10ff.) bilden sie Bedeutungen im Sinne von Zu-sammenhängen ab. Werden semantische Beziehungen abgebildet, so spricht Sowa (1984) von „Con-ceptual graphs“. Sie orientieren sich sehr stark am Aufbau von Grammatiken. Anwendungsbezogen werden heute kognitive Modelle bereits über In-out, emphasis, classification oder causal-Diagramme visualisiert und dargestellt (Axelrod 1976). Über eine weitere Abstraktion der zugrundeliegenden Themen ordnen Topic oder Language Maps diese in vorhandene Kategorien ein (Moench 2003, No-vak et al. 2004).

Semantik ist Bedeutung und basiert auf logischen Schlussfolgerungen und Darstellung von kon-

text-spezifischen Zusammenhängen, Restriktionen und lexikalischen Einheiten (Alber 2000). Die Sprache benötigt hierfür oft unpräzise Formulierungen, wie abstrakte Konzepte oder Logik als eine formale Beschreibung. Technisch lassen sich diese Beschreibungen als Frames (Rahmen) abbilden. Ein Frame ist dabei eine Objektklasse eines Problembereichs, welche zu anderen Frames in Beziehung stehen kann. Eine solche Klasse besteht aus Slots (Eigenschaften). Den Slots können Prozeduren zu-geordnet sein, die bei Änderung einer Eigenschaft auszuführen sind.

Zur maschinellen Verarbeitung von Ontologien werden Beschreibungssprachen verwendet. Sie er-

lauben eine entsprechende Interpretation der Terme. Als Beispiele seien folgende häufig verwendete W3C-Formate erwähnt (http://www.w3.org/, Ahmed 2001): RDF(S) (Resource Description Frame-work Schema), OWL (Web Ontology Language), SPARQL (SPARQL Protocol and RDF Query Lan-guage), KIF (Knowledge Interchange Format), DAML (Darpa Agent Markup Language), OIL (Onto-logy Interface Language) sowie weitere wie SHOE (Corby et al. 2004), XOL (XML-based Ontology Exchange Language) oder OKBC (Open Knowledge Base Connectivity), die hier nicht weiter vertieft werden sollen. Historisch gesehen, hat sich OWL aus DAML und OIL entwickelt.

Im Vergleich zu bestehenden Programmiersprachen erlauben semantische Sprachen den direkten

Umgang mit Taxonomien. Sie lassen sich dann durch Inferenzmaschinen in bestehende Suchalgorith-men einbinden und nutzen. RDF(S) und OWL sollen als die wichtigsten und für den Semantic Desk-top relevanten näher vorgestellt werden.

9.1.2.1 Resource Description Framework (Schema) – RDF (S)

RDF ist eine vom W3C definierte Meta-Beschreibungssprache auf Basis von XML zur Beschreibung von Metadaten und Ontologien. Die Beschreibung erfolgt in Form eines Triples: Subjekt, Prädikat, Objekt. Das Subjekt ist die Ressource, über die eine Aussage gemacht werden soll. Das Prädikat de-finiert die Information, die über das Subjekt gegeben werden soll. Das Prädikat wird auch als Eigen-schaft des Subjektes bezeichnet. Das Objekt bezeichnet den Wert des Prädikats.

Damit wird eine Aussage (statement) über ein bestimmtes Objekt innerhalb einer Domäne gemacht.

Es wird als ein so genanntes Statement bezeichnet. RDF Syntax ist die Repräsentation des Modells in XML. In RDF können sogar Aussagen über Aussagen getroffen werden, um somit komplexes Wissen zum Ausdruck bringen zu können.

RDF Daten können als gerichteter Graph dargestellt werden, bei dem der eine Knoten das Subjekt

abbildet, der andere das Objekt. Die Kanten zwischen den Knoten bilden das Prädikat. In der Stan-dardisierung dieser Repräsentation können Namenspaces vergeben werden. Werden diese nicht ma-nuell vergeben, kann auf standardisierte Namespaces, wie das Dublin Core Schema, zurückgegriffen werden.

Mit RDF kann die Dokumentenreihenfolge flexibel gehalten werden. Während man in einem XML-Dokument das ganze Baumschema verstehen muss, kann man RDF-Modelle als Tripel leicht abfragen. XML wird daher für die Syntax und RDF für die Semantik genutzt. RDF stellt jedoch hö-here Anforderungen an den Entwickler. Er erzielt damit aber eine auswertbare Form von Wissen und seinen Ontologien.


Nach Baumeister und Seipe (2005) ist RDF eine domänen-unabhängige Sprache zur semanti-

schen Beschreibung von Datenmodellen und wird üblicherweise in XML repräsentiert. Das jeweils anwendungsspezifische Vokabular des RDF-Datenmodells wird im RDF-Schema (RDFS) definiert. Während XML-Schemata Dokumente durch Constraints beschreiben, werden im RDFS Eigenschaf-ten und Beziehungen zwischen Objekten und Wertebereichen definiert.

RDFS (RDF Schema) erweitert das RDF-Modell und bildet wiederum die Basis für OWL, das die

verbliebenen Beschränkungen von RDFS beseitigen soll. Mit RDFS können die Aussagen (State-ments), die mittels RDF formuliert wurden, hierarchisch in Klassen und Instanzen organisiert werden. Mittels SPARQL können diese aufgerufen und adressiert werden. Es ist ein Protokoll und eine SQL-ähnliche Abfragesprache für das Semantische Web.

9.1.2.2 Web Ontology Language − OWL

OWL, als auf RDF aufbauende Prädikatenlogik, ermöglicht zwar einen Umgang mit höheren Kom-

plexitäten, reduziert aber die Leistungsfähigkeit und Schlussfolgerungsfähigkeit. Sie existiert daher in drei Ausbaustufen: OWL Lite bietet eine hierarchische Klassifizierung mit der Möglichkeit, Gleich-heit zwischen Klassen herzustellen. OWL Lite sind Taxonomien mit einfachen Constraints. OWL DL bietet ein Höchstmaß an Ausdrucksstärke bei gleichzeitiger Garantie der Ausführbarkeit. Die Aus-druckstärke wird durch die Möglichkeit erzielt, Klassen explizit als disjunkt zu beschreiben und nicht nur als ungleich zu identifizieren. OWL Full ernöglicht zusätzlich zu OWL DL syntaktische Freiheit auf Kosten der Ausführbarkeit. In OWL Lite und OWL DL ist es nicht möglich, dass etwas Klasse und Instanz gleichzeitig ist. Dadurch wird die Ausführbarkeit gewährleistet. In OWL Full ist dies er-laubt. Dadurch wird es möglich, unterschiedliche Ontologien zu kombinieren, in denen genau das der Fall ist. Deshalb ist es nötig, eine Instanz mit einer Klasse gleichsetzen zu können.

9.1.3 Konnektionistische Netze als subsymbolische Repräsentation auf Konzept-ebene

Zur Beurteilung konnektionistischer Netze auf Konzeptebene soll das Phänomen der Subsymbolik kurz dargelegt werden. Aufgrund der sprachlichen oder programmiersprachlichen Umsetzung vermag keine der Technologien, subsymbolische Prozesse tatsächlich abzubilden, sondern kann sich diesen nur simulierend nähernd.

Weit gefasst, ist Subsymbolik der Bereich an Vorgängen und Zuständen, die im Computer selbst

nicht symbolisch repräsentiert sind. Der Umgang mit Subsymbolik sucht nach simulativen Verfah-ren und Möglichkeiten, diese mit Hilfe von Konzepten und Abstraktionen abzubilden und zu struktu-rieren. Durch die Beschreibung aus einer Perspektive heraus gehen jedoch die Konzepte ein Stück weit verloren. Wichtig ist die Kenntnis der Perspektive im Zusammenhang mit einem Konzept.

Computer beruhen per se auf einer Repräsentationslogik und sind nach Dreyfus und Dreyfus (1986,

S. 90f.) nicht fähig, zum Beispiel Bilder direkt zu interpretieren. Die Nutzung der Subsymbolik in der KI differenziert daher weniger philosophisch ob beschreibbar oder nicht, sondern geht grundsätzlich von einer Beschreibbarkeit aus und unterscheidet nach der Zugänglichkeit und Genauigkeit. Damit ist die subsymbolische Repräsentation Basis für die symbolische Repräsentation. Sie basiert auf Be-schreibungsebenen von kognitiven Vorgängen von Smolensky (1988), der subsymbolischen Hypothe-se von Hofstadter (1985) und Erkenntnissen aus der Forschung mit konnektionistischen Systemen von Dorffner (1991).

Smolensky unterscheidet drei Ebenen kognitiver Vorgänge: konzeptuell, als exakt von symboli-

schen Modellen beschrieben; sub-Konzeptuell, als exakt von subsymbolischen Modellen beschrieben; neural, als exakt vom Gehirn beschrieben, aber der Beobachtung meist unzugänglich.


Hofstadter beschreibt darauf aufbauend Inferenzen und Wissen als Interaktion einer großen Anzahl von Prozessoren (Units), die direkt durch Modellprozessoren verwirklicht werden muss und keine ex-akte Beschreibung auf konzeptueller Ebene erlaubt. Für die Realisierung der nicht beschriebenen (ex-pliziten) Interaktion müsste seiner Hypothese nach ein Formalismus existieren, der Informationen, die in reinen Symbolstrukturen ausgelassen werden, mit einschließt und (selbst) referenziert.

Aus der Erfahrung mit konnektionistischen Systemen beschreibt Dorffner Wissen selbst als sub-

symbolisch. Nur die Systeme besitzen als Input und Outputlayer symbolische vom Systemdesigner definierte und interpretierte Schnittstellen. Wissen kann dagegen nicht in einer externen symbolischen Form vorliegen, da

1.) das Ausfallen einer Einheit nicht zum Ausfall eines Konzeptes führt, wie dies bei symbolischer Repräsentation der Fall wäre (Robustheit).

2.) die Funktionalität des Modells nicht von einer Interpretation abhängt. Zwar ist es prinzipiell möglich, die Muster im Hidden Layer zu interpretieren, das System arbeitet aber auch ohne In-terpretation.

3.) da der Lernmechanismus interpretationsfrei ist, ist auch keine vollständige Welt in der Vorstel-lung des Designers nötig, um alle Kontexte zu erfassen. Dies geschieht hier entsprechend der Forderung der subsymbolischen Hypothese von Hofstadter alleine durch das Zusammenspiel der einzelnen Prozessoren. Rumelhart (1986) unterstützt diese Forderung.

Dorffner (1991, S. 174) schließt, dass ein selbstorganisierendes System, wie es konnektionistische

Netzwerke sein können, kognitives Verhalten auch ohne Repräsentation − also in gewissem Sinne rep-räsentationsfrei (non-representationalist) – modellieren kann. Nach Alber (2000) geht es damit weni-ger um Wissen als symbolisches Ergebnis, sondern als subsymbolische Erstellungsregel. Diese gene-riert immer wieder neue Zustände.

Für eine Annäherung lehnt sich die Arbeit diesem und damit der Begriffsverwendung von Hofstad-

ter, Dorffner und Alber im Sinne eines iterativen Prozesses zur Zustandsbildung an. Sie bezeichnet die subsymbolische Abstraktionsebene als Konzept-Ebene, auch wenn diese die Repräsentation nicht als symbolisches Konzept versteht.

Zur Verdeutlichung lassen sich das Zusammenspiel und die Unterschiede zwischen symbolischer

und subsymbolischer Repräsentation über eine Gebirgsanalogie veranschaulichen (Eraßme 2002). Technisch ausgedrückt steht die X-Achse für mögliche Aktivierungszustände eines subsymbolischen Modells, repräsentiert in einem neuronalen Netz. Auf der y-Achse finden sich die Anzahl der Aktivie-rungen. Gipfel in diesem „Gebirge“ kennzeichnen eindeutige Muster, die sich auf der symbolischen Ebene leicht als Konzepte identifizieren und über Symbole abbilden lassen.

Wenn Wissen ein Aktivierungszustand ist, kann Wissen symbolisch beschrieben werden. Explizites Wissen (symbolisch) wäre damit die Liste von Bergnamen und die Relationen zueinander. Implizites Wissen (subsymbolisch) wäre die dazugehörige Landkarte. Diese Erfassung birgt Schwierigkeiten, die aus der Praxis bekannt sind:

• Keine Erklärung, warum die benachbarten Punkte des Gipfels eines flachen Hügels diesem fast gleichberechtigt sind (Wertigkeit und Relevanz von Dokumenten).

• Das symbolische Modell kennt nur die Epiphänomene und kann die Details nicht erfassen (Titel technisch nutzbar, nicht aber der Content und die Aussagen).

• Symbole sind atomar und arbiträr. Ihre Form gibt keinen Aufschluss über den Inhalt (In einer PowerPoint kann inhaltlich das Gleiche stehen wie in einem Word-Dokument).

• Die einzelnen Symbole erhalten erst dann einen Sinn, wenn sie in ihrer Relation zu anderen Symbolen definiert werden. Symbole werden aber erst durch ihre Relationen entdeckt. Es liegt ein Zirkelschluss vor, der das Problem der vollständigen Formalisierung illustriert (Dokument ist eine Marktstudie, weil sie im Folder Marktstudien abgelegt ist. Dieser entsteht erst aus sei-nem Inhalt, nämlich verschiedenen Dokumenten, die als Marktstudie bezeichnet werden). Er lässt sich erst durch die Hilfestellung einer externe Vorgabe durch den Nutzer auflösen. Diese bedarf einer symbolischen Repräsentation für die Kommunikation und durchbricht damit die subsymbolische Balance.


Alber (2000) unterstreicht dieses Beispiel mit dem Versuch einer Erklärung dieser Zusammenhän-

ge. Hiernach bilden sich aus den eingehenden Signalen subsymbolisch sog. Mikrofeatures als nicht bedeutungstragende Elemente. Erzielt wird diese Bildung durch Netzwerke auf Basis des Backpropa-gation-Lernalgorithmus. Das Netzwerk der Mikrofeatures wird nicht mehr von einem externen Desig-ner erstellt, sondern ist das Resultat von Lernprozessen in einem Netzwerk. Das Wissen über die Mik-rofeatures steckt in den Verbindungen und stellt somit implizites Wissen dar. Es besitzt so lange keine verständliche Interpretation, bis es zu einer Interaktion mit einem zweiten Medium und damit einer Explizierung im Sinne einer Kommunikation kommt.

Aus der Diskussion zeigt sich, dass Konzepte auf der jeweils höheren Abstraktionsebene als

subsymbolisch anzusehen sind. Will man nicht alle Eventualitäten in Abstraktionsbeziehungen ex-plizit machen und pflegen, scheint es mit iterativen Lernprozessen Ansätze zu geben, sich dem sub-symbolischen Phänomen technologisch zu nähern.

Eine subsymbolische Repräsentation erscheint für die Wissensentwicklung, im symbolischen Sinne, unerlässlich. Vor einer dynamischen Implementierung subsymbolischer Phänomene kann die symbolische Repräsentation als Semantik verstanden werden. Sie hilft, einen verbesserten Um-gang mit symbolischer Repräsentation zu erzielen und sich subsymbolischen Möglichkeiten zu nähern. Zu berücksichtigen ist dabei, dass eine symbolische Repräsentation schon als Symbol einer Interpreta-tion des Betrachters, einer Informationsreduktion und damit einer Trennung von Inhalt und Form un-terliegt.

Mit diesem Wissen konzentriert sich die weitere Diskussion auf die Weiterentwicklung einer sym-

bolischen Repräsentation und Verarbeitung durch die Erforschung und das Verständnis der subsymbo-lischen Welt – wohl wissend, dass dies nur eine Annäherung sein kann.

Die KNN (Künstlichen Neuronalen Netzen) zugrundeliegenden Prozesse werden dem Konnekti-

onismus zugerechnet. Sie haben eine lange Geschichte, die nach Zell (1994) von folgenden wesentli-chen Erkenntnissen geprägt war und Mitte der 80er mit der Neurobiologie einen neuen Schub im Hin-blick auf die Lösung von Optimierungsproblemen bekam:

1943 Mc Culloch und Pitts: erstes Modell eines künstlichen Neurons 1949 Begründung der Hebb’schen Regel eines Lernalgorithmus für einfache neuronale Netze 1958 Rosenblatt: mathematische Definition des Perceptron-Netzes 1969 Minsky und Papert: theoretisch begründetes Modell eines neuronalen Netzes 1972 Kohonen: selbst-organisierendes neuronales Netz

Der Konnektionismus orientiert sich stärker an Strukturen des Gehirns als an digitalen Prozessen

des Geistes (Birbaumer 1997, S. 4). In der Philosophie des Geistes wurden von einigen Autoren neu-ronale Netze als der beste Weg betrachtet, das menschliche Denken zu modellieren. Sie erleichtern das Lernen aus Beispielen, das Verallgemeinern von Beispielen, das Abstrahieren, das schnelle Erkennen und Vervollständigen komplizierter Muster, das assoziative Speichern und Abrufen von Informationen etc. Die Kritiker halten das konnektionistische Modell für unrealistisch, weil zu stark vereinfachend. Kritisiert wurde von Fodor und Pylyshyn (1988), dass der Konnektionismus den systematischen und produktiven Charakter menschlichen Denkens vernachlässige.


KNN bestehen aus einem konnektionistischen Modellsystem, das auf Eingaben mit den gleichen Ausgaben antwortet wie sein reales Vorbild, indem die inneren Gewichtungen über Rückwärtspropa-gierung trainiert werden. Folgende Abbildung nach Zell (1994) verdeutlicht dies. Dabei werden die Vektorzuordnungen festgelegt. Ihre Gewichtungen können trainiert werden. Nur die Netzstruktur wird als Ausgangsneuronen = Anzahl der Klassen und Eingangsneuronen = Anzahl der Merkmale festge-legt.

Abb. 13. Konnektionistisches Modellsystem

Für die Zuordnung existieren derzeit verschiedene statistische und stochastische Verfahren, wie Hidden Markov. Dabei tritt jedes Merkmal mit einer gewissen Wahrscheinlichkeit auf und es folgt ein anderes Merkmal mit einer entsprechenden Verbundwahrscheinlichkeit. Zu dieser Abfolge von Merkmalen gehört das eigentlich gesuchte Sprachsignal mit seinem Inhalt. Ziel dabei ist, die kleinst-mögliche Auswahl der Eingangsknoten bei zufriedenstellender Leistung. Hierzu wird meist die statis-tische principle component analysis verwendet (Zhang 2000). Sie reduziert Dimensionen, ohne Infor-mationen aus den Ursprungsdaten zu verlieren.

Wie oben beschrieben, zeigt sich hier die Grenze der Repräsentation. Nachdem Expertensysteme

und Simulationen nur auf detaillierten Kenntnissen des Systems durch schrittweises Zerlegen und vollständiger symbolischer Beschreibung beruhen, erfordert eine vollständige und hinreichend genaue Beschreibung einen nicht abzuschätzenden Pflege- und Redaktionsaufwand. Solche Systeme stoßen daher in der Praxis an ihrer Grenzen.

In konnektionistischen Modellen wird diese Komplexität durch Dezentralisierung begegnet. Sie

stellen viele einfache Einheiten in enger Vernetzung dar. Diese Einheiten arbeiten lokal und kom-munizieren mit anderen nur via Signalen über Verbindungen (Eraßme 2002).

Im Sinne eines radikalen Konnektionismus fordert Dorffner (1997, S. 22f.) von konnektionistischen

Systemen einen bottom-up Ansatz: Selbstorganisation statt explizitem Design, sensomotorische Schnittstellen, Nutzung von Konzepten; Entwicklung eigener Aktionen statt passiver Rezeption von Input. Dies unterstützt Zhang (2000) mit seiner Definition Neuronaler Netze als selbst-anpassende, nicht-lineare Methode mit der Fähigkeit zu einer allgemeinen Näherung.

Neuronale Netze eignen sich nach Karagiannis (2001), wenn unbekannte Ursache-Wirkungs- Zu-

sammenhänge oder unstrukturierte Daten vorliegen. Als typische Eigenschaften gelten gemäß Horster et al. (1993) und Eraßme (2002): Parallelität, verteilte Informationsrepräsentation, Selbstorganisation, Generalisierungsfähigkeit, Lernfähigkeit, Fehlertoleranz. Damit eignen sie sich nach Karagiannis (2001, S. 292ff.) für typische Einsatzfelder wie: assoziative Speicher, Steuerung, Datenkomprimie-

Eingabemuster

AusgabeBedeutung

Differenz

Rückwärts-propagierung

=-


rung, Diagnostik, Vorhersage, Abbildungen, multisensorische Datenfusion, Optimierung, Musterer-kennung oder Risikoabschätzung.

Neuronale Netze weisen aber Nachteile auf, wie das Festhalten in lokalen Minima, Abhängigkeiten

von Startwerten oder Konvergenzgeschwindigkeit. Abwandlungen von der klassischen Lösung ver-sprechen Vorteile, sind aber für den Semantic Desktop derzeit noch nicht verfügbar.

9.2 Mustererkennung

Deskriptiv betrachtet ist Mustererkennung die Differenzierungsfähigkeit von Maschinen durch er-fahrungsbasierte, meist statistische Selektion sensorbasierter Signale nach ihrer Ähnlichkeit zu kate-gorisieren (Goldstone 1993, S. 141, Alber 2000). Goldstone verweist dabei auf die Relevanz des ent-sprechenden Vorwissens für eine erfolgreiche Mustererkennung, den Dreyfus und Dreyfus (1986) unterstützen. Sie ergänzen ihn durch eine Differenzierung von Experten und Novizen in der Frage der Informationsrelevanz.

Zu Ähnlichkeiten liegen eine Vielzahl an wissenschaftlichen Aussagen und Methoden vor. Ihre

Kernaussagen und Aspekte helfen zu verstehen, wie Muster erkannt werden. Nach Goldstone (1993) werden Ähnlichkeiten über Metaphern beschrieben und verbunden. Dabei wird die Bedeutung des Wortkontextes für Ähnlichkeiten der Aussage betont, weniger des Wortes in seiner lexikalischen Form. Goldstone und Son (2005) geben eine Übersicht über Formen, auf Ähnlichkeiten zu schließen: Instanzen-basiert, Perspektiven-basiert, Fall-basiert und Methoden: Zeit, die jemand benötigt, um die Unterschiedlichkeit zu erklären, nearest-neighbor, configural cue und Vektorquantifizierung.

Die statische und symbolische Begriffsrepräsentation definiert Begriffe durch eine Merkmalsliste

(Klix 1992). Im Gegensatz dazu geht die Gradiententheorie von Eckes (1991) von charakteristischen mit Auftretenswahrscheinlichkeiten versehenen Merkmalen aus. Ihre unterschiedlichen Gewichtungen eignen sich insbesondere für die dynamische Konzeptbildung.

Unter allen ist für die Fragen der Wissensentwicklung interessant, wie sich eine Differenzierungsfä-

higkeit ausprägen lässt, egal aus welcher Perspektive oder in Bezug auf welches Objekt. Neben der qualitativen und statistischen Abgrenzung von Signalen hängt die Differenzierungsfähigkeit nach Mangold-Allwinn (1993) auch von der Ladegeschwindigkeit gespeicherter Informationen ins Be-wusstsein ab. Er geht davon aus, dass beim Abruf der Objektkonzeptinformation die konkret-perzeptuellen Merkmale schneller ins Arbeitsgedächtnis geladen werden als die abstrakt-strukturellen Merkmale.

Entsprechend treten Unterschiede in der Ähnlichkeitsbeurteilung bei den zu verschiedenen Zeit-punkten entstehenden Konzeptbildungen auf. Probleme sind daher grundsätzlich lösbar, wenn die nö-tige Detailebene über die Zeit erreicht wird. Folge ist, dass zum Zeitpunkt x eine Ähnlichkeit besteht, die bei genauerem oder abstrakterem Hinsehen (Veränderung der Perspektive) wieder verworfen wer-den kann. Eine Modellannahme besagt, dass hierfür die ablaufenden Hintergrundberechnungen ver-antwortlich sind, die die Kategorisierung in parallel ablaufender Prüfung ständig modifizieren. Auf-merksamkeit reduziert diese und richtet den Fokus auf die Aufnahme oder die aktuelle Handlung.

Goodman (1972) kritisiert in Goldstone (1993, S. 132ff.), dass sich Ähnlichkeit selbst-referenziell auf die zu beschreibende Klasse als klassifizierendes Element bezieht. Er bestätigt damit indirekt die Aussagen über die Relevanz des Vorwissens. Ähnlichkeit wäre damit weniger eine objektive Diffe-renzierungsgröße als vielmehr eine sequentiell entstandene, subjektive Möglichkeit, Beziehungen herzustellen, Komplexität zu reduzieren und Ordnung zu schaffen.

Dies führte Goldstone dazu, Ähnlichkeit als Klassifizierungskriterium als zu flexibel zu kritisieren,

und zu der Forderung, dass Ähnlichkeits- und Klassifizierungsbedingungen übereinstimmen (Goldsto-ne 1993, S. 131). Aus wissenstheoretischer Sicht könnte das heißen, dass beide aus derselben Per-spektive betrachtet werden müssten (Goldstone 1993, S. 149). Es würde erklären, warum abstrakte Begriff und Konzepte subjektiven Charakter haben. Sie weisen nur für den Nutzer eine vertraute Ähn-lichkeit auf. Diese muss durch Kommunikation und Explizierung der Kontexte dem Anwender oder


Zuhörer übermittelt und von diesem neu konstruiert werden. Durch gegenseitige Rückmeldung erfah-ren beide eine Einigung über die Bedeutung des Begriffs oder Konzepts zusammen mit einer subjekti-ven Einschätzung der Wahrhaftigkeit der Übereinstimmung.

Althoff und Weß (1991) unterscheiden im case-based reasoning vier Formen von Ähnlichkeit, um

die Passgenauigkeit auf eine Situation zu definieren: ununterscheidbar, ausreichend ähnlich, eventuell ähnlich, zumindest ein wenig ähnlich, nicht einmal ein bisschen ähnlich. Die Vagheit dieser Eigen-schaften lässt darauf schließen, warum Kinder zwar feststellen, dass Dinge unterschiedlich sind, aber die Differenzierungskriterien nur schwer benennen können (Goldstone 1993, S. 139). Dies führt zur Tendenz, nach einer Maximierung der Gesamtähnlichkeit zu suchen statt nach Optimierung eines Ähnlichkeitskriteriums.

Die automatische Benennung und Interpretation von Mustern im Hinblick auf ihre Ähnlichkeiten

bildet Klassen. Aus konnektionistischer Sicht unterscheiden Kategorien nach Dorffner (1991) ähnli-che Zustände, die durch eine „Menge von Stimuli“ von einem intelligenten System als ähnlich behan-delt werden. Kategorie und Klasse werden über die Literatur hinweg je nach Hintergrund und Sprachgebrauch synonym verwendet. Eine Differenzierung ließe sich sinnstiftend durch eine weitere Untergliederung des Abstraktionslevels vornehmen. Diese Detaillierung spielt für die weitere Ausei-nandersetzung eine untergeordnete Rolle.

In Ergänzung zur Lerntheorie in Kapitel 5.8 bieten technologische Umsetzungen in lernenden Sys-

temen Erkenntnisse und Ansätze der Musterkennung. Prozedural betrachtet, verbessern sich lernende Systeme im Gegensatz zu deterministischen Systemen automatisch durch ihre Erfahrungen (Mitchell 1997). Inhaltlich lernende Systeme sind Programme, die ihre Mustererkennung durch Vergrößerung der Erfahrungsbasis optimieren. Sie lernen Benutzerinteressen oder neue Regeln, um zu klassifizieren (Müller et al. 2001). Strukturell lernende Systeme mutieren und verändern ihre logische Form und ih-ren Aufbau, indem sie Schlussfolgerungen aus ihren Erfahrungen zu ihrer eigenen Rolle und Fähigkeit ziehen. Beispiele sind Viren und Würmer, die sich selbst in mutierter Form replizieren, um sich zu immunisieren und den Gegebenheiten anzupassen.

Es gibt viele ähnliche Lernverfahren. Sie unterscheiden sich durch das angewandte Abstraktionsle-

vel (z.B. Dokument, Inhalt oder Begriff). Eine Auswahl an Lernverfahren sei an dieser Stelle kurz nach Franklin (1997) illustriert:

• Thomas (1993) differenziert acht Lernformen gemäß dem Schwierigkeitsgrad des Verhaltens, das gelernt werden soll.

• Maes (1994) beschreibt Lernformen unterschieden nach der zugrundeliegenden Lernmethode: memory-based reasoning, reinforcement learning, supervised learning, and learning by advice from other agents.

• Dreschers concept learning (1988) und Kohonens self-organization (1984) sind weitere zu nennende Methoden

• Madhvanath und Godvindaraju (2001) unterscheiden den analytischen vom holistischen Ansatz. Der analytische unterteilt Objekte (hier: Wörter) in einfachere Einheiten, wie Buch-staben, um diese zu identifizieren und das Gesamte daraus abzuleiten. Der holistische Ansatz dagegen testet das Objekt als Ganzes und nutzt nur bei Fehlern oder zur Verifizierung den analytischen Ansatz.

• Mitchell (1997, S. 244ff.) unterscheidet maschinelles Lernen in „lazy“ und „eager learning“. Eager-Systeme, wie Back-propagation haben eine globale, determinierte Näherungsfunktion (single linear function hypothesis) für die Entwicklung der Antwort, während lazy-Systeme, wie nearest neighbour oder gewichtete Regression, eine Kombination aus lokalen Annäherun-gen zeitpunktbezogen wählen kann. Lazy- und eager-Systeme unterscheiden sich hauptsäch-lich hinsichtlich ihrer Rechenzeit und der erzeugten Klassifikationen. Lazy- Systeme benö-tigen weniger Rechenzeit während des Trainings, aber mehr bei der Vorhersage. Die Aussage muss jedes Mal neu entwickelt und hergeleitet werden.

Weitere Ansätze optimieren die beschriebenen im Hinblick auf Performance, Effizienz und ihren

Anwendungsbereichen als Prognose, Prüfung oder Steuerung. Performance bezieht sich dabei auf


Generalisierungsfähigkeit einer Lernmaschine zufällig ausgewählter Beispiele (Kuhwaja 2002, S. 33f., Strecker und Schwickert 2000). Effizienz beschäftigt sich mit der Komplexität einer Lernmaschine in Raum und Zeit. Hierzu sind bereits einige Ansätze, auch aus der Bilderkennung, bekannt.

• Moghaddam et al. (1998) − Suche in großen Datenbanken • Govindaraju (2004) beschleunigt den Such- und Erkennungsprozess durch Dynamic Pro-

gramming and matching character models. • Belhumeur (1997) optimiert für große Lichtvarianzen durch Lineare Projektion oder Tefas et

al. (1998) durch morphologische “shape decomposition”. • Schlimmer (1996) unterscheidet Batch-Segmentierung für Massendaten und oder inkrementa-

le Segmentierung für evolvierende, kleine Datenmengen . Allgemein gesprochen, entspricht Lazy learning dem unüberwachten Lernen, während eager

learning mit einem Zielvektor eher dem überwachten Lernen entspricht. Während die Differen-zierung zwischen überwachtem und unüberwachtem Lernen aus der Lerntheorie stammt, lässt sich Mustererkennung aus technischer und kognitionswissenschaftlicher Sicht in feature-based, bottom-up und holistische, top-down-Ansätze unterscheiden (Best 1992 und Smyth 1994). Nach Zell (1994) ent-spricht überwachtes Lernen dem top-down-Mustererkennen. Es basiert auf der Definition eines Ziel-musters, auf das hin das System die Eingangssignale und Muster testet.

Damit lassen sich unüberwachtes, lazy- und top-down-Lernen sowie überwachtes, eager- und bot-

tom-up-Lernen zueinander clustern. Ihrem technologischen Reifegrad nach eignen sich Letztere für bekannte, beschriebene Systeme und werden daher auf Symbolebene im Folgenden kurz beleuchtet. Erstere lassen sich auf Konzeptebene konnektionistisch und konstruktivistisch beschreiben.

9.2.1 Stochastik und überwachtes Lernen als symbolische Mustererkennung auf Signalebene

Klassifikation ist für Zell (1994), Schukat-Talamazzini (1995), Kreßel und Schürmann (1995), ma-thematisch gesehen, eine reine vektorielle Abbildung von Eingangssignalen auf vorgegebene Merk-malsvektoren. Dabei werden die Daten reduziert und in neuer Form codiert, um eine Abstraktion zu schaffen. Diese feature-based Ansätze erklären Muster aus ihren Einzelteilen und extrahieren spezielle Bild- oder Gesichtseigenschaften durch eindimensionale Vektorisierung. Computer können keine bild-basierten Inferenzen verarbeiten (Khuwaja 2002, Dreyfus und Dreyfus 1986, S. 54). Als Methoden werden hierfür das Hidden-Markov-Modell oder ein Abgleich von Eigenschaftsvektoren unter Nut-zung des Fourier-Koeffizienten verwendet (Samaria 1994, Hagen 1995).

Die Muster-Entwicklung ist eine Klassifikationsaufgabe und ein stochastischer Prozess. Alle benö-

tigte Information ist in den Verbundwahrscheinlichkeiten zwischen den Merkmalsvektoren (Eingangs-information) und den erlaubten Klassen (Ausgangsgröße) enthalten. Basierend auf der Entscheidungs-theorie entspricht die Klassifikationsentscheidung dann der Minimierung des Gesamtrisikos unter Berücksichtigung der Kostenmatrix. Die Kostenmatrix beschreibt die Kosten für die Ist-Entscheidung bei einer Soll-Klasse. Dieser Ansatz führt direkt auf die Rückschlusswahrscheinlichkeiten als optimale Entscheidungsfunktionen und ist in der Literatur als Bayes-Klassifikator (u.a. Harmann 1995) be-kannt. Dieser bedeutet, dass (als kleinstes Risiko) diejenige Klasse gewählt wird, die die größte Rück-schlusswahrscheinlichkeit besitzt.

In Ergänzung dazu lassen sich Klassifikationsprobleme wissensbasiert oder durch automatisches

Lernen abbilden. Die Erkennungsrate ist das Maß, an dem sich die Wahl der Technologie messen las-sen muss. In komplexen Informationsverarbeitungssystemen ohne hinreichendes Grundlagenwissen haben statistisch begründete, trainierbare Verfahren größte Erfolgsaussichten.

Als Beispiel des überwachten Lernens stellt Diederich (1989) das Recruitment-Lernverfahren vor.

Im Gegensatz zu ähnlichkeitsbasiertem (forward-propagation) Lernen basiert das Recruitment-Lernverfahren auf Instruktion. Für dieses Verfahren wird nur ein Beispiel benötigt, zu dem unge-ordnete Einheiten in Beziehung gebracht werden. Es zählt daher zu den höher geordneten Lernverfah-ren. Es erinnert an die top-down-Methode unter Nutzung generischer Konzepte. Die Methode bietet eine Strukturiertheit und macht damit das Systemverhalten im Gegensatz zu rein konnektionistischen


Systemen mit hidden layers nachvollziehbar. Nachteilig wirkt sich aus, dass der Zeitpunkt des Ler-nens vorbestimmt ist.

Die Übersicht zeigt eine Vielzahl an Klassifikationsverfahren. In Bezug auf den Semantic Desktop

und Gnowsis ist zu untersuchen, welche sich in der Kombination mit anderen Verfahren qualitativ, aber auch in ihrer Performance eignen und durchsetzen können.

9.2.2 Ontology mapping und merging als Mustererkennung auf Bedeutungsebene

Ontologie-basierten Reasoning-Verfahren lassen sich verschiedene Merging-Verfahren zugrunde legen, wie instance-mapping oder Attributenanalyse (Kalfoglou und Schorlemmer 2003). Die meisten befinden sich im Prototyp- oder Forschungsstadium. Im MUMIS-Projekt zum Beispiel wird Ontology merging verwendet, um Informationen Dokument-übergreifend zu extrahieren und eine integrierte und vollständigere Erläuterung des Multi-media-Materials zu erreichen (Reidsma et al. 2003).

Essentiell beim Ontology merging ist, dass zunächst die Beziehung der beteiligten Ontologien be-

kannt ist. Diese Gap-/ Fit-Analyse ist Aufgabe des Ontology mappings. Dou et al. (2002) unterschei-den auf dieser Basis dann zwei Merging-Strategien: Überführung von Daten in eine globale Ontologie (Ontolingua) oder Überführung einer Ontologie in eine klar definierte Ziel-Ontologie (OntoMorph).

Ziel des Ontology mappings ist es, die Korrespondenz zwischen den Ontologie-Konzepten heraus-

zufinden (Dou et al. 2002, S. 12ff. und Elst et al. 2004). Dabei gibt es zwei Arten von matching Algo-rithmen, die die top-down-/ bottom-up-Logik der vorigen Kapitel auf dieser Abstraktionsebene wie-derholt: ontology-based (holistisch) und instance-based (feature-based). Sie unterscheiden sich in ihrer Fähigkeit, Ontologien zu mappen, wenn Daten nur in einer vorhanden sind. Sie bedienen sich dabei dreier Methoden: syntactic, structural and semantic matching.

Syntactic or term-based matching konzentriert sich auf Namensähnlichkeiten, wie in CUPID oder Chimaera oder Protegé’s PROMPT Modul. Es vergleicht für das Matching alle Teilstrings der Länge n in PROMPT. Die Relevanz ergibt sich dann aus der Anzahl passender Tupel. Beispiel: „Trend“=“Trend“.

Structural matching berücksichtigt die Ontologiestruktur und analysiert den nächsten Nachbar von Ontologie-Knoten über Similarity Flooding algorithm (Melnik et al. 2002). Beispiel: Xy ist ein Trend und wird mit xy=“Trend“ als Begriff zugeordnet und erkannt.

Semantic oder instance-based matching versucht ein matching zwischen Bedeutungen, meist ab-geleitet aus den Instanzen der Ontologieklassen oder WordNet-Bedeutungen (Bsp.: Latent Semantics Indexing method (LSI)). Die meisten gehen aber von einer Master-Ontologie im Hintergrund aus (Ko-tis und Vouros 2004). Im Semantic Desktop wird hierfür das „vector space model“ im brainfiler der Firma NextBot verwendet (Salton 1968). Beispiel: XY ist ein Trend und WZ ist eine Entwicklung, Trend ist begrifflich ähnlich zu Entwicklung. Dann sind XY und WZ = „Trends“

Allgemein gesprochen wird das Subjekt zum Objekt und die Klasse zur Instanz, wenn ein neues

Abstraktionsniveau bezogen wird. In Ergänzung dazu bietet die Formal Concept Analysis die Mög-lichkeit, neue Ontologien aus bestehenden Instanzen zu erstellen, statt fertige Ontologien zusammen-zuführen (Stumme 2001).

Das Mappen von Ontologien als semantische Repräsentation von Konzepten ist wesentlicher Be-

standteil einer Kommunikation. Neue Bedeutungen und neues Wissen entstehen durch Verallgemeine-rung und Änderung des Abstraktionslevels, meist durch Nutzerinteraktion und in Abhängigkeit der Rolle und Situation (Dou et al. 2002, S. 14f.). Hypothesen entstehen beim concept mapping durch die Verbindungen zwischen zwei Konzept-Karten, beschrieben durch ontologische Knotenbeziehungen (Huang und Beevers 2004, Trochim 1985). Dabei werden Informationsalternativen quantifiziert und festgestellt, inwieweit ein gemeinsames Verständnis zustande gekommen ist. Der Prozess folgt einem kontinuierlichen Trial-and-error sowie Verhandeln von Bedeutungen, als Interpretationen, bis ein äu-ßerer Attraktor erreicht ist und dies entsprechend signalisiert.


9.2.3 Holistische Ansätze als subsymbolische Mustererkennung auf Konzeptebene

Holistisch bezeichnet einen ganzheitlichen Ansatz. Er zielt darauf ab, Strukturen, Konzepte und letztlich Perspektiven als Ganzes wahrzunehmen und zu erkennen. Goldstone (1993) verdeutlicht, dass Kinder die Welt zwar als Ganzes verstehen, aber nicht in differenzierten Konzepten erklären können. Erwachsene sind hingegen nicht oberflächlich, sondern multi-konzeptionell, zumindest, was ihre Sprache und damit Repräsentation der Welt angeht.

Neben feature-based-Ansätzen verbessern holistische Ansätze wie Eigenfaces, Fisherfaces oder

neuronale Netze die Trefferquoten bei Gesichts- und Handschrifterkennung. Der Eigenface-Ansatz von Turk and Pentland in Khuwaja (2002) arbeitet mit der Abstandsoptimierung zu einem trainierten Zielraum von passenden Gesichtern. Ein neues Gesicht wird damit als passend identifiziert, wenn es unter einem bestimmten Schwellwert zum Zielraum liegt. Eine leichte Verbesserung kann Belhumeur in Khuwaja (2002) als Fisherface-Ansatz nachweisen, indem er den Eigenface-Ansatz zusammen mit Fishers linearen Diskriminante verwendet. Sie erleichtert das Auffinden der Richtung im Datenraum.

Keines der Verfahren berücksichtigt die Erfassung des Kontextes, da das Abstraktionslevel, wel-ches für die Lösung der Situation nötig wäre, nicht auf einen Schlag erfasst werden kann. Wäre dem so, ließe sich problemlos eine der Erkennungsformen anwenden. Wenn nicht, bedarf es immer einer Kombination aus beiden: holistische Erkennung bekannter Formen, Modelle und Konzepte und die darauf aufbauende Kombination und Erschließung neuer Abstraktionsstufen. Durch die Speicherung und Vergabe von Bezeichnung und Klassifizierung der neu erschlossenen Zusammenhänge können Lernvorgänge abgebildet und abgespeichert werden.

Alber (2000) nutzt statt dem überwachten Lernen unüberwachte Lernverfahren, um sich dem

Kontext, als subsymbolische Information, zu nähern. Dies basiert auf einem bottom-up- Musterer-kennen auf der Basis eines selbstorganisierenden Systems, im Sinne des konstruktivistischen Ver-ständnisses. Es beschreibt das automatische, emergente Auffinden von Clustern durch Vernetzung und Datenreduktion. Beispiele für unüberwachtes Lernen sind nach Müller (2001, S. 190): Datenklas-sifizierung, Dichteschätzungen oder Datenbeschreibungen. Allen ist gemein, dass die Datenbeschrei-bungen fehlen. Ohne symbolische Repräsentation der Datenbeschreibung (label) muss der Basisalgo-rithmus als Skalarprodukt verfasst werden. Unüberwachte Lernverfahren eignen sich zur Modellierung von subsymbolischen Situationen, in denen sich im System Veränderungen herausbilden. Schemata emerging nach Rumelhart et al. (1986, S. 20) kann als ein solches Verfahren genannt werden. Dabei werden die Schemata nicht als feststehende Gebilde im Gedächtnis gespeichert, sondern sie werden in der jeweiligen Situation als Instanziierung eines Schemas generiert. Realisiert wird die Vorstel-lung der Emergenz von Schemata in einem Constraint-Satisfaction-Netzwerk, das einen Ruhezu-stand zu erlangen sucht. Die stabilen Zustände entsprechen den instanziierten Konfigurationen von Schemata, welche Goodness-of-fit-Maxima darstellen in einer Landschaft, die einen n-dimensionalen Raum über die Mikrofeatures bildet. Das System strebt nach einem Harmoniewert, der nach Smo-lensky (1986, S. 208) „maximally self-consistent“ ist.

Aufgrund der fehlenden feature-Beschreibung könnten sich holistische Verfahren eignen, den Ge-

samtzusammenhang zu erfassen. Holistische Verfahren basieren auf den Erfahrungen mit Hologram-men (Buttlar 1992). Diese sollten das Auflösungsvermögen von Elektromikroskopen durch eine neue Technik der photographischen Speicherung verbessern, bei der nicht die Intensität des reflektierten Lichtes, sondern das Quadrat der Intensität und das Intensitätsverhältnis zwischen einem bestimmten Lichtstrahl und den benachbarten Strahlen berechnet wird.

Das Besondere am Hologramm ist, dass es in jedem Teil des Hologramms das gesamte Bild in ver-

dichteter Form enthält. Kein Bildteil fehlt, wenn ein Teil der Filmplatte abgeschnitten wird. Das ganze Bild wird nur in seiner Intensität geschwächt. Pribram zog dazu in Wilber (1982) eine Parallele zwi-schen diesem Hologramm-Effekt und dem Verhalten des Gehirns, nachdem Menschen, die eine Ge-hirnverletzung erlitten haben, im Allgemeinen keine bestimmte Gedächtnisspur einbüßen. Nachdem Probanden aus dem „Schnee-Rauschen“ des Fernsehers Bilder und Muster formten und herausgriffen, lag der Schluss nahe, dass unser Gehirn die "harte" Wirklichkeit durch Interpretationen von Frequen-


zen aus einer Dimension, die Raum und Zeit transzendiert, konstruiert. Nach Pribram und Bohn in Wilber (1982) ist das Gehirn ein Hologramm, das ein holographisches Universum interpretiert. Dabei unterscheiden sie einen entfalteten und eingefalteten Zustand des Hologramms, der sich mit dem sym-bolischen und subsymbolischen vergleichen ließe: „Im entfalteten Bereich von Raum und Zeit schei-nen die Dinge getrennt und verschieden, im eingefalteten Frequenzbereich, sind alle Dinge und Ge-schehnisse raumlos, zeitlos, immanent, eins und ungeteilt.“ Auch nach Dreyfus (1986) können Hologramme, in Analogie zum Geist, Ähnlichkeiten erkennen. Es ist eine zusätzliche Möglichkeit as-soziativen Gedächtnisses.

Das holographische Paradigma weist theoretische Parallelen auf und bietet Gedankenansätze für die

Wissensentwicklung im subsymbolischen Bereich auf Konzeptebene. Eine technologische Integration und Kombination mit semantischen Verfahren konnte bisher nicht identifiziert werden.

9.3 Problemlösung

Basierend auf der Mustererkennung und Repräsentation ist das Problemlösen ein wesentliches Ver-fahren der künstlichen Intelligenz. Ein Problem ist die Abweichung eines aktuellen von einem er-wünschten Zustand der Realität (Horster et al. 1993, S. 10). Zur Problemlösung ist oft eine Entschei-dung nötig, die eine Alternative aus einer Menge von Lösungsmöglichkeiten auswählt. Entscheiden wird zum Kernmerkmal der Problemlösung im Vergleich zur Mustererkennung.

Problemlösen besteht unabhängig von den jeweiligen Anwendungsfeldern aus den Schritten (Peder-

sen 2004): Informationen erheben, Modellbilden, Prognose und Ergebniskontrolle. Dabei wird schon auf Verfahren der Mustererkennung zurückgegriffen. Gemeinhin wird das Suchergebnis bereits als Problemlösung gesehen, wobei Modellbildung, Prognose und Kontrolle unsichtbar vom Nutzer ablau-fen. Statt einer Lösungsregel kann auch eine kontinuierliche Steigerung der Ergebnisrelevanz von Su-chen zu Problemlösungen führen, sobald entsprechende Schwellenwerte erreicht werden. Problemlö-sung wäre damit die iterative Suche nach einer Zielgröße.

Problemlösen ist nach Goldstone (1993) ein rationaler Teil des Lernens zum Wissenserwerb. Wis-

sensentwicklung kann dabei als Problemlösung verstanden werden, unabhängig davon, auf welchem Abstraktionsgrad. Problemlösung ergibt sich durch die Einbettung der intentional entstandenen Klassi-fizierung in die Situation und den Anwendungskontext. Hierzu bedarf es ggfs. einer Überarbeitung und Justierung der Abstraktionshierarchie, um erneut Ähnlichkeiten zu gewinnen. Sie ergeben sich auf den gleichen Abstraktionsstufen, denn Ähnlichkeiten verschwimmen ähnlich der Heissenberg’schen Unschärferelation, je genauer sie analysiert werden (Goldstone 1993, S. 132.ff.). Im Hinblick auf vo-riges Kapitel definieren sich Abstraktionsstufen durch die Anzahl der Differenzierungsmerkmale aus verschiedenen Perspektiven (Goldstone 1993, S. 149). Dies erhöht die strukturelle Komplexität.

Solange die Strukturen überschaubar sind, reicht für ihre Handhabung die euklidische Geometrie

mit einfachen Grundbausteinen und potenzierbaren Kompositionsregeln. Für komplexere Strukturen und Hierarchien empfiehlt Alber (2000) fraktale Geometrie. Eine fraktale Beschreibung natürlicher Formen vereinfacht das Problem in dem Sinne, dass die Komplexität von den Kompositionsregeln in die Grundbausteine selbst verlagert wird. Das Erzeugungsverfahren ist dabei Rekursion. Die Grund-elemente müssen je nach Abstraktionslevel und Problemstellung neu abgegrenzt und definiert werden.

Zur Festlegung des passenden Abstraktionslevels muss ein bestimmtes Ähnlichkeitsmaß für alle

beteiligten Konzepte erzielt werden. Abstraktion reduziert Daten und erzeugt Unschärfe. Das Maß an möglicher Unschärfe könnte sich durch ein Trustlevel oder Reputationsmechanismus definieren lassen (Luck et al. 2004). Dieser lässt sich durch Zuverlässigkeitstests und Sicherheitschecks bis hin zu Nor-men und sozialen Strukturen zwischen technologischen Einheiten, wie Agenten, weiterentwickeln.

Entstehen zufällig unbewusst Ähnlichkeiten, bezeichnet Karagiannis (2001, S. 210) diese als Asso-

ziationen. Zur Nutzung müssen sie konzeptualisiert und benannt werden. Ihr Abstraktionsgeflecht muss als Kontext dargestellt werden. Während das Bewusstsein sequentiell arbeitet, verlaufen unbe-wusste Prozesse parallel ab. Auch wenn Computer derzeit mit sequentiellen Logiken programmiert


werden, könnten sie ihre parallele Rechenkraft einsetzen, wie sie bei der Problemlösung im Schach eindrucksvoll unter Beweis stellen (Herbert 1964).

9.3.1 Reasoning als allgemeines, symbolisches Problemlösen auf Signalebene

Problemlösungsverfahren bilden Analogien durch das Übertragen von Regeln. Die Literatur struktu-riert die verschiedenen Reasoning-Ansätze. Ein kurzer Überblick soll Anregungen für die Diskussion und Einordnung geben, inwieweit diese für eine semantische Suche relevant sind. Nach Herbert (1964) existieren folgende Arten von Problemlösungen: Means-end analysis, Planning process, Problem-solving organizations und discrimination trees. Welche Verfahren sich zur Problemlösung eignen, hängt von der Problemklasse ab:

• Typ der Entscheidung: wie Auswahl einer Lösungsalternative, Auswahl einer Lösung für Handlungsprogramme oder Abstimmung von Handlungsprogrammen

• Entscheidungssituation: wie Sicherheit, Risiko oder Unsicherheit • Problemstruktur (Grad der Darstellbarkeit einer Problemstellung): wie Quantifizierbarkeit,

Zielfunktion, Lösungsverfahren, Lösungsdefekte, Wirkungsdefekte, Bewertungsdefekte oder Zielsetzungsdefekte

• Anwendungsbereich: Suche, Analyse, Synthese oder Prognose Je nach Ausprägung eignen sich andere Netzwerktypen (Horster 1993, S. 18). Diese lassen sich

gemäß der Verfügbarkeit der Lerndaten, ihrer Inputdatenstruktur, ihrem Bewertungsansatz und der Netzwerktopologie in drei Schritten den Problemklassen zuordnen (Horster 1993, S. 20):

1. Ableitung eines Netztyps aus dem Problemtyp (Verfahren) 2. Abgleich zwischen Problemstellung und Netztyp (Modell) 3. Lösung des Problems (Initialisierung) Wulff unterscheidet in Pedersen (2004) verschiedene Formen des Problemlösens: empirisch (in-

duktiv), deduktiv, empathisch und ethisch. Im Vordergrund der technologischen Diskussion stehen dabei Erstere zwei. Deduktives Schließen schließt nach Schmid (2002) vom Allgemeinen zum Spe-ziellen, während induktives Schließen vom Speziellen zum Allgemeinen leitet. In ihrer technologi-schen Anwendung manifestiert sich induktives Schließen durch sich selbst generierende Algorithmen in lernenden Systemen, während wissensbasierte Systeme mit deduktiven Schlüssen arbeiten. Beide finden ihre Basis in der holistischen (deduktiv) und feature-based- (induktiven) Mustererkennung.

Nach Reidsma et al. (2003) spielen in der Einordnung von Aussagen zeitliche Abfolgen und ver-gangene Situationen eine Rolle, um zu „schließen“.

9.3.2 Multi-perspective und case-based reasoning als symbolisches Problemlösen auf Bedeutungsebene

Bedeutung entsteht, prozedural betrachtet, durch den Interpretationsvorgang. Die Interpretation wird vertreten, wenn sich diese gegenüber dem Problem verifizieren lässt. Abstraktionen bieten For-men für den Umgang mit unvollständigen oder zeitkritischen Daten und ermöglichen damit eine Op-timierung der Rechenkosten. Hierfür wird eine Vergröberung und Modellierung durch Weglassen von Details vorgenommen.

Bestehende Definitionen interpretieren Standpunkte aus ihrem Inhalt, im Sinne von extern han-

delnde Einheiten bis hin zu mentalen Modellen in einer Domäne. Maiden et al. (1996, S. 158f.) er-gänzt dieses Verständnis um den Standpunkt-Halter („owner“) als soziale Komponente zur Unter-stützung und als Basis von Kommunikation, Verhandlung und Einigung. Ein Standpunkt kann dabei unterschiedliche Repräsentationsformen annehmen und besitzt spezifische Charakteristika (Maiden et al. 1996, S. 160), wie Name und Version, Beziehungen der Owner untereinander oder Prozessanlei-tung zur Weiterentwicklung des Standpunkts.

Während der Inhalt aus Dokumenten besteht, beinhaltet der Standpunkt vier Modelle: zwei Listen

mit Anforderungen und Annahmen, ein unvollständiges Datenfluss-Diagramm und eine Videoauf-


zeichnung des Definitionsmeetings. Diese werden in der ConceptBase gespeichert und über Sprache O-Telos repräsentiert und verarbeitet. Damit ergibt sich die Möglichkeit, sich oder ein Subjekt in die Rolle eines anderen zu versetzen, sobald die modellhaften Beziehungen untereinander definiert wur-den.

In Weiterentwicklung des Multi-Layer Reasoning, wie DynaMol (Leong 1998), werden die Layer

durch Perspektiven, ausgedrückt als Ontologien, ersetzt. Basierend auf einer Ähnlichkeitsprüfung können ontologische Überlappungen identifiziert werden. Dabei wird ein domänen-unspezifisches Meta-Modell aus dem Entstehungsprozess genutzt. Die Gemeinsamkeiten dienen als Anker für die weiteren „Verhandlungen“ im Hinblick auf Assoziationen zwischen Standpunkten. Nach fehlenden In-formationen fragt das System. Das beschriebene Modell vermeidet aufwendige Thesauri und Do-mainmodellierung für jeden einzelnen view und Standpunkt des Objektbereichs. Vielmehr wird die Sichtweise vom Content getrennt modelliert (Maiden et al. 1996, S. 165).

Standpunkte lassen sich mit Ontologien modellieren. Im rekursiven Dialog zum Problem entsteht

ein Prozess des semantischen Problemlösens. Weick (1985) beschreibt diesen Prozess als fünf Arten der Interpretation: effectuating (to see what happens – trial and error), triangulating (apply several dif-ferent measures to depend on perception their confidence-verification), affiliating (compare to already known features), deliberating (slow and careful reasoning), consolidating (put them in context). Sinn entsteht ihmnach durch das „Verhältnis eines Wissenssystems zu seinem Handlungssystem“.

Da sich subjektive, standpunktbezogene Strukturen derzeit nur manuell modellieren lassen, könnten

für komplexere Probleme nicht nur Ontologien, sondern, deskriptiv betrachtet, ganze Fälle struktu-riert beschrieben und mit Hilfe des Case-Based Reasonings (CBR) genutzt werden. Die Grundlage von CBR ist der CBR Cycle (Watson 1994). Er beschreibt mit Abbildung 13 in Anlehnung an Aamodt und Plaza (1994) die Nutzung und Verbesserung bestehender Lösungsfälle für neue Problemstellun-gen als einen Kreislauf von retrieve, re-use, revise, retain.

Abb. 14. CBR Kreislauf

Die Fälle lassen sich im adaptiven CBR anpassen und weiterentwickeln, um eine Problemlösung und Kommunikation zu ermöglichen (Bergmann 2002). Dafür können Ontologie-Instanzen zu einem ähnlichen Fall angepasst werden (transformational adaptation), Teilaspekte neu kombiniert (composi-tional adaptation) oder ganze Lösungsstrukturen auf neue Fälle übertragen werden (generative adapta-

New case

New case

Retrieved case

Prviouscases

Solvedcase

Tested,Repaired

case

Learnedcase

Problem

Suggested solution

Confirmedsolution

Ret

ain

Retain

Re-

use

Retrieve


tion). Ein gegebener Fall mit höchster Ähnlichkeit zum Problem könnte als Anker und Basis für einen induktiven Problemlösungsprozess durch Adaption dienen.

Allen Ansätzen ist gemein, dass das automatische Identifizieren eines geeigneten Abstraktionsle-

vels nicht problemlos realisierbar ist. Nach Smyth und anderen Autoren in Bergmann (2002) wäre die hierarchical adaptation ein Ansatz in Kombination mit anderen Modellen. Dabei werden Fälle auf un-terschiedlichen Abstraktionsebenen abgespeichert und vom allgemeinsten her angepasst, um dann in iterativer Weise die Veränderungen durch die Abstraktionsebenen hindurchzuziehen.

Eine weitere Herausforderung ist die Repräsentation und vollständige Abbildung komplexer Prob-leme und Fälle als explizites Transformationswissen in Form von Anpassungsregeln und Anpassungs-operatoren. Bergmann schlägt hierfür einen kompositionellen Ansatz vor, der die Probleme in Teil-probleme untergliedert und inkrementelle Lösungen anstrebt, die sich später wieder zur neuen Lösung zusammensetzen lassen (Bergmann 2002, S. 233ff.).

Allgemein gesprochen, löst der Adpations Zyklus eine Kombination von constraint-satisfaction-

Problemen, wie sie aus der prozeduralen Mustererkennung bekannt sind, sowie ein Optimierungsprob-lem (Bergmann 2002, S. 235f.). Dabei ist weniger relevant, welche Schwachstellen in einem Fall exis-tieren, als vielmehr Anpassungsregeln zu finden, die zu einem optimalen Konfigurationsresultat füh-ren. Hierfür lassen sich zwei grundlegende Ansätze unterscheiden: „Preservation of Consistency“ und „Temporary Loss of Consistency“. Ersterer beschreibt den Bedarf zur Konsistenz bei jeder Anpas-sungsiteration. Im zweiten Fall ist der kurzzeitige Verlust der Konsistenz erlaubt, wobei dieser ver-merkt wird, um in der finalen Lösung wiederhergestellt oder angepasst werden zu können.

Die Vorteile des CBR sind die schnelle Antwort auf der Basis von Fällen und Konzepten, ohne eine

erneute Herleitung und komplettes Domainverständnis. Als Nachteile dagegen gelten, dass alte Fälle veralten oder aktualisiert werden und die Treffergenauigkeit sehr stark von den Retrieval-Fähigkeiten und einer historischen Datenhaltung abhängt.

Interessant könnte CBR für Planungen sein, wo nicht vergangene Fälle im Vordergrund stehen, sondern zukünftige Situationen oder Zustände als case-based-Planungen erzeugt werden können. Die Entwicklung von Plänen ist ein wissensintensiver Prozess. Die Erfahrung aus diesen trägt nicht nur In-formationen zu semantischen Technologien der Mustererkennung und des Problemlösens, sondern auch zum Prozess der Wissensentwicklung bei. Frühe case-basierte Planungssysteme zur Planerstel-lung verwenden nach Bergmann (2002) folgende Module:

• der Anticipator sagt Planungsprobleme vorher.

• der Retriever durchsucht das Plangedächtnis nach Plänen.

• der Modifier verändert den gefundenen Plan.

• der Repairer liefert eine kausale Erklärung und repariert den Plan.

• der Assigner verwendet die kausale Erklärung, um die Merkmale festzuhalten, aus denen sich der Fehler zukünftig vorhersagen lässt.

• der Storer speichert die neuen Pläne im Gedächtnis.

Sie können hilfreiche Ansatzpunkte für einen Rahmen der Wissensentwicklung sein.

9.3.3 Agent-based solving als subsymbolisches Problemlösen auf Konzeptebene

Deklarativ betrachtet, soweit Subsymbolik symbolisch zu fassen ist, eignet sich die Linguistische Analyse (Magnini et al. 2002). Sie identifiziert automatisch mit Hilfe des Natural language proces-sing (NLP) Textbausteine und Begriffe und ordnet ihnen lexikalische Formen und Kategorien zu. Der Baustein wird funktional in seine Sprachstruktur zerlegt (vgl. als Beispiel www.askjeeves.com). Es in-terpretiert die Bausteine im Sinne ihrer Bedeutung und Synonyme (semantisches Netz) mit Hilfe von WordNet. NLP verwendet dabei zwei Stufen der Analyse: linguistisch, semantisch und ihre „Optimie-rungen“.


Prozedural gesehen, eignen sich Agenten für diese Aufgaben. Mit der Erstellung von Konzepten im Hintergrund ist es agentenbasiertes Problemlösen (Koriche 1998). Es besteht aus Verstehen, Denken und Annähern. Agenten können sagen, ob eine Aussage die logische Konsequenz seiner Wissensbasis ist oder ob alle allgemeingültigen Interpretationen dieser Aussage für die Wissensbasis gelten. Aus der Vielzahl an Entscheidungsmöglichkeiten bei unzureichender Information soll der Agent beim Deci-dable Reasoning den Teil wählen, der die höchste Übereinstimmung aufweist.

„Agent“ is ein viel verwendeter Begriff, der selbst ein Beispiel für die Mehrdeutigkeit eines Kon-

zepts in unterschiedlichen Kontexten ist. Lexikalisch gesehen, ist ein Agent jemand, der im Auftrag eines anderen tätig wird (Burkhard 2003). Er ist fähig, eigenständig (autonom) Aufgaben durchzufüh-ren, die zur Lösung einer Aufgabe notwendig sind. Er ist adaptiv, intelligent und mobil (Stormer und Knorr 2001). Autonomie entsteht, wenn sein Verhalten auf eigener Erfahrung beruht. Er ist eine tech-nologische Repräsentationsform, die bestimmte Verfahren anwenden und ausführen kann. In ihrer Kombination zu Agenten-Systemen nutzen Agenten weitere Kombinationsmöglichkeiten und ermög-lichen die Lösung komplexere Aufgaben, wie Planung, Prozesskontrolle, Produktionssteuerung, Luft-verkehrskontrolle, Informationsmanagement, E-commerce (Verhandlungen) oder Business process management (Merk 2001).

Aus informationstheoretischer Sicht unterscheiden sich Agenten von Objekten durch die fehlende

Kontrolle von Objekten über ihr eigenes Verhalten. Agenten kapseln mehr Freiheitsgrade (Wagner et al. 2003). Sie besitzen somit die Autonomie, eine geforderte Leistung entsprechend ihrer aktuellen Si-tuation zu erbringen, indem sie Lösungsvarianten gegeneinander abwägen.

Agenten reichen nach Luck et al. (2004) von reaktiven über hybride bis hin zu deliberativen Agen-

ten, die sich hinsichtlich ihres Autonomiegrades unterscheiden. Nach Wagner et al. (2003) sind we-sentliche Elemente von Agentensystemen die Interaktion von Agenten und agenteninternen Abläufen. Hierfür existieren agentenorientierte Programmiersprachen, Klassenbibliotheken, Entwicklungsumge-bungen wie Gaia, agentTool, Passi oder Jess, Laufzeitumgebungen und Agentenarchitekturen. Agen-ten werden für eine konkrete Aufgabenstellung und Problembeschreibung entwickelt. Damit wird die Intention (Rolle(n)) und Situation (Prozess(e)) bis zu einem gewissen Grad extern vorgegeben. Es wird deduktiv ein Modell (Funktionsspezifizierung, Systemstruktur und -verhalten) designed, um es in kleine Einheiten (Agenten) zu zerlegen. Durch Abstraktion lassen sich Konzepte erstellen, die über ei-ne Strukturierung in Hierarchien und Beziehungen als Interaktionsmodelle wirken.

Nach Dodero et al. (2002) ist der Austausch von Vorschlägen in einer gemeinsamen Sprache und in

Abhängigkeit der Ziele und Bedürfnisse beteiligter Agenten Mittel der Interaktion. Fishburn basiert diese in Dodero et al. (2002) auf Beziehungspräferenzen, Werte, Issues und auf die Speicherung von Entscheidungszuständen zur Nachverfolgung der Entscheidung. Darin spielen Hierarchien von Agen-ten, vorherige Zielerfüllung oder Erstellungszeitpunkt von Vorschlägen eine Rolle, um die Relevanz einzuschätzen. Sie lässt sich aus diesen Faktoren als Funktion modellieren und optimieren.

Diese Form wendet Heutte (2004) in einem Multi-Agenten-System an, um Bilder zu klassifizieren.

Srinivas und Wechsler nutzen in Khuwaja (2002) eine hybride Architektur für forensische Klassifizie-rung von Bildern und Zhang and Flucher nutzen in Khuwaja (2002) einen Baum von neuronalen Net-zen. Möglichen Geschwindigkeitseinbußen begegnet Heutte durch einen gemeinsamen Speicher. Gruppierung der Agenten ermöglicht eine spezifische Behandlung auf verschiedenen Interpretations-stufen. Die Programmierung in KQML erlaubt eine Installation auf unterschiedlichen Computern und damit ein vernetztes Arbeiten.

Mit den unterschiedlichen Gestaltungs- und Ausprägungsmöglichkeiten, die MAS bieten, entsteht

eine große Vielfalt an Anwendungsmöglichkeiten, (Elst et al. 20004): • funktional nach Aufgabe (Informationsauswahl, Schnittstellenmanager, Decision support, si-

mulation, Kontexterstellung, Telekommunikation, statische Optimierungsprobleme, Doku-mentenvorschläge),

• inhaltlich (e-business, Supply chain Information, etc.) • technischen Eigenheiten, wie


o Architekturdesign - rein reaktiv, Nutzung von Agentenzuständen, etc., o konkrete Architektur - belief-desire-intention oder schichtenbasiert, o spezielle features - Mobilität, Interaktion mit Menschen, Anpassungsfähigkeit, Zu-

sammenarbeit, etc. Allen ist ihr Streben nach Prozessoptimierung gemein. Nach Elst et al. (2004) sind wesentliche

Herausforderung für Informationsagenten weniger die Retrievaltechniken als vielmehr die Sensoren, die den Kontext aufnehmen, und die Funktionen, die die Ausgabeform der Information steuern. Sie geben einen ausgezeichneten Überblick über die Landschaft von Multi-Agentensystemen in der Glie-derung nach Agentenähnlichkeit.

Homogene Ansätze beinhalten für sie Agenten, die einer gemeinsamen Klasse angehören, wie

Matchmakers. Darüber hinaus haben sie Agenten, die Nutzern helfen, Informationen nicht nur zu nut-zen, sondern auch bereitzustellen, und miteinander (kontext-basiert) zu kommunizieren. Als Beispiele mit entsprechendem Literaturverweis führen die Autoren an: Kazaa, Edutella, Ed2K, MARS, DIAMS, CAPIAs (Context–Aware Personal Information Agents).

Auch wenn homogene Agentensysteme nach Elst et al. (2004) ein guter Hebel für Informations-agenten sind, basieren sie nicht auf Agentenplattformen und konzentrieren sich im Wesentlichen auf eine KM-Aufgabe (Informationsvorschläge und Interaktionsunterstützung). Sie erreichen zwar eine Umorientierung vom Produktfokus auf einen Prozessfokus der Applikationen, sind aber nicht ausrei-chend, um komplexe Wissensdomänen zu managen. Hierfür ist eine Kombination aus globaler, orga-nisationaler und individueller Perspektive und ein autonomes Entscheidungsverhalten notwendig.

Heterogene (Multi-)Agentensysteme, wie KaoS, versprechen nach Elst et al. (2004) Abhilfe, in-

dem sie Agenten unterschiedlicher Klassen (unterschiedliche Ziele und Kompetenzen) miteinander kombinieren. Dabei können einerseits mehr Perspektiven oder andererseits mehr Systemfunktionalitä-ten modularisiert und repräsentiert werden. Sie bedienen sich auf Ebene der funktionalen Softwarear-chitektur des bekannten Drei-Ebenen-Modells: Daten- Applikations- und Präsentationsebene (Elst et al. 2004). Für die meisten dieser Systeme steht der Knowledge re-use im Vordergrund.

Merk (2001) unterscheidet logik-basierte (deliberativ) und reaktive (verhaltensbasiert, emergent)

Agenten-Architekturen. Logik-basierte, wie PROLOG, bieten eine klare logische Semantik, besitzen aber eine schlechte Performance wegen inhärenter Berechnungslogiken. Reaktive Architekturen besit-zen eine strukturelle Einfachheit und Effizienz, lassen sich aber schwer vorhersagen und mit Lernkon-zepten versehen. Sie erlauben im Unterschied zu deliberativen (planend, feed-forward) neuen Informa-tionen die Handlungen kontinuierlich zu beeinflussen und zu übernehmen. Sie sind opportunistisch und ungeplant.

Bryson (2000) differenziert reaktive Architekturen als verhaltens-basierte, zwei- oder dreischichtige

Systeme mit reflective, deliberative und reactive level, Belief-Desire-Intention (BDI) und Soar-Architekturen.

Kernherausforderungen im Design von Agenten ist die Transformation der Wahrnehmung in eine hilfreiche mentale Repräsentation gewünschter Handlungen und diese in die eigentliche Handlung. Verhaltens-basierte Systeme gehen davon aus, dass sich intelligentes Verhalten nicht aus dem Den-ken ableiten lässt und daher die Konzentration auf diese beiden Transformationen ausreichend ist (Bryson 2000). Sie sind modular aufgebaut und damit abhängig von einer hierarchischen Steuerung. Hierarchische Systeme transformieren Wahrnehmungen und Intentionen in einen Abfolgeplan von Handlungen unabhängig von seinem Ursprung (Erfahrung, Kreativität, Instinkt, etc.). Externe Eventu-alitäten lassen sich hierüber schwer vorhersehen und abbilden.

BDI-Architekturen (Belief-Desire-Intention) definieren, welche Ziele wie erreicht werden sollen

(Merk 2001). Beliefs sind dabei aus der Agentensicht wahre Umweltinformation. Desires sind Optio-nen, die ein Agent hat, um die Ziele zu erreichen, die als Intentionen bezeichnet werden.


Soar unterscheidet sich von den beschriebenen Systemen durch eine stark verteilte Kontrolle in Produktionsregeln. Diese sind fast ausschließlich reaktiv. Sein aufwändiger Programmierüberbau be-schert Soar ein Nischendasein als eine spezialisierte Form von Lernsystem.

Zusammenfassend zeigt sich, dass Auswahl seiner Aktionen ein wesentliches Merkmal reaktiver

Agenten für komplexe Aufgaben und ein parallel arbeitendes „environment monitoring system“ für Agenten in dynamischen Umgebungen sein müssen.

Kernproblem von reaktiven Systemen ist, dass sie kein Gedächtnis besitzen und jede Information daher eine Reflexion der aktuellen Umgebung ist. Ohne Gedächtnis kann ein Agent nicht lernen order vorausschauend planen. Das Gedächtnis unterstützt dabei die Bewertung von mehrdeutigen Informati-onen und ist damit Basis einer entsprechenden Differenzierungsfähigkeit.

Mehrschichtige und hybride Systeme kombinieren die verschiedenen Ansätze. Malcolm kombi-niert ein verhaltensbasiertes System mit einem hierarchischen Planungssystem als zweischichtiges System. Dreischichtige Systeme nutzen eine Mittelschicht, die Planelemente als „implizites Wissen“ im Gegensatz zum expliziten Lösungswissen beinhaltet. Diese Mittelschicht wird meist als reaktiv be-trachtet, da sie selbst keine eigenen Pläne entwickelt, sondern nur situationsbedingt selektiert. Modula-rität ist bei diesen Schichtenmodellen auf die untere verhaltensbasierte Ebene beschränkt. Offen ist, wie Repräsentationen zwischen den verschiedenen Schichten verschoben und genutzt werden können.

Während die Robotik dreischichtige Modelle bevorzugt, scheint sich in Agentenarchitekturen das

Procedural Reasoning System (PRS) und Reactive Action Packages (RAP) für die Mittelschicht durchzusetzen (Georgeff und Lansky 1987, Firby 1987). RAP erlaubt die Erzeugung reaktiver, flexib-ler und situationspezifischer Pläne.

PRS besteht aus vier Ebenen, die durch einen Übersetzer verbunden sind, der Wahrnehmung, Hand-

lung und logisches Denken steuert. PRS behebt Probleme traditioneller Planungsarchitekturen, wie die Erstellung eines vollständigen Plans vor der Handlung, da vorher nicht geklärt werden kann, inwieweit er „viable“ ist (Glasersfeld 1995). Meist werden die Pläne rückwärts, vom Ziel ausgehend definiert. Die Schwierigkeit ist, Pläne während der Handlung zu verändern oder verschiedene Ziele, wie Planen und intuitives, reaktives Handeln, gleichzeitig zu verfolgen.

PRS erwiesen sich in der Praxis als einfacher zu programmieren und bieten vordefinierte Plan-Datenbanken und spezialisierte Priorisierungsmechanismen für die Aufmerksamkeit von Agenten.

9.4 Zwischenfazit

Mit der Übersicht und Darstellung ausgewählter Technologien in den jeweiligen Klassen der Künst-lichen Intelligenz ergeben sich folgende Erkenntnisse als Antworten auf die Forschungsfrage F-5, welche Verfahren sich am besten für den Umgang mit Wissen eignen.

Die Antworten beziehen sich dabei auf die Eigenschaften von Wissen und erklären, wie sich die

Hebel der Wissensentwicklung technologisch abbilden lassen. Im zweiten Schritt werden die techno-logischen Ansätze mit möglichen Verfahren aus der Diskussion detailliert. Eine Auswahl und Einord-nung der verwendeten Technologien erfolgt dann in den Folgekapiteln anhand des Semantic Desktops und Gnowsis.

Eigenschaft von Wissen

Hebel der Wissens-

entwicklung Technologische Ansätze und Hebel

Vergänglich, kon-struktiv (A-5.1.1)

Rekursivität und Lernen

Erst die Abbildung durch prozedurale Verfahren erset-zen den Explizierungsaufwand und erlauben systemim-manente Lernprozesse.

Technologische Verfahren werden in deklarative und prozedurale Verfahren unterschieden. Im Hinblick auf den Modellierungs- und Redaktionsaufwand erfordern deklarative Verfahren einen grö-


ßeren Explizierungsaufwand. Prozedurale Verfahren benötigen einen höheren Qualifizierungsauf-wand in der Beschreibung, da mehr Intelligenz in das Verfahren verlegt wird. Manche Verfahren dienen dazu, den Aufwand für die Modellierung von deklarativen Verfahren zu re-duzieren, wie z.B. Ontologie-Extraktoren für die Erstellung von Ontologien. Sie verbessern zwar das Aufwand-Nutzen-Verhältnis, reduzieren aber den Grundaufwand nicht. So lässt sich, deklarativ gesprochen, die Vergänglichkeit in der Praxis durch ein Verfallsdatum von Wissensobjekten addressieren. Prozedural gesehen würde ein konstruktivistisches, rekursives Verfah-ren dies implizieren und ein Ergebnis immer wieder neu ermitteln. Dieser immer wieder neue Ermitt-lungsaufwand wirkt negativ auf die Performance.


Hebel der Wissens-


viabel, kontext-spezifisch

(A-5.1.2)

Umgang mit Sub-symbolik

Eine systemimmanente Identifikation der Subsymbolik er-scheint erst mit Ansätzen auf der Konzeptebene reali-sierbar.

Deutlich wurde die Bedeutung der Abstraktion und Ähnlichkeit zur Einbettung von Informationen in den Anwendungskontext. Dabei wird zwischen deduktivem und induktivem Vorgehen unterschie-den. Im deduktivem Vorgehen müssen subsymbolische Konzepte in der Modellierung expliziert wer-den. Induktiv müssen diese systemimmanent zugänglich gemacht werden. Ontologien machen diese als Klassifizierungen technologisch nutzbar. Sie erschließen die Bedeu-tungsebene im Rahmen der Repräsentation und Mustererkennung über semantische Beschreibungs-sprachen in Ergänzung zu statistischen Verfahren auf der Signalebene. Mit Hilfe verschiedener For-men des ontology mappings lassen sich diese für die Mustererkennung im Rahmen des Information Retrievals nutzen.


Hebel der Wissens-


subjektiv (A-5.1.3)

Berück-sichtigung der

Intention

Intention ist neben Kontextfaktoren ein Relevanz- und Ent-scheidungskriterium und kann durch ontologische Muster-erkennung als Näherung in Problemlösungsverfahren be-rücksichtigt werden.

Die bisherige KI konzentrierte sich auf die Ebene der Symbole. Semantische Technologien erlau-ben zum einen die Erfassung durch ontologische Repräsentation, zum anderen die Verarbeitung durch ontologische Mustererkennung auf Bedeutungsebene. Semantische Verfahren bieten auf-grund ihrer symbolischen Basis nur eine Näherung, die helfen kann, subsymbolische Prozesse besser zu verstehen, ohne sich auf „black boxes“ verlassen zu müssen. Sie helfen, komplexere Zusammen-hänge verarbeitbar zu machen. Noch benötigen sie eine Modellierung aller relevanten Perspektiven, wie der Intention des Betrachters mit seinen Zielen, Aufgaben und Kompetenzen. Folge ist eine mehrdimensionale Verschlagwortung durch strukturierte Meta-Daten.

Konzepte beschreiben subsymbolische Phänomene, die weniger als symbolische, sequentielle Be-

schreibung zu fassen sind, sondern als simultane Gleichgewichtsprozesse wie Zustände bestehen. Sie zerfallen durch eine Beobachtung oder Bewusstmachung und erneuern sich ständig. Eine Modellie-rung dieser könnte sich dem in der Wissenstheorie geforderten re-entry nähern und ständig neue Beg-riffsmutationen anbieten (Edelmann und Tononi 2000). Die Differenzierung nach Abstraktionsebenen verdeutlicht in eigener Darstellung mit Tabelle 12, dass sich semantische Verfahren subsymbolischen, konzeptionellen Phänomenen nur simulativ nähern können.


Tabelle 12. Mögliche Verfahren zur Realisierung der technologischen Hebel

Zuordnung Technologischer Hebel

Mögliche Verfahren

Zu A-5.1.1

Vergänglich, kon-struktiv,

Rekursivität und

Lernen

Verbesserung von de-klarativen Verfahren durch Explizierungs-hilfs-mittel Ersatz durch proze-durale Verfahren

• Erstellungshilfen für Ontologien - Automatisierung

• Crowdsourcing (Verteilung des Redaktionsaufwands auf viele Personen)

• Verfallsdaten mit Bearbeitungsworkflow Unüberwachtes Lernen und schemata emerging könnten in Erweiterung zu bekannten stochastischen, überwachten Verfahren mit Hilfe von Constraint-Satisfaction-Netzwerken bottom-up-Entwicklungen simulieren und unterstützen. Damit ginge man von einem rein konstruktiven, sich ständig erneuerndem Modell aus.

Zu A-5.1.2

viabel, kontextspezifisch

Umgang mit Sub-

symbolik

Höhere Abstraktions-ebenen technologisch nutzbar machen durch Beschreibung und Repräsentation von Konzepten

Deklarativ (direkt) durch semantische Beschrei-bungssprachen wie RDF(S) oder OWL auf XML-Basis und Ontologien Deklarativ (indirekt) durch Repräsentationsnetze, wie Neuronale Netze Prozedural durch Abbildung des Personal Informati-on Models als Repräsentation mentaler Modelle

Zu A-5.1.3

Subjektiv,

Berücksichtigung der Intention

Integration und Kom-bination von Muster-kennung und Problem-lösungsansätze Annäherung durch Si-mulation und Nutzer-feedback

Deklarativ (direkt) • Heuristiken, Regeln, wie Explizierung der Ziele in der

deduktiven Wissensentwicklung • Nutzerfeedback über Ergebnis-Layout

und Navigation • Case-based Reasoning

Deklarativ (indirekt) Die Rolle eines Nutzers könnte im Prozess ein Zwi-schenschritt sein, die Intention zu erfassen und damit automatisch zugänglich zu machen. Über Peer-2-Peer Ansätze könnte das Zusammenspiel und die Kommunikation der Akteure simuliert werden und damit eine Erfahrungsbasis für Agentenarchitek-turen darstellen.

Prozedural Nutzung von multi-perspective resoning Ansätzen, die über Verhandlung der Standpunkte zu Aussagen kommen. In Weiterentwiclung können Agenten diese Standpunkte repräsentieren und wie Individuen agie-ren. Manuell ließe sich ihnen eine Perspektive und In-tention in Form von Prinzipien, Werten geben, um den subjektiven Charakter von Wissen zu repräsentie-ren.

Diese Verfahren erschließen die Konzepte in Form von Ontologien aus dem Nutzerkontext, wäh-

rend Metadaten manuell expliziert werden. Die Intelligenz liegt bei Metadaten außerhalb des Systems beim Knowledge Engineer.


(A-5.2) Die technologischen Hebel nutzen Repräsentationen mentaler Modelle.

Die verwendeten deklarativen Verfahren werden derzeit auf Bedeutungsebene noch nicht durch prozedurale ersetzt. Um eine manuelle Modellierung zu umgehen und den Redaktionsaufwand zu ver-ringern, nutzen diese Hilfsmittel automatische Ermittlung durch Nutzerbeobachtung und Ontologie-Automatisierung als Repräsentanten mentaler Modelle.

Menschen sind immer auch eine Fehlerquelle. Semantische Verfahren erlauben mit der automati-

schen Ermittlung die Vermeidung von Fehlern bei der Indexierung und damit eines Informationsver-lusts bei der Recherche. Die dynamische Integration vermeidet die kontinuierliche Verwaltung der Terminologien und deren Kosten. Es erlaubt eine Konsistenz in den Bezeichnungen, so dass nicht un-terschiedliche Anwendergruppen unterschiedliche „Sprachen“ nutzen, die wieder zu Verständnis-schwierigkeiten führen.

Aber auch automatisierte Lösungen bergen Schwierigkeiten. Ihre Grenzen liegen in der unzurei-

chenden Fähigkeit, mit Komplexität umzugehen. Sprachliche Vielfalt ist zu hoch oder Termmenge ist zu niedrig, um die Sachverhalte performant und in guter Qualität abzubilden und auszuwerten. Die Zuordnung sprachlicher Ausdrücke zu ihren Bedeutungsinhalten ist unzureichend oder es fehlen be-griffliche Relationen in der Lexikalisierung von Paraphrasen.

Die vorgestellten Verfahren wirken wie Spezialbausteine, die jedes für sich spezifische Herausfor-derungen der Repräsentation, Mustererkennung oder Problemlösung addressiert. Sie decken das Spektrum von symbolischen, statistik-geprägten bis hin zu subsymbolischen, holistischen Ansätzen ab. Ersteren mangelt es an Subjektivität, Letztere scheinen den Kontext zu erfassen und damit die Vi-abilität zu addressieren. Sie beinhalten auch differenzierte Sichtweisen und Formen der Verhandlung zur Konstruktion eines neuen Zustandes. Sie lassen aber die Vergänglichkeit unberücksichtigt und ar-beiten derzeit noch auf Informations- und Datenbasis statt auf Konzepten. In Summe zeigt sich, dass kein Verfahren oder keine Technologie es vermag, die Herausforderungen alleine zu lösen.

(A-5.3) Die Verfahren wirken in ihrer anwendungsspezifischen Kombination.

Kernfrage der technologischen Unterstützung im vorliegenden Fall ist die Informationsrelevanz, die im Anwendungsbezug als Wissen Wert stiften kann. Relevanz ist ein relativer Begriff, dessen Aus-sagekraft sich erst in Bezug auf etwas ergibt, hier dem Template eines Management Summaries. Die Rolle der Prozessakteure könnte, wie im Beispiel illustriert, eine wichtige Rolle spielen. Fraglich ist, ob diese die Subjektivität von Wissen und die Standpunkte aus der Technologiediskussion rep-räsentieren kann (F-5.3.1). In diesem Falle könnte über sie das Modell der Intention in die Diskus-sion und Technologien eingebracht werden.

Folgendes Kapitel stellt bestehende Applikationen zur Abgrenzung und Einordnung kurz vor und

zeigt die Probleme auf. Daraufhin wird mit der semantischen Suche im Semantic Desktop eine neue Kombination von Technologien in ihrer Wirkung auf die Informationsrelevanz untersucht. Dabei soll im Hinblick auf die nächste Forschungsfrage (F-6) herausgearbeitet werden, inwieweit die semanti-sche Suche (Gnowsis) des Semantic Desktops leistungsfähiger und intelligenter als bestehende Suchen im Rahmen des betrieblichen Wissensmanagements sind. Auf dieser Basis soll zudem die neu aufge-worfene Frage (F-5.5.1) untersucht werden. Mit den Erkenntnissen lässt sich der Beitrag des Semantic Desktop im Sinne der Forschungsfrage (F-7) bestimmen und einordnen.


10 Semantic Desktop im Applikationsumfeld

Aus Applikationssicht bieten auch Proposal Automation Tools, Recommendersysteme oder Con-tent- und Wissensmanagement Tools einen Rahmen für den betrieblichen Umgang mit Informationen. Sie kombinieren bereits verschiedene Technologien und machen sie für den betrieblichen Ein-satz nutzbar.

Sie bilden den Umgang mit Informationen im Sinne des Contententwicklungs- und -pflegeprozesses ab, vernachlässigen aber die Einbindung in die Geschäftsprozesse. Sie sind nach wie vor auf ein ma-nuelles Design im Vorfeld der Anwendung angewiesen.

10.1 Wissensmanagementsysteme (WMS) und Portale

Informationssysteme für das Wissensmanagement sind nach Riempp (2004) WMS. Sie sollten leichten Zugang zu gemeinsamen Dokumenten und Lessons learned bieten, ohne eine reine Dokumen-tenablage zu werden. WMS beziehen sich auf explizite Wissensobjekte, die gerne durch explizite Ver-bindungen mit Links für die Navigation verbunden werden (Document linkage systems). WMS exis-tieren als argument management systems. Sie versuchen, komplexe Diskussionen und Entscheidungen zu visualisieren und zu verbessern. Beide erfordern ein hohes Maß an Pflegeaufwand und bedürfen meist extensiver Suchtechnologien, um der Informationsflut Herr zu werden.

WMS unterstützen Mitarbeiter bei der Ausführung von WM-Prozessen und integrieren Technolo-

gie, Prozess und Anwenderaktivitäten. Sie unterstützen Transparenz, Austausch, Steuerung der Wis-sensentwicklung und Effizienz. Aus prozessualer Sicht bieten sie Inhalte, Kompetenz, Zusammenar-beit und Orientierung (Riempp 2004, S. 132f.).

WMS lassen sich nach unterschiedlichen Kriterien klassifizieren. Nach Maier (2002, S. 220ff.)

abstrakt nach der Wissensart oder des Contents (Produktwissen, Patente, best practices, FAQ, com-munity directory), eng gefasst nach ihrer Funktionalität oder konkret nach der Aufgabe. Weiter un-terscheiden sie sich nach Riempp (2004, S. 144) in ihrer Realisierung gemäß der Zielgruppe: Indivi-duum (Content-Management), Gruppe (Community) oder Organisation (Portal) oder ihrer Funktionalität: Portale, Community System, wissensintensives Prozessmanagement oder Kreativitäts-werkzeuge.

Drei wesentliche Quellen für WMS-Architekturen finden sich ebenfalls bei Maier (2002): Theorie-

getrieben (Organisational memory), Markt-getrieben (praktische Integration von Daten und Doku-menten Management System), Hersteller-spezifisch (white-paper-basiert). Maiers (2002, S. 196f. und 2005) Architekturvorschlag bettet WMS in die Systemlandschaft als Middleware ein. Sie lassen sich als personen-, organisations- oder wissensproduktgebundene Instrumente differenzieren

Wissensportale bieten einen Single point of access und über reine Contentsammlungen hinaus

Sinnzusammenhänge, um Informationen zu finden. Sie erlauben den Zugang zu unterschiedlichen In-formationsquellen, kontinuierlichen Zugriff auf neue Informationen basierend auf Nutzerprofilen. Hierfür haben sich eigene Applikationen etabliert (Plumtree, Hummingbird, etc.), deren Art und Um-fang (Wissensteilung, Wissenssuche, Wissensaufbereitung (Retrieval, Agents, Groupware), Wissens-basis (DMS, Archivierung, Imaging), Wissenslandkarten) die Meta-Group als Enterprise Information Portals bezeichnet (Koriche 1998) .

Eine besondere Form eines WMS ist das Corporate Memory (Aschoff und v. Elst 2001). Es be-

zieht die abstrakte Definition auf das im Unternehmen verfügbare Wissen mit ein. Es entwickelt sich zunehmend weg von einem personen-unabhängigen System hin zu einer Interaktionsplattform zur Er-stellung und Nutzung von Wissen.

Dennoch bleibt fraglich ist, wie und welches Wissen gespeichert werden kann. Letztlich können nur

Informationen, wie Content, Meta-informationen, Konzepte, Regeln oder Beziehungen gespeichert werden.


10.2 Proposal Automation Tools

Zur Verbesserung der Unterstützung der Angebotsentwicklung gibt es bereits einige enabling appli-cations, wie Proposal Automation Tools – PAT − (Wilson 2001). Sie entwickeln Standardangebote, indem sie Text- und Grafikelemente auf der Basis von vorgegebenen Angebotsstrukturen miteinan-der verbinden. Sie stützen sich dabei auf Portfoliodefinitionen und vordefinierte Argumentationen. Sie können aufgrund ihres manuellen Vorgehens als Content-Applikationen betrachtet werden. Sie-mens IT Solutions und Services (SIS) verwendet ähnliche eigenentwickelte Anwendungen, die dar-über hinaus eine Standardkalkulation und Preisermittlung unterstützen. Sie tragen zwar zur Vereinfa-chung des Angebotsprozesses bei, aber bisher nicht zur Reduzierung des Redaktionsaufwands.

Hierfür müssten sie Technologien und Verfahren anwenden, die mit höheren Komplexitäten umge-

hen können. Denkbar wäre ein Management Summary als einen case aufzufassen und mit case-based-reasoning-Verfahren zu arbeiten.

Aufgrund der Aufgaben- und Informationskomplexität unterstützen PAT zwar, ersetzen aber

noch keine wissensintensiven Prozesse und machen noch keinen Gebrauch von den beschriebenen Funktionen. Sie bedürfen heute einer aufwendigen Spezifizierung und vernachlässigen wichtige Kon-textinformationen, wie Kundenprioritäten oder Geschäftsumfeld des Kunden. Sie unterstützen daher noch keine Entwicklung von Value propositions, wie Kostenreduzierung für Antworten auf Kunden-anfragen, oder Solution Szenarios, wie Lieferung eines globalen Help-Desk und Prozess-Redesign statt Verkauf von Suchfunktionalitäten.

10.3 Recommendersysteme

Recommendersysteme geben Endnutzern Produkt- oder Serviceempfehlungen und bilden selbst ei-nen wissensintensiven Prozess ab. Mit ihrer Funktionalität können sie eine aktive Prozessunterstüt-zung für wissensintensive Prozesse sein.

Adomavicius und Tuzhilin (2005) unterscheiden in ihrem Literaturüberblick zu content- und colla-borations-basierten sowie hybriden Empfehlungsansätzen heuristisch- und modell-basierte Empfeh-lungstechniken. Brand-Haushofer (2005) differenziert nach dem Einsatzfeld in Vorschlagssystemen, Selling-Systemen und Systemen zur Kundenkommunikation. Terveen und Hill (2001) unterscheiden als Ansätze content-based, collaborative-filtering, reccomendation support und social data mining.

Sie basieren alle auf Informations-Filteringsystemen und stellen Technologien aus der Prozesssicht dar. Im weiteren Sinne umfassen Recommendersysteme damit individualisierte und nicht-individualisierte Systeme. Damit würden sie Formen einer Suche einschließen. Im engeren Sinne un-terscheiden sich beide durch den Grad der Profilnutzung. Recommendersysteme weisen eine hohe Personalisierung auf. Im Hinblick auf den Semantic Desktop verschwimmt diese Grenze aber zuneh-mend. Runte (2000) unterscheidet weiter in eigenschaftsbasierte und empfehlungsbasierte Systeme. Erstere leiten die Empfehlung feature-based aus den Objekteigenschaften ab, während Letztere über collaborative filtering Peer-Gruppen einbeziehen.

In diesem Sinne stellt der Semantic Desktop ein Hybrid dar. Er nutzt beide Denkrichtungen, wo-bei er die Empfehlungen anderer user automatisch aus deren Eigenschaften, sprich Personal Informa-tion Models (PIMO), ableitet. Langfristig werden semantische Suchen so vielleicht Vorschläge zu re-levanten Textbausteinen in Abhängigkeit der value proposition, Kundensituation und Vertriebsstrategie machen können. Semantik ergänzt in jedem Fall bestehende Filter-Algorithmen und verbessert damit die Recommendations und Recommendersysteme.

10.4 Semantic Desktop

Der Semantic Desktop ist ein Artefakt und Tool basierend auf semantischen Technologien im Kon-text des Semantic Web (Dengel 2007). Er kombiniert individuelles Informationsmanagement mit si-cherer Informationsverteilung in vertrauensvollen Community-Umgebungen. Er macht Technologien des Semantic Web für den Desktop nutzbar (Sauermann 2003 und Sauermann et al. 2005) und stellt semantische Services für Collaboration und Community building bereit (Dengel 2007). Dafür kombi-niert er verschiedene technologische Bausteine, wie Algorithmen, Schnittstellen oder Ergebnisdar-stellungen und ergänzt sie um einen peer-to-peer-Ansatz.


Die Entwickler und Autoren Sauermann et al. (2005) beschreiben den Desktop als ein Artefakt, in

welchem ein Individuum all seine digitalen Informationen aufbewahrt. Als semantische Webres-sourcen sind sie über einen Uniform Resource Identifier (URI) identifizierbar und als RDF Graph auswertbar. Die Beziehung der Ressourcen untereinander erfolgt durch Ontologien als Abbild indivi-dueller mentaler Modelle.

Der Semantic Desktop entstand aus Studienprojekten der Autoren und wurde im Rahmen von For-schungsprojekten am DFKI, wie EPOS (Dengel et al. 2002), weiterentwickelt. Er ist beeinflusst von Forschungsprojektem im Umfeld des Semantic Web, wie

• Webservices und Informationsintegration bei SECO (Harth 2004), • Datenintegration und Anpassung von SQL Quellen (Bizer und Seaborne 2004) • ein erster Integrationsansatz vom MIT aus dem Projekt Haystack (Quan et al. 2003) • Speicherung von Multimediadaten aus Microsofts MyLifeBits-Projekt (Gemmel et al.

2002) • Personal Information Manager aus dem open-source-Projekt Chandler

(www.chandlerproject.org) oder IRIS Semantic Desktop (www.openiris.org) • Visiualisierung und Bearbeitung von RDF Graphen aus dem Fenfire-Projekt

(www.fenfire.org)

Für die Anwendungsfelder des Semantic Desktop existieren bereits verschiedene Bausteine und Technologien. Sauermann et al. (2005) geben dazu im Hinblick auf die Realisierbarkeit und Nutzung im Praxisumfeld eine Übersicht und Referenzen zu den verwendeten Technologien. Sie verdeutlichen in Tabelle 13 die Kernpunkte der Weiterentwicklungen und technologischen Besonderheiten des Se-mantic Desktop unter Berücksichtigung folgender Kriterien bei der Verfahrens- und Technologieaus-wahl:

• Performance: Geschwindigkeit in Bezug auf die Ergebnisqualität

• Ressourcenbedarf: Speicherbedarf und Systemvoraussetzungen

• Usability: Nutzergerechte Navigation und Ergebnisbereitstellung

• Offenheit: Offene Schnittstellen und Kombinationsfähigkeit in einer Architektur

• Reifegrad: Fähigkeit, mit Komplexität umzugehen ohne zusätzlichen Modellierungsauf-wand

Tabelle 13. Technologiebausteine des Semantic Desktops

Type Today Semantic Desktop Storage • Jena

• RDF gateway • Sesame

SPARQL und semantische Protokolle (RDF)

Search • Lucene • Desktop Search Tools

Semantische Suchdienste

Grounding Technology

Communication • Jabber, IM • Email • P2P networks

Semantic messaging und P2P

Ontologies • DC • FOAF • Icalender • SKOS • Thesauri • PIMO

•Popular ontologies •Ontology mapping •Desktop ontologies

Information Interaction

Ontology editing • Protegé • IsaViz • KAON

Ontology editors


Domain Specific • Tidepool/ Storymail • PhotoStuff • RSS Readers

Semantic Desktop applications

PIMO und Workflow • Microsoft Outlook • Lotus Notes • Frodo Taskman

Semantic PIMO, Semantic Workflow

Der Semantic Desktop erfindet, technologisch gesehen, wenig Neues, sondern macht die Potentiale

von Einzeltechnologien über eine intelligente Kombination nutzbar. Alleinstehend optimieren diese nur Teilaspekte der betrieblichen Herausforderung. Er integriert insbesondere semantische Repräsenta-tionen und Technologien der Mustererkennung. Technologien zur Problemlösung auf Bedeutungsebe-ne sind nicht standardmäßig integriert. Ihre potentielle Wirkung soll durch händische Modellierung von Regeln simuliert werden, um eine zukünftige Integration zu untersuchen.

Wie Tabelle 14 in eigener Darstellung zeigt, erschließt der Semantic Desktop damit eine weitere

Abstraktionsebene. Entsprechende Weiterentwicklungen in die noch nicht addressierten Bereiche sind aufgrund der offenen Architektur denkbar. Sie basiert hierfür weitestgehend auf open-source- Kom-ponenten, wie Protegé.

Tabelle 14. Einordnung beispielhafter semantischer Verfahren (hellgrau) als Weiterentwicklung beste-hender KI-Verfahren (dunkelgrau)

Verfahren Repräsentation Mustererkennung Problemlösung Methoden

nach Abstraktions-

ebene

deklarativ prozedural deklarativ prozedural deklarativ prozedural

Sym

bole

Feature-Maps Kohonen-Map

Multi-

Agenten-perzeptoren

Vektor-modelle



Entschei-dungs-bäume,

Heuristiken

Experten-systeme

Bed

eutu

ngen

un

d K

lass

en

Ontologien, se-mantische Netze

Kontext-beobachtung

Ontology mappings

Ontology matching


Multi-perspective reasoning

Kon

zept

e

Neuronale Netze Back-

propagation

Eigen-/ Fis-herfaces Methode

Unüberwachtes Lernen, wie constraint-satisfaction Netzwerke

Natural language

processing

Multi-agent Architektu-

ren

Sauermann at al. (2005) streben mit dem Semantic Desktop einen Bezug zu unserem individuellen

Erfahrungshintergrund und die Einbindung in tägliche Prozesse und Aktivitäten bis hin zu persönli-chen Interessen an. Sie lassen dafür unsere mentalen Modelle durch Ontologien formal repräsentieren. Mit Hilfe der Repräsentationssprache RDF für Ontologien werden diese technologisch zugänglich und nutzbar gemacht.

Der Semantic Desktop beobachtet, neben der Abbildung mentaler Modelle, den Nutzer, um seinen Kontext, wie kürzliche Aktivitäten, zu erfassen. Mit Hilfe des Kontextes wird die Art und Form der Informationsbereitstellung beeinflusst. Kontextparameter stoßen im Hintergrund automatisch Suchen an, die diese Informationen kontextgerecht ermitteln. Erforscht wird am DFKI derzeit eine allgemeine Ontologie für Kontextinformationen (Schwarz 2006). Erste Prototypen und Ansätze sind auch in anderen Forschungsprojekten, wie EPOS, eFISK (Miller et al. 2005) oder Activity Based Metadata for Semantic Desktop Search von Chirita et al. (2004) verfügbar.


Der Semantic Desktop ist in einer offenen Architektur gestaltet und erlaubt dadurch eine applikati-onsunabhängige Kontexterfassung und -bereitstellung. Der Nutzer wird dadurch entlastet und muss sich nicht an Applikationsumgebungen anpassen, sondern die Technologie passt sich an sein Nut-zungsverhalten an. Damit ermöglicht der Semantik Desktop ein applikationsübergreifendes Manage-ment der persönlichen Modelle. Er besitzt damit den Charakter eines Master-Daten-Managers und einer Middleware statt einer proprietären Applikation. Er fügt sich damit in bestehende betriebliche Applikationslandschaften und Workflow-Umgebungen ein.

10.5 Zwischenfazit

WMS und PAT bieten dem Nutzer integrierte Funktionalitäten und eine nutzergerechte Bedienung und Oberfläche. Sie passen sich aber nicht an die Informationsbedarfe des Nutzers an, sondern sind nach ihrem Inhalt strukturiert. Eine nutzergerechte Informationsbereitstellung erfordert damit auf-wändige Datenpflege, Verschlagwortung und Modellierung.

Recommendersysteme orientieren sich am Nutzer und arbeiten entweder eigenschafts- oder emp-

fehlungsbasiert. Jedoch lösen auch sie nicht das Problem des Allgemeinwissens und der Nutzung des Kontextes.

Der Semantic Desktop bietet eine neue Kombination bestehender Technologien in einem offenen,

applikationsunabhängigen Format. Mit Hilfe von Nutzerbeobachtung und Verwendung nativer Strukturen des Nutzers können Konzepte automatisch ermittelt werden. Sie legen den Vergleich mit Recommendersystemen nahe. Anders als bestehende Recommendersysteme kombiniert und ergänzt der Semantic Desktop die Ansätze mit Hilfe von semantischen Konzepten und P2P-Strukturen.

(A-5.4) Der Semantic Desktop ist mit einem hybriden Recommendersystem vergleichbar. Er kombiniert eigenschaftsbasierte und empfehlungsbasierte Ansätze.

Die Kombination der Technologien verspricht verbesserte Ergebnisse durch die Erschließung der

Bedeutungsebene und unter Anwendung optimierender Ansätze für deklarative Verfahren, wie der Ontologie-Erstellung.

Betrachtet man den Semantic Desktop in Summe im Hinblick auf die in Kapitel 9.4. angeregten

Verfahren zur Addressierung der Charakteristika von Wissen und der Hebel der Wissensentwicklung, zeigt sich als Antwort auf die Fragen (F-5.3.1) und (F-4.4.1), dass er

• Bedeutungen über direkte deklarative Verfahren zugänglich macht. Eine Rekursivität wird aufgrund der deklarativen Ansätze derzeit nur indirekt addressiert. Mit Hilfe prozedu-raler Technologien, wie Constraint-Satisfaction-Netzwerken, könnte sich diese integrieren lassen.

• subsymbolische Konzepte systemimmanent zunächst über direkte Repräsentationsspra-chen berücksichtigt. Durch Verwendung des Personal Information Models werden menta-le Modelle ohne zusätzlichen Modellierungsaufwand zugänglich. Eine prozedurale und sys-temimmanente Integration der Konzeptebene wird nicht addressiert.

• die Intention nicht direkt berücksichtigt, sie aber durch Modellierung des PIMO und von Regeln einbindet. Es steht damit ein Testszenario zur Verfügung, das sich über die Rollen in betriebliche Prozess- und Systemlandschaften einbinden lässt.

Der Semantic Desktop repräsentiert eine Entwicklung, die Schritt für Schritt das Technologiespekt-

rum integriert und kombiniert. Sie wird in eigener Darstellung in Abbildung 14 illustriert.


Abb. 15. Technologieintegration zur schrittweisen Abbildung von Wissen

Mit der Integration von komplexeren Erkennungs- und Problemlösungsverfahren können sukzessive die Intention und Standpunkte von Nutzern berücksichtigt werden. Die Addressierung und Erschlie-ßung weiterer Abstraktionsebenen ermöglichen tieferen Zugang zu subsymbolischen Konzepten. Durch den Einsatz prozeduraler Verfahren als Ersatz für deklarative wird Modellierungsaufwand in systemimmanenten Lernaufwand gewandelt. Die Definition prozeduraler Verfahren basiert auf den jeweiligen Erkenntnissen deklarativer Modellierungen. Mit einer kontinuierlichen Performancesteige-rung können diese Schwellenwerte erreichen, um neue Abstraktionsebenen zugänglich zu machen.

Mit diesen Erkenntnissen und den Grundlagen der Künstlichen Intelligenz lässt sich auch die spezi-fische Frage (F-2.3.1) aus Kapitel 6 in Bezug auf die Wirkung einer semantischen Suche auf verschie-dene Prozessarten beantworten.

(A-2.3.1) Der Semantic Desktop und mit ihm die semantische Suche adressiert zielorientierte, wissensintensive Prozesse.

Mit Hilfe von ontologischen Repräsentationen erschließt der Semantic Desktop mit der Bedeu-tungsebene eine neue Dimension der Technologieunterstützung im Umgang mit unstrukturierten In-formatioen. Technologien aus der Signalebene benötigen, ähnlich wie CRM- oder PAT-Systeme, strukturierte Informationen. Um aus unstrukturierten Daten strukturierte zu machen, bedarf es bis-her des bekannten Redaktionsaufwands, insbesondere in dynamischen Umgebungen.

Eine semantische Suche kann mit dynamischen, unstrukturierten Daten umgehen und diese si-

tuations- und intentionsspezifisch bereitstellen, um die Ergebnis- und Informationsqualität zu steigern. Durch Retrival und Nutzung bestehender Konzepte ersetzt sie den bisher manuellen Redaktionsauf-wand in der Festlegung von Konzepten zur Zielerreichung.

Mit Hilfe der Rolle können Informationsbausteine dynamisiert werden. Die Rolle unterstützt da-

mit den Ersatz deklarativer Systeme durch prozedurale. Wie Tabelle 15 verdeutlicht, lassen sich in der Beschreibung der Rolle Intentionen und Ziele festhalten, die für zielorientierte Prozesse einen deklarativen Nutzen bieten. Für aktivitätsorientierte Prozesse, die bereits deklarativ (z.B. in Workflows) beschrieben sind, sind sie Grundlage für eine prozedurale Abbildung.

Multi-agentArchitekture

n

Naturallanguage

processing

Unüberwachtes Lernen, wie constraint-satisfactionNetzwerke

Eigen-/Fisherfac

esMethode

Back-propagation

Neuronale NetzeKonzepte

Multi-perspectivereasoning

Case-basedreasoning

Ontologymatching

Ontologymappings

Kontext-beobachtung

Ontologien, semantische Netze

Bedeutungen und

Klassen

Expertensysteme

Entscheidungsbäume, Heuristiken



Vektor-modelle

Multi-Agenten-perzeptoren

Feature-MapsKohonen-Map

Symbole

prozeduraldeklarativprozeduraldeklarativprozeduraldeklarativ

Methoden

nach Abstraktions-

ebene

ProblemlösungMustererkennungRepräsentationVerfahren


n

Naturallanguage

processing


Eigen-/Fisherfac

esMethode

Back-propagation



Case-basedreasoning

Ontologymatching

Ontologymappings

Kontext-beobachtung


Bedeutungen und

Klassen

Expertensysteme




Vektor-modelle



Symbole


Methoden

nach Abstraktions-

ebene


Intention

Su

bsym

bo

lik

Rekursi-vität


Tabelle 15. Beitrag der Technologien und der semantischen Suche in wissensintensiven Prozessen

Prozessart Aktivitätsorientiert Zielorientiert Wissensorientiert Charakteristikum Folgeaktivitäten und

Ziele sind definiert. Gesamtziel defi-niert, Aktivitäts-ziele nur vage er-kennbar, Folge-aktivitäten sind of-fen.

Offene Ziele und Ak-tivitäten

Wissensintensiver Pro-zess

Formular ausfüllen

Entwurf Angebot/ Informations- sammlung

Erstellung einer Value proposition

Wissensentwicklung als Erstellung eines Mana-gement Summaries

Deduktiv Induktiv Intuitiv

Redaktionsaufwand Detaillierung der Vor-lagen (z.B. Template) und Ziele auf verarbeit-bare Größen

Festlegung und De-finition von Kon-zepten und Regeln zur Zielerreichung

Erfassung und Expli-zierung versteckter Konzepte

Abstraktionsebene Signalebene Bedeutungsebene Konzeptebene Applikationen Contentmanagement-

systeme/ PAT (Weak)-Workflow-Mgmt. Systeme und Semantic Desktop

Agenten-Systeme

Technologie-unterstützung/ -enabler

Volltextsuche Semantische Suche


Manueller Explizie-rungsaufwand

Hoch Mittel Niedrig

Handhabung Komplexität

Außerhalb des Systems In einzelnen Sys-tembausteinen

Im System

Die Frage (F-2.3.2), welche Schritte für die weitere Forschung notwendig wären, um sich intuitiven,

wissensorientierten Prozessen zu nähern, lässt sich wie folgt beantworten:

(A-2.3.2) Für eine Unterstützung wissensorientierter, wissensintensiver Prozesse wäre eine Nutzung von Technologien auf Konzeptebene und unter Berücksichtigung von Problemlösungsverfahren notwendig.

Value propositions können als schwer explizierbare Aussagen eines Angebots verstanden wer-den. Damit würden sie in die Abstraktionsebene der Konzepte fallen. Sie sind symbolisch beschreib-bar, besitzen aber eigentlich subsymbolischen Charakter und enthalten verschiedene Sichtweisen und Standpunkte, wie Produkt-, Vertriebs- oder Nutzenargumentationen. Technologien, die die subsymbo-lische Ebene unterstützen könnten, wie Neuronale Netze, existieren problembezogen bei klar definier-ten Optimierungsproblemen, sind aber in ihrer Eingabe- und Ausgabestruktur festgelegt und damit für dynamische Umgebungen bisher nur bedingt geeignet.


11 Gnowsis − Semantische Suche im Semantic Desktop

Über die Diskussion möglicher Technologien und Applikationen zur Addressierung der Besonder-heiten und Charakteristika von Wissen im Rahmen der Wissensentwicklung hat sich die semantische Suche als wesentlicher, realisierbarer Baustein herausgestellt. Sie verspricht die Senkung des Redakti-onsaufwandes bei gleichzeitiger Steigerung der Ergebnisqualität durch intelligente Kombination be-stehender Technologiebausteine.

Die semantische Suche des Semantic Desktop – Gnowsis − wird in diesem Kapitel vorgestellt, in

den Kontext des Information Retrievals eingeordnet und in ihrer Wirkung im Praxisumfeld bei Sie-mens IT Solutions and Services getestet. Die Ergebnisse stehen im Vergleich zur aktuell eingesetzten Suche von Livelink (Opentext) und werden in ihrer Relevanz an Rollenprofilen gespiegelt.

11.1 Kontext des Information Retrievals

In Kapitel 9 wurden bereits allgemeine Verfahren und Methoden der Künstlichen Intelligenz zur Repräsentation und Mustererkennung beschrieben. Sie werden auf die Fragestellungen des Informati-on Retrievals angewendet und in ihrer Wirkungsweise diskutiert.

Neben einer pfadbasierten Navigation verwenden Nutzer nach Barreau und Nardi (1995) Volltext-

suchen zur Identifikation von Informationen auf dem Desktop. Basis für die Volltextsuche sind auf einem Computer gespeicherte „indizierte Inhalte“ (Vanholt 2004). Alle vom Nutzer eingegebenen Suchwörter werden mit dem vorhandenen Datenbestand abgeglichen. Wird ein Suchwort in einem Dokument gefunden, wird dieses Dokument als Treffer angezeigt. Der Nachteil dieses Verfahrens ist, dass ein intelligenter Umgang mit der Sprache weder vorgesehen noch möglich ist.

Nach Dengel (2008) bilden folgende Bausteine die Basis für einen technologischen Umgang mit

Dokumenten und Informationen: Indexierung und Repräsentation, Bewertung und Gütemaße, Dokumentsuche, Termrelevanz, Dokumentenklassifikation. Die Bausteine bestehen aus oder nut-zen statistische oder regelbasierte Verfahren, je nach Grad der Nutzerinvolvierung. Zu jedem Baustein existieren Optimierungsansätze, die Fehlerraten oder Leistungsfähigkeit verbessern.

Mit Hilfe der Boole´schen Indexierung wird ein Inhalt oder Dokument anhand von begrifflichen

und sprachlichen Term-Häufigkeiten repräsentiert. Zur Optimierung des Indexes werden Füllwörter eliminiert, Wortstämme gebildet (Stemming), Synonyme und Akronyme berücksichtigt (Thesauri), Phrasen mit Hilfe von Lexikon und Grammatik identifiziert oder über linguistischen Methoden auf ih-re Bedeutung untersucht.

Die Korrelation cij zwischen Begriffen ti und tj wird nach Dengel (2006) durch deren Häufigkeit fik

und fjk im Dokument dk ausgedrückt:

∑∈

=D

jkikij

d

x

k

ffc (1)

Zur Vermeidung von individuellen Präferenzen kann diese normalisiert werden:

ccc

cc

ijjjii

ij

ij −+=' (2)

Das Ergebnis von c’ ist 1, wenn die Begriffe ti und tj die gleiche Häufigkeit aufweisen. Die hier-durch generierten Begriffe werden genutzt, um ein elektronisches „Verständnis“ und mentales Mo-dell zum Suchbegriff zu bilden. Damit lassen sich die Modelle statt nur der Begriffe vergleichen und in Beziehung setzen. Der Nutzer verständigt sich mit dem System assoziativ über sein mentales Modell statt nur über den Begriff als solchen.


Linguistische Verfahren berücksichtigen lediglich einzelne Wörter unabhängig vom Kontext und arbeiten mit Positivlisten (Wörterbücher). Auch wenn sie keine Bedeutungsdifferenzierung erlauben, sind sie schnell, stabil und im abgebildeten Funktionsumfang mit hohem Prozentsatz korrekt. Dennoch benötigen sie für die Pflege des Wörterbuchs Redaktionsaufwand.

Für die Termgewichtung wird eine inverse Dokumentanhäufigkeit aus Anzahl und Frequenz der Dokumente berechnet. Über die Frequenz kann auf inhaltliche Aspekte geschlossen werden, da häu-fige Terme oft Füllwörter sind.

Folgende tabellarische Darstellung nach Dengel (2008) gibt eine Übersicht über die Wirkung der verschiedenen Optimierungsverfahren:

Tabelle 16. Wirkung verschiedener Optimierungsverfahren im Information Retrieval

Bereich Methode Generalisierung Spezialisierung

Stemming X Indexterm

Entfernung von Stopwörtern X

Gewichtung der Terme X X Termvektor

Entfernungsangaben X

Thesaurus X

Grammatik und Wörterbuch X

Quorum-Level-Suche X X Abfrage

Relevance Feedback X X

Neben dem Aufbau und der Repräsentation der Daten beeinflusst die Abfrage und deren Abgleich zur Datenmenge die Ergebnisqualität. Die Abfrage ist im Wesentlichen vom Nutzer abhängig und da-von, wie spezifisch er diese stellt. Für den Abgleich kommen statistische und Vektorraummodelle in Frage. Letztere können auch ähnliche Dokumente finden, die der Abfrage nur teilweise entsprechen. Mit Hilfe von Klassenvektoren können auch uneindeutige Dokumente zumindest einer Klasse zuge-ordnet werden

In Summe bieten diese automatischen Verfahren den Vorteil auch unbekannte Dokumente und Inhalte klassifizieren zu können. Jedoch weisen sie eine höhere Fehlerrate als bei manuellen Verfahren auf und sind im Nachhinein schlecht nachvollziehbar, da sie sich aus einer komplexen Matrix ableiten. Manuelle, regelbasierte Verfahren dagegen bieten eine hohe Kontrolle über die Ergebnisqualität. Sie setzt jedoch entsprechenden Aufwand und Vorkenntnisse des Nutzers voraus.

Systeme unterscheiden sich in ihrer Ausprägung oben beschriebener Einflussgrößen. Die Ver-gleichbarkeit von Systemen sinkt mit zunehmendem Abstraktionslevel der verarbeiteten Inhalte und Formen der Ergebnisdarstellung.

Alle Suchverfahren und Retrieval-Methoden liefern zwar relevante Informationen, jedoch keine eigenen Aussagen oder Problemlösungen. Suchverfahren streben nach Auffinden einer Lösung zu einem gestellten Problem oder Frage. Bekannte Suchmaschinen, wie Google, Explorer Search, etc., liefern auf Basis von vernetzten Stichwörtern oder einer unstrukturierten Content-Analyse verwandte Inhalte. Sofern diese Inhalte nicht selbst Antworten oder Lösungen darstellen, bieten die Retrieval-Verfahren selbst keine Problemlösung an. Dies ist vielmehr ein Prozess der Wissensentwicklung. Manuelle Wissensentwicklung beginnt heute dort, wo die Suche keine passenden, fertigen Ergebnisse


mehr liefert, weil sie nicht zugänglich, aber vorhanden sind oder weder zugänglich noch vorhanden sind.

Heutige Suchen in Help-Desks nutzen neben den statistische Methoden decision trees. Decision trees unterstützen aber nur das Auffinden vorhandener Lösungen und weniger die Herleitung neuer Antworten. Suchverfahren identifizieren Daten und Informationsbausteine und stellen damit iterative Grundlagen für die Problemlösung. Sie verwenden die in Kapitel 9 beschriebenen Verfahren auf Sig-nalebene. Darüber hinaus finden sich Lösungen, die einzelne Probleme des Information Retrievals be-heben. Tabelle 17 gibt nach Dengel (2008) eine Übersicht über benachbarte Verfahren:

Tabelle 17. Optimierungsverfahren des Information Retrieval auf verschiedenen Abstraktionsebenen

Adaptivität/ Abstraktion

Dokumente Inhalt/ Gliederung Daten

Hoch Collaborative Document Search

Mittel Text Classification, collaborative filtering

Context classification Wrapper for informati-on extraction

Niedrig Traditional document search

Passage retrieval Information spotting

Mit Hilfe des des PassageRetrievalVerfahrens lassen sich ganze Textpassagen identifizieren. Mit dem Collaborative Document Search kann aus erfolgreichen Suchanfragen gelernt werden. Beide beschreiben exemplarisch technologische Entwicklungsrichtungen ausgehend von der traditionellen Dokumentensuche deduktiv, in Richtung Inhalt und induktiv, zu höheren Abstraktionsstufen.

Die Weiterentwicklung von Suchverfahren im Hinblick auf Steigerung der Ergebnisrelevanz un-ter Berücksichtigung des Vorbereitungsaufwandes und der Suchperformance tragen wesentlich zur technologischen Unterstützung von Problemlösungen bei. Damit wird eine Näherung zum Informati-onsschwellenwert für eine Entscheidung erzielt, der eine Aussage ermöglicht.

Kagolovsky und Moehr (2000) zufolge führt dies zu einer zunehmenden Nutzerzentrierung der Su-chen, da die Relevanz eine subjektive Einschätzung ist. Hierzu schlagen die Autoren weitergehende Untersuchungen hinsichtlich der formalen Repräsentation von Semantik und der Bewertung konzeptu-eller Überschneidungen zwischen Suchergebnissen und Informationsbedarf des Nutzers vor, die in diesem Zusammenhang nicht vertieft werden sollen.

Smolnik und Riempp (2006, S. 102) unterscheiden InformationRetrieval-Technologien nach der „Art der Verwendung von Metadaten“ in keine Metadaten und flach, hierarchisch oder netzwerkar-tig organisierte Metadaten. Sie geben einen Überblick über den Reifegrad der Suchmaschinen. Smol-nik und Riempp (2006, S.106) beschreiben diesen als Kombination aus Implementierungsaufwand, Qualität der Suchergebnisse, Retrievalperformance und Integrationsfähigkeit heterogener Informati-onsbestände. Dabei wird deutlich, dass semantische Technologien trotz hohen Implementierungs-aufwandes vor allem gegenüber den anderen Verfahren durch die Integrationsfähigkeit heterogener Informationsbestände punkten. Diese wird im weiteren Verlauf durch die P2P-Struktur und den Aufbau des Semantic Desktops verdeutlicht.

Bestehende Suchen, wie Google Desktop (http://desktop.google.com), Apple Spotlight

(http://www.apple.com/de/macosx/features/300.html#spotlight), Yahoo! Desktop Search (http://de.docs.yahoo.com/search/desktop/) oder Microsoft Windows Desktop Search (http://www.microsoft.com/windows/desktopsearch/de/default.mspx), sind proprietäre Produkte im Wett-bewerb. Sie sind im Allgemeinen ausreichend, aber technologisch gesehen, weit hinter „Suchspezialis-ten“, wie Autonomy (http://www.autonomy.de/) oder Convera (http://www.convera.com/), zurück. Wäh-rend Letztere unterschiedliche Suchalgorithem nutzen, basieren Erstere meist auf reiner Volltextsuche oder assoziativer Suche.

Die assoziative Suche oder strukturierte Suche arbeitet im Standardfall vergleichbar zur Volltext-suche. Sie bietet darüber hinaus weitere intelligente Funktionalitäten, wie unscharfe Suche über Re-


levanzbewertung, Ähnlichkeitssuche, kontextabhängige Gewichtung und Sortierung der Ergeb-nisse (Smolnik und Riempp 2006, S. 103). Sowohl Google Desktop als auch Livelink (http://www.opentext.com) oder Ontoprise (http://www.ontoprise.com) nutzen domänenspezifische und -abhängige assoziative Verfeinerungen. Diese marktreifen Applikationen berücksichtigen nicht oder nur in kleinem Maße Teile der hinter den Begriffen liegenden Konzepte und Bedeutungen. Sie unterscheiden sich vielmehr hinsichtlich verfügbaren Datenbestandes (verteilte oder zentrale Systeme; öffentlich oder intern).

Für die Weiterentwicklung der Suchen zu einer semantischen Suche werden weitere Technologie-

bausteine in den Suchdienst integriert. Tabelle 18 gibt in Anlehnung an Sauermann et al. (2005) einen Überblick über die im Semantic Desktop ergänzten Bausteine und Algorithmen.

Tabelle 18. Entwicklungspfad von der Volltextsuche zur Semantischen Suche

Desktop Search Fulltext Search Query Search Page Rank Browsing Ontologies Text-Analysis (Stem-

ming) Query Extension

Free Links Taxonomies Context (User Mining) Automatic Clustering Trails, Timeline Thesauri … Semantic Desktop

Search

Ausgehend von heutigen Volltextsuchen im oberen linken Eck werden drei Entwicklungrichtungen hin zu einer Semantic Desktop Search deutlich.

1) Text-basierte Technologien (oben, rechts, dunkelgrau) 2) Semantische Technologien auf expliziten, manuellen Informationsverbin-

dungen (unten, links, hellgrau) 3) Semantische Technologien auf automatisch ermittelten Ontologien und

Kontexten Die Darstellung zeigt exemplarisch Technologiebeispiele. Sie werden sich aus der Forschungsdis-

kussion verfeinern und erweitern lassen. Fest steht jedoch, dass erst ihre Kombination ihr volles Poten-tial zur Entfaltung bringen wird. Der Semantic Desktop macht hierzu mit Gnowsis einen ersten Schritt hin zum semantischen Suchen. Ansätze der semantischen Suche werden im folgenden Kapitel aus-führlicher betrachtet.

11.2 Formen und Arten semantischer Suchen

Eine etablierte systematische Klassifikation semantischer Suchen ist in der Literatur derzeit nicht bekannt. Es werden daher Aspekte der Nutzerschnittstelle und verwendete Algorithmen getrennt be-trachtet.

Für Mangold (2007) ist eine semantische Suche ein Retrieval-Prozess, der sich Domänenwissen zu Nutze macht. Er beschreibt damit die Übereinstimmung der Bedeutung der gesuchten Zeichenkette mit ihrer Daten-Bedeutung. Anspruch der semantsichen Suchen ist ein automatisierter Umgang mit le-xikalischer und struktureller Mehrdeutigkeit.

Lexikalische Mehrdeutigkeit bezeichnet nach Hildebrandt et al. (2007) die Mehrdeutigkeit der Wörter. Strukturelle Mehrdeutigkeit entsteht dadurch, dass komplexe Ausdrücke mehrere grundlegen-de Strukturen haben können. In solchen Fällen ist die Rolle der Wörter in dem Ausdruck nicht eindeu-tig, wie der Satz „Er sah die Frau mit dem Fernglas“ beispielhaft verdeutlicht.

Im Überblick der Literatur sind erst in jüngster Zeit Klassifizierungsansätze für semantische Suchen

zu finden. Bisher wurde mit Hilfe von Prototypen unterschiedliche Einflussfaktoren optimiert und ge-testet. Als wesentliche Faktoren zur Abbildung der Komplexität wurden die Konstruktion der An-frage und der Suchalgorithmus identifiziert. Je präziser die Anfrage formuliert ist, umso weniger tritt das Problem der lexikalischen und strukturellen Mehrdeutigkeit auf.


Beide spannen damit einen Diskussionsrahmen aus Genauigkeit und Komplexität der Anfrage. Ge-nauigkeit erfordert eine aufwendige Konstruktion der Abfrage. Die Komplexität der Anfrage braucht einen intelligenten Suchalgorithmus.

Semantische Suchen nutzen für das Retrieval Konzepte. Sie werden mit den wesentlichen inhaltli-

chen Merkmalen eines jeden Dokuments gematcht. Nach Hees (2004) arbeiten sie sprachunabhängig. Anfragen und Dokumente können sich von der verwendeten Terminologie her vollständig unterschei-den und doch auf konzeptioneller Ebene genau und damit synonym zueinander passen. Dieses Prob-lem wird zwar bereits über Thesauri oder statistische Verfahren adressiert, ist aber wieder mit hohem manuellen Pflegeaufwand verbunden.

Aus Sicht der Nutzerinteraktion klassifiziert Lei et al. (2006) semantische Suchen in vier Katego-

rien: 1. Form-basierte Suchen

Sie stellen Ontologien, Klassen und Eigenschaften in spezifische Webformulare bereit. Der Nutzer kann diese seinen Suchanfragen zur Verfeinerung hinzufügen. SHOE (Heflin 2000) gilt als beispielhafter Vertreter dieser Kategorie. Nachteilig ist das notwendige Vorwissen des Nutzers für erfolgreiche Suchanfragen.

2. RDF-basierte Abfragen Sie machen semantische Informationen nicht durch Formulare, sondern spezifische Abfra-gesprachen zugänglich. Corese (Corby et al. 2004) gilt als beispielhafter Vertreter dieser Kategorie. In Steigerung zu Kategorie 1 muss der Nutzer hier nicht nur die zugrundeliegen-de Ontologie, sondern auch noch die Abfragesprache beherrschen. Dies macht es zu einem für Endnutzer wenig geeigneten Interface.

3. Semantik-basierte Schlagwortsuchen Sie verwenden automatische, semantische Repositories und Informationen. Die Ergebnis-darstellung in Form von Clustern wird durch einen zweistufigen Prozess des Instanzen-retrievals über Instanzenmatching unterstützt. TAP (Guha et al. 2003) gilt in dieser Katego-rie als typischer Vertreter.

4. Beantwortungstools Sie nutzen semantische Mark-ups, um ganze Fragen in natürlicher Sprache zu beantworten. (Lopez et al. 2005 und Cimiano 2004) Sie transformieren dabei die Frage in ontologische Triples oder spezifische Abfragesprachen. Auch wenn diese an der Nutzerschnittstelle ein-fach sind, sind sie sehr durch die Leistungsfähigkeit der NLP Technik beeinflusst.

Die ersten drei binden semantische Informationen technologisch unterschiedlich in die Suchabfrage

ein. Die vierte Kategorie wirkt sehr weit gegriffen, da sie sich an den Suchergebnissen orientiert. Wäh-rend die ersten drei den Einflussfaktor „Konstruktion der Abfrage“ addressieren, wirkt die vierte Ka-tegorie auf den eingesetzten Algorithmus. Dennoch konzentrieren sich alle auf Schlagwortsuchen und unterstützen nur unzureichend komplexe Anfragen. Sie sind teilweise für den Endnutzer nicht perfor-mant genug und bieten keine zugängliche Struktur von Ergebnissen. Die Klassifikation berücksichtigt keine Unterschiede in den zugrundeliegenden Algorithmen und ist daher für die weitere Arbeit nur be-dingt hilfreich.

Mangold (2007) geht in seiner Klassifizierung über die reine Sicht von Lei et al. (2006) der Nutzer-interaktion hinaus und berücksichtigt weitere Klassifizierungskriterien, wie Architekur, Coupling der Lösungsbausteine, Semantische Transparenz und Modifikationsmöglichkeit, Nutzerkontext und Struk-turformen der Ontologie und Ontologiesprache.

Für eine spätere Einordnung (Kapitel 11.4) von Gnowsis in die bekannten und vorgestellten Klassi-

fikationsschemata wird im Folgenden Gnowsis und seine Ausprägungen dargestellt.


11.3 Besonderheiten von Gnowsis

Aufbauend auf den Basis-Technologien des Semantic Desktop verwendet Gnowsis für eine opti-mierte Indexierung die Software brainfiler von Nextbot (http://www.nextbot.de). Zur Verbesserung der Klassifikation werden semantische Repräsentationen (RDF) und Ontologie-mappings verwendet. Sie optimieren den Modellierungsaufwand durch teilautomatisierte Ontologie-Erstellung. Für die Ab-frage und Ergebnisdarstellung wird von einem unerfahrenen Nutzer im betrieblichen Umfeld ausge-gangen. Als Darstellungsform werden auch hier seine nativen Strukturen genutzt. Die eigenen Begriff-lichkeiten sollen dem Nutzer die Orientierung erleichtern. Mit dieser Kombination will Gnowsis nicht nur eine Veränderung eines Merkmals, sondern eine Gesamtoptimierung der Ergebnisqualität er-zielen.

11.3.1 Aufbau von Gnowsis

Für die Beschreibung des Applikationsaufbaus wird nach Sauermann et al. (2005) das Model-View-Controller-Muster verwendet. Danach wird das Modell als RDF Graph dargestellt, der angezeigt und modifiziert werden kann. Diese Beschreibungslogik wird verwendet, weil es eine höhere Performan-ce verspricht. Das RDF(S)-Framework bietet die Möglichkeit, Metadaten in maschinenlesbarer Form darzustellen und auszutauschen. Hierfür nutzt es einen Mechanismus, um Ressourcen domänenneut-ral zu beschreiben. Es macht sich dabei die Objektorientierung aus der Künstlichen Intelligenz zu Nutze und erlaubt eine Nachvollziehbarkeit der Ergebnisse. Da RDF eine saubere Trennung von Din-gen und Beziehungen fehlt, erscheint es für Massendaten ungeeignet. Die Tripel stellen redundante In-formationen dar und belasten die Performance. Der Verlust des relationalen Schemas reduziert die Komprimierbarkeit. RDF eignet sich damit für heterogene, schwach strukturierte und wissensin-tensive Anwendungen, wie die Angebotserstellung.

Der Controller selbst wird über Schnittstellen in die Applikation integriert und ist in der Regel do-mainspezifisch. Als zentrale Services laufen sie auf einem Server im Hintergrund. Sie werden als Enabling Services bezeichnet. Die folgenden sind Kernbestandteil von Gnowsis: RDF Repository, Adaptor-Framework, Ontologien, Kontextinformation und offene Architektur. Da diese Dienste heute schon als Standard zur Verfügung stehen, liegt die Herausforderung darin, ihre Schnittstellen zu standardisieren und als stabile Implementierungen zur Verfügung zu stellen.

Abb. 16. Gnowsis Architektur


Nach Sauermann (2003) und Sauermann et al. (2005) kann die Architektur mit einem Baum vergli-chen werden, der auf einem Boden von Daten wächst. Wie die Wurzeln die Nährstoffe vom Boden extrahieren, extrahieren die Adapter Daten von den eingebundenen Anwendungen und wandeln die Daten in das RDF Format um. Im RDF-Repository werden bidirektionale Daten und Verknüpfungen gespeichert. Das Adapter-Framework kombiniert die Wurzeln und errichtet in der Analogie den Baumstumpf, auf dem der Server basiert. Den Stamm des Baums stellt der Gnowsis Server dar. Er veröffentlicht die Daten vom Adapter Framework und ist der zentrale Gegenstand in der Architektur. Auf dem Stamm aufsetzend sind die Äste und die Früchte des Baums, die Benutzerschnittstelle sowie Schnittstellen zu Microsoft Outlook oder Mozilla, angesiedelt.

Das Gnowsis Webinterface besteht aus einer Adressleiste, über die einzelne Ressourcen editierbar

sind. Es bietet damit Eingabefelder und Auswahlboxen, um die Suche auf den lokalen Desktop oder auf das Peer-Netzwerk einzuschränken. Ein Bereich zur Anpassung von Annotierungen ermöglicht weitere direkte Eingriffe des Nutzers. Eine visuelle Anzeige, welche Ressourcen derzeit in Verwen-dung stehen und welche Ressourcen miteinander in Verbindung stehen, erleichtert dem Nutzer die Be-dienung. Mit Hilfe eines eingebauten Ontologie-Browsers lässt sich die Dokumenten-Klassifizierung anpassen.

Die Suchergebnisse werden als Kurzzusammenfassung mit Stichworten ausgegeben. Sie sind nach ihren Klassen sortiert. Konzept, Dokument, Event, Projekt, oder Kontakt sind mögliche Klas-sen. Zu jedem Ergebnis stehen über “browse” und “link” weitere ergänzende Informationen als Pop-up über den Projektmanager zur Verfügung. Wie Dengel (2006) beschreibt, lassen sich die Suchergebnis-se durch + und – erweitern und detaillieren. Eine kurze Dokumentenzusammenfassung, Folderinfor-mationen, Trefferrelevanz und eine Beschränkung der angezeigten Treffer ergänzen als Usability-Features die inhaltliche Ergebnisqualität zu einer subjektiv wahgenommen Ergebnisrelevanz.

11.3.2 Klassifikation mit dem brainfiler

Der Brainfiler erstellt pro Dokument Begriffsvektoren in Bezug zu ihrem Ablageordner. Er reprä-sentiert ein oder mehrere Indexservices. Sie verwalten einen Index über die Dokumente in den ange-bunden Repositories und stellen intelligente Such- und Klassifikationsfunktionalitäten bereit. Im In-dex–Service werden die Rechte und der Kontext der Dokumente verwaltet.

Abb. 17. Indexierung unterschiedlicher Datenquellen und –formate

Tim

Topic

Peter

Project

Who

Rome

new office

Where

Rome Project

invitation

Document

Tim

Topic

Peter

Project

Who

Rome

new office

Where

Rome Project

invitation

Document

Tim

Topic

Peter

Project

Who

Rome

new office

Where

Rome Project

invitation

Document


Gnowsis greift nach Sauermann et al. (2005) über die zum brainFiler gehörige SOAP-Schnittstelle auf den Index-Service zu. Intern tauschen die Komponenten Nachrichten und Arbeitsaufträge über ein verschlüsseltes Netzwerkprotokoll asynchron aus. Nach Hees (2004) beinhaltet der Index-Service Komponenten, wie den Associative Index oder den Classifier. Er setzt auf den XVFS Service auf, welcher den Zugriff auf das Dateisystem ermöglicht. Gemeinsam mit dem Mediator bietet der Index-Service die Möglichkeit der Erweiterung einer einfachen Volltextsuche hin zur assoziativen Suche. BrainFiler und Gnowsis verwenden Regeln über die Jena inference engine (http://jena.sourceforge.net/inference/) und SPARQL (http://www.w3.org/TR/rdf-sparql-query/) An-fragen, die auf RDF Modellen beruhen. Mit diesen lassen sich Suchergebnisse erweitern und optimie-ren. Eine typische Anfrage könnte folgendermaßen lauten: „Wenn ein Projekt gefunden wurde, lege Projektleiter und Autor als Kontakte fest“. Die Regeln werden als forward-chaining- Regeln in Gnow-sis hinterlegt, wie folgendes Beispiel zeigt:

# Example for retrieving the project manager as expert contact (?hit retrieve:item ?project), (?project rdf:type org:Project) -> querySparql('CONSTRUCT { ?x1 org:HasProjectmanager ?m. ?m rdfs:label ?labelm. ?m rdf:type ?typem. ?x1 retrieve:todoRelateHitTo _:hit . _:hit rdf:type retrieve:InferedHit . _:hit retrieve:item ?m . _:hit retrieve:textSnippet \'Projektleiter\'. } WHERE { graph ?g { ?x1 org:HasProjectmanager ?m. ?m rdfs:label ?labelm. ?m rdf:type ?typem. } } ', ?project).

Wurde ein Eintrag (retrieve:item) in der Treffermenge (?hit) gefunden, welcher vomTyp (rdf:type) org:Project ist, greift die Regel. Es werden alle Instanzen (?m) zusammen mit ihrer Bezeichnung (rdfs:label) und ihrem Typ (rdfs:label) ermittelt, die über org:HatProjektleiter mit dem gefundenen Projekt in Beziehung stehen. Das Ergebnis sind die Projektleiter des gefundenen Projekts.

Andere semantische Technologien nutzen statt RDF die Repräsentationspsrache F-Logic, um Re-geln in die Suche zu integrieren. Die Gnowsis-Architektur erlaubt auch die Verwendung anderer Index engines.

11.3.3 Ontology mapping und matching

Ontology-mapping- und matching-Verfahren reduzieren den Modellierungsaufwand bei der Erstel-lung von Ontologien. Sie optimieren damit die Verwendung deklarativer Verfahren und stellen eine Grundlage für den Einsatz von prozeduralen, rekursiven Verfahren.

Technisch gesehen können ontology matchings als Beziehungen zwischen Ontologien verstanden werden, die sich durch eine Entscheidung mergen lassen. Für den aktuellen Forschungsrahmen von EPOS und der vorliegenden Forschungsarbeit ist, zusammen mit der Ontologie-Modellierung mit Pro-tegé, Prompt ausreichend.

EPOS und der Semantic Desktop kombinieren verschiedene Matching-Ansätze (Maus 2005, S. 101ff.). Für die Entscheidung zwischen sich widersprechenden Paaren wird ein Ranking auf der Basis einer modifizierten Borda Count method angewendet (Ho 1992). Dabei werden die Ergebnisse ein-zeln miteinander verglichen und über eine Rangsumme neu geordnet. Im Semantic Desktop werden die term-basierten Matching-Algorithmen von PROMPT durch instance-based Algorithmen aus dem strukturellen Matching ersetzt und um eine Rankingliste der Matching-Paare und ihrer Bezie-hung (gleiche Klasse, Ober- oder Unterklasse) ergänzt (Maus 2005). Auch wenn dies später ohne Nut-zer abläuft, besteht die Möglichkeit, sich über die Funktionsfähigkeit des Systems zu informieren. Der brainfiler setzt die als Softwareprodukt frei käufliche NextBot engine ein, die die Ähnlichkeiten aus einem durch Beispiele trainierten Vektorraummodell ableitet (Hees 2004).

Die Ansätze dienen einer automatisierten Mediation zwischen Domain-Ontologien, da eine händi-

sche Aufbereitung durch knowledge engineers in großen Dimensionen nicht denkbar und finanzierbar wäre. Ihnen gemeinsam ist die Trennung von Form (Struktur) und Inhalt.


11.3.4 Personal Information Model (PIMO) als Katalysator für Peer-to-Peer

Information liegt in strukturierter und unstrukturierter Form mit manuellen oder automatischen An-notierungen vor. Information ohne Struktur oder Meta-Daten lässt sich durch Volltextsuche finden. Google Desktop ist hierfür ein Beispiel. LiveLink dagegen verwendet manuelle Annotierungen und Meta-Daten, um die Inhalte zu strukturieren. Semantische Technologien verwenden halb-automatisierte Annotierungen. Sie reduzieren damit den händischen Aufwand. Sie nutzen die Tatsa-che, dass Informationen nach persönlichen Präferenzen und Prioritäten abgelegt und gesucht werden. Hierdurch ergeben sich unterschiedliche Interpretationen des gleichen Inhalts oder gleicher Dokumente.

Im Vergleich zu case-based reasoning (CBR) ermöglicht die Nutzung der nativen Strukturen mit-

tels PIMO (Sauermann et al. 2007) einen bottom-up entwickelten, konstruktivistischen Ansatz. CBR dagegen konzentriert sich derzeit auf eine organisatorische Beschreibungsebene und wirkt statisch, replizierend, auch wenn im Sinne der Case Adaption hier Flexibilisierungsmöglichkeiten geschaffen wurden.

Informationen und Wissensobjekte sind verteilt verfügbar. Ihre Zugänglichkeit und dezentrale

Verarbeitung sind Herausforderungen. Sie bergen das Potenzial, verfügbare, aber nicht bekannte In-formationen zugänglich zu machen. Wenn Daten nicht in das zentrale Repository eingestellt wurden, stehen sie zwar individuell, aber nicht kollektiv zur Verfügung.

Für Corporate Memories ist, wie in KnowMore, die Client-Server-Architektur am weitesten ver-

breitet (Abecker 1999). Dabei nutzt die workflow und inference engine den Server, während Applika-tionen und worklist handler als Client genutzt werden.

Dem verteilten Wesen von Informationen wird hingegen die Peer-to-peer-Architektur gerecht. Einem sozialen Netz nachempfundene Struktur und Kommunikation der Rechner erlaubt eine dezen-trale Datenhaltung mit zentraler Verfügbarkeit. Offen ist dabei die Zugriffsfrage. Wie in echten sozia-len Netzen wird sie meist über Genehmigung oder Empfehlung abgebildet. Sie erteilt diese über Vertraulichkeits- und Vertrauensstufen.

Peer-to-peer-Architekturen sind zwar flexibler als serverbasierte Systeme können allerdings keine

übergreifende Wissens- und Informationsqualität sicherstellen (Holsapple 2003, S. 131ff.). Zum einen beschränken die Zugriffsberechtigungen das Schreiben aller. Zum anderen führt es schnell zu einem Informationsüberfluss, sofern es nicht durch soziale Community-Regeln gesteuert werden kann. In Wikipedia (www.wikipedia.de), als Vertreter solcher Systeme, gelten trotz Informationsfreiheit Prin-zipien für den Umgang mit Wissen.

Organisationales Wissen ist die gemeinsame, kommunikative Einigung auf Begriffsbedeutun-

gen. Unter dieser Voraussetzung ist die Einordnung von Begriffen aufwendig. Diese muss für eine Automatisierung durch die Maschine im Vorfeld manuell geleistet werden. Eine Einordnung bei je-dem Suchergebnis unterstützt einen konstruktivistischen Ansatz, bei dem situations- und such-spezifisch die Bedeutungen neu zugeordnet und erzeugt werden. Eine Einordung einmalig bei der Ab-lage erfordert eine abstrakte Verschlagwortung und ist starrer.

Rolle und Prozessschritt spannen einen Wissensraum auf, der als Wissensdomäne bezeichnet wer-den kann. Die Summe aller organisatorischen Wissensdomänen beschreibt das explizite organisationa-le Wissen. Er wird technologisch über Meta-Daten formalisiert und nutzbar gemacht. Sie strukturieren und definieren Teil-Domänen im organisationalen Wissensraum.

Charakteristisch für den individuellen Wissensraum ist dagegen, dass Rolle und Prozessschritt bei

der Erstellung individueller Dokumente und Strukturen nicht explizit sind. Er besitzt damit eine eigene immanente Wissensdomäne. Über Kommunikation und Einordnen lässt sich, wie in Abbildung 17 il-lustriert, der individuelle Wissensraum zum organisationellen in Beziehung bringen.


Abb. 18. Zusammenspiel individueller und organisatorischer Wissensräume

Al-Laham (2003, S. 195) zitiert hierzu die Strategic Learning Assessment Map von Bontis und Crossan (1999, S. 20). Auch wenn diese noch mit methodischen Mängeln verbunden erscheint, skiz-ziert sie ihm zufolge einen Ansatz zur weiteren Effizienzmessung von Wissen und Lernprozessen im Unternehmen. Mit Hilfe des PIMO soll in diesem Zusammenhang der Dialog zwischen der individuel-len und organisationellen Ebene hergestellt werden. Weitere Forschungen könnten mit Hilfe der As-sesment Map diesen Prozess messbar machen und weiter optimieren.

Nach Elst et al. (2004) kann dies über eine Kombination unterschiedlicher Ontologien als Kontexte

repräsentiert werden: Informations-, Kunden-, Organisations-, domain- oder workflow-bezogene On-tologien. Auf das SIS Beispiel übertragen, würden die Rolle (Intention) und der Prozess (Situation) den Wissensraum aufspannen. Organisationale Wissensdomänen sind unter anderem Dokumententyp oder Portfolioinformation. Persönliche Wissensdomänen sind in den Folderstrukturen nach Kunden, Region, Anlass geordnet

In der Kombination von organisationellen Strukturen und Domänen und individuellen Folderstruk-

turen repräsentiert das PIMO die Rolle des Nutzers und dessen subjektive Perspektive. Die Struktu-ren werden in Protegé (http://protege.stanford.edu/) erstellt und in Gnowsis integriert. Die individuelle Folderstruktur kann eine Überlagerung verschiedener Rollen (Privat, geschäftlich) und Historien (alte und aktuelle Projekte) sein. Das heißt, für unterschiedliche Rollen kann ein Begriff, Name oder Objekt unterschiedliche Bedeutungen haben und die gleiche Bedeutung mit unterschiedlichen Beg-riffen hinterlegt sein. Ein Nutzer kann mehrere Rollen haben. Ihre Vermischung führt zu Unschärften in der persönlichen Perspektive. Da die peer-to-peer-Technologie auf einzelnen Nutzern basiert, wird für die Untersuchung der Einfachheit halber angenommen, dass ein Nutzer genau eine zugewiesene Rolle hat und dass sein individueller Arbeitsplatz die Perspektive und Intention dieses Nutzers in sei-ner zugewiesenen Rolle repräsentiert.

Domäne

x y z

Domäne

x y z

Domäne

x y z

Domäne

x y zDomäne

x y z

Domäne

x y z

Individueller Wissensraum(implizit)

Organisationaler Wissensraum(explizit)

Einordnen durch PIM

Darstellen im PIM

Prozess(Aktivitäten,

Kontext)

Prozess(Aktivitäten,

Kontext)

Rolle(Perspektive,

Intention)

Rolle(Perspektive,

Intention)


Abb. 19. Vergleich der Folderstrukturen von Sales und Proposal Manager bei SIS

Abbildung 18 zeigt die Folderstrukturen eines Proposal Managers (links) und eines Sales Managers (rechts) in Anlehnung an ihre realen Desktops bei SIS. Umgekehrt lässt sich durch Nutzerbeobachtung auf eine Rolle schließen.

SIS produziert viele tausend Angebote im Jahr für das gesamte Leistungsspektrum. Es reicht vom

Outsourcing bis hin zu Solution- und Systemintegrationsprojekten. Für größere Angebote werden Teams mit unterschiedlichen Rollen und Erfahrungslevels eingesetzt. Sales Manager liefern die erste Kundeninformation zusammen mit dem request for proposal des Kunden sowie dem geplanten Ansatz (Preis, Value proposition, Storyline, etc.). Hieraus entsteht ein erster Entwurf des Management Sum-maries. Proposal Manager arbeiten im Gegensatz zu den Sales Managern meist in organisational, top-down vorgegebenen Strukturen in einer zentralen Ablage. Sales Manager dagegen präferieren indivi-duelle Strukturen auf ihrem lokalen Desktop. Nichtsdestotrotz arbeiten beide an denselben Dokumen-ten und nutzen ähnliche Informationspools.

Die Analyse der Strukturen zeigt, allgemein betrachtet, dass Folderstrukturen gemäß den untersuch-

ten Praxisbeispielen anhand folgender Aspekte strukturiert sind: Zeit, Themen (Portfolio und Un-ternehmensbereiche), interne oder kundenbezogene Projekte, Ereignisse und Meilensteine, Kunden und Lieferanten, Regionen, Bereiche, Absichten, Gründe oder Bearbeitungsstatus. Alle resultieren aus bestimmten Aufgaben und Intentionen. Sie sind historisch gewachsen.

Die Folderstrukturen lassen sich zusammen mit organisationalen Meta-Daten als Personal Informa-

tion Model (PIMO) technologisch nutzen. Sie berücksichtigen damit die individuellen Ablagepräfe-renzen und -prioritäten. Diese führen zu unterschiedlichen Wahrnehmungen des gleichen Inhalts, mehrfach abgelegter Information und eindimensionaler Ablagestrukturen. Sie bilden letztlich damit die Intention ab. Der Dialog aus verschiedenen Perspektiven und Intentionen ist ein wesentlicher Teil der Wissensentwicklung. Kontextinformation repräsentiert die Situation unter anderem durch das aus-lösende Ereignis, die Zeit oder den Prozessrahmen.


11.4 Gnowsis im Spektrum semantischer Suchen

Aus Sicht der Nutzerschnittstelle wäre Gnowsis originär nach der Klassifizierung von Lei et al. (2006) in Kapitel 11.2 in Kategorie 2 (RDF-basierte Abfragen) einzuordnen. Gnowsis berücksichtigt als Erweiterung zur Volltextsuche zusätzlich (referenzierte) Objekte aus Ontologien (Domainkonzept) und auf per Inferenz geschlossene Objekte. Es kombiniert damit Kategorie 2 (Semantik-basierte Schlagwortsuchen) und 3 (Beantwortungstools).

Abb. 20. Bausteine der Semantischen Suche

Abbildung 19 stellt die drei Bausteine und Schritte der semantischen Suche für Gnowsis schema-tisch dar. Indexbasierte Suchergebnisse werden durch statistische Verfahren verbessert sowie durch die Einbeziehung von Ontologien und Inferenzen abgerundet.

Mangold (2007) geht in seiner Klassifizierung über die reine Sicht von Lei et al. (2006) der Nutzer-

interaktion hinaus und berücksichtigt weitere Klassifizierungskriterien. In Bezug auf Gnowsis lassen sich diese wie folgt erörtern:

• Architekur:

Stand-alone, mit eigenem Dokumentenindex • Coupling:

Für Gnowsis trifft weder eine lockere noch eine enge Verknüpfung als Einzellösung zu. Vielmehr kann man von einer hybriden Lösung sprechen. Aufgrund der dynamischen Ver-knüpfung der Ontologie über das PIMO ist sowohl die lose Koppelung enthalten als auch eine enge Kopplung durch die Indizierung der Dokumentenbasis. Diese dynamische und hybride Form ist ein Differenzierungsmerkmal von Gnowsis gegenüber anderen beschrie-benen Verfahren, wie SHOE (Heflin 2000). Es soll damit eine weiter verbesserte Precision und Recall erzielt werden und der individuellen Perspektive des Nutzers besser Rechnung getragen werden.

• Semantische Transparenz und Modifikationsmöglichkeit: Dieses Kriterium beschreibt analog zur Klassifizierung von Lei et al. (2006) die Nutzer-schnittstelle und die explizite Beeinflußbarkeit der semantischen Strukturen durch den Nut-zer. Gnowsis bietet, wie TAP (Guha et al. 2003), einen zweistufigen, hybriden Ansatz. Es extrahiert zum einen automatisch Ontologien aus dem PIMO, erlaubt aber diese durch den Nutzer zu modifizieren.

• Nutzerkontext: Über die Bewertung der Dokumentenrelevanz im brainfiler lässt sich ein lernendes Verhal-ten annehmen. Ein etablierter Lernalgorithmus existiert nicht, da die Nutzerspezifikation dynamisch aus dem PIMO erzeugt wird.

• Strukturformen der Ontologie und Ontologiesprache: Gnowsis nutzt RDF-basierte Ontologiesprachen und weist keine domainspezifischen Onto-logiestrukturen auf. Mit Hilfe des ontology matchings legt Gnowsis Grundlagen für eine dynamische Ermittlung von common-sense-Strukturen. Im Prototyp sind diese noch nicht final ausgeprägt.

Gnowis würde durch die Verwendung des PIMOs bei einer kleineren Komplexität der Anfrage bes-

sere Genauigkeit erreichen. Damit verbunden wäre eine Reduzierung der lexikalischen Mehrdeutig-

Volltextsuche

Domainkonzept

InferenzRegeln

Kategorien

Schlagwort-Index

Sem

antic

he S

uche


keit. Gnowsis testet mit Hilfe des PIMO dynamische Ansätze und Hebel, die bisherigen, historisch rückblickenden Klassifikationskriterien zu erweitern.

Die Arbeit konzentriert sich auf die Untersuchung der Wirkung des Prototypen als Ganzes in seiner

Ergebniswirkung auf Precision und Recall und in seiner Wirkung Perspektiven in Form von Rollen abzubilden. Für eine tiefergehende, technische Einordnung von Gnowsis wäre eine Ausdifferenzierung der Kriterien Coupling und Nutzerkontext hilfreich. Diese Forschungsfrage wird nicht weiter verfolgt, aber als weitergehende Forschung angeregt.

Inwieweit sich diese architekturtechnischen Aussagen und damit Frage (F-6.4) im Praxisum-

feld bestätigen, soll der nachfolgende Test zeigen. Er testet die Gesamtperformance in Bezug auf bestehende Suchen im Praxisumfeld und diskutiert über den Vergleich verschiedener Kollaborations-szenarien den Einfluss des Einzelaspekts nativer Strukturen als Repräsentant für die Rolle eines Nut-zers. Die Performanceoptimierung des brainfilers wird aus früheren Tests vorausgesetzt und im Rah-men der Gesamtperformance mitberücksichtigt.

11.5 Testansatz

Gnowsis als semantische Suche im Semantic Desktop verfolgt mit Hilfe eines Personal Information Models auf Basis einer peer-to-peer-Vernetzung das Ziel, den subjektiven Charakter von Wissen zu repräsentieren und bottom-up zu konstruieren (Sauermann 2003).

Wie in Kapitel 9 beschrieben, wirken Technologien auf unterschiedlichen Ebenen. Im Folgenden

wird die Wirkung der semantischen Suche für die Erstellung eines Management Summaries auf Begriffs- und Bedeutungsebene anhand von Dokumententiteln und ihren Ablagestrukturen diskutiert. Dabei wird untersucht, inwieweit diese eine Verbesserung gegenüber in der Praxis eingesetzten Tech-nologien bringen und inwieweit sie Rollen als Intentionen in der Wissensentwicklung berücksichtigen können: Die Tests werden auf Basis realer, aber aus datenschutzrechtlichen Gründen anonymisier-ter Datensätze aus dem betrieblichen Alltag der SIS getestet.

Gnowsis macht die Funktionalitäten webbasiert verfügbar und ist als Prototyp im Unternehmens-

kontext einsetzbar. Gnowsis verbindet damit eine einfache Multi-Schlagwort- Eingabeform mit einem mehrstufigen Algorithmus basierend auf terminologischer Konzeptualisierung (Dengel 2006). Dieser verwendet für den Nutzer unsichtbar semantische Konzepte bei der Identifikation und in der Bewer-tung der Suchergebnisse. Begriffsähnlichkeiten und vorbereitetete statistische Häufigkeitsanalysen werden in Dokumenten kombiniert.

Im Folgenden wird untersucht und dargestellt, welche Rolle das PIMO bei der semantischen Su-

che Gnowsis spielt. Vermutet wird, dass die Nutzung des PIMOs die Suchqualität durch folgende As-pekte steigert (Gordon und Pathak 1999):

a) Erhöhung der Verfügbarkeit von Information (Recall) durch Identifikation der benötigten As-sets, welche nicht durch ähnliche Keywords ausgezeichnet sind. Beispielhaft wird das Projekt mit „Kunde 1“ gefunden, wenn nach „Kostenreduktion“ gesucht wurde, da das Projekt mit Kun-de 1 in Beziehung zum Thema Kostenreduktion steht.

b) Erhöhung der Relevanz (Precision), indem die Rolle sowie die Intention des Nutzers für das in-terne Ranking der Ergebnisse sowie deren Auswahl (Precision) berücksichtigt werden. Ein auf vielen Peers zum gesuchten Keyword passendes Asset erhält mit größerer Wahrscheinlichkeit ein höheres Ranking als ein Asset, das auf verschiedenen Peers über unterschiedliche Keywords identifiziert wird.

In der Angebotsentwicklung lassen sich unterschiedliche Teilbereiche der technologischen Unter-

stützung identifizieren. Beispiele aus der Praxis sind Vorschlag einer Story für ein Angebot oder Nut-zung und Integration strukturierter Daten aus CRM- oder ERP-Systemen zur Preisbildung. Im Hin-blick auf die zu testende und zur Verfügung stehende Technologie bietet sich an, die Auswahl vorhandener Dokumente und Wissensobjekte näher zu untersuchen. Gerade hier stoßen die Ansätze


der Wissensverteilung, im Sinne eines re-use, an ihre Grenzen. Zur weiteren Optimierung mit heutigen Ansätzen bedarf es eines unverhältnismäßig größeren Redaktions- und Pflegeaufwandes. Fraglich ist also, inwieweit sich die Ergebnisrelevanz technologisch steigern lässt.

11.5.1 Testmethode

Information Retrieval (Dengel 2008) klassifiziert Suchergebnisse in Contingency charts nach Präzi-sion und Korrektheit. Vier Kategorien werden dabei unterschieden: Präsise und richtig erkannt (cor-rect accept), präzise, aber unrichtig (correct reject), unpräzise, aber richtig erkannt (false accept) so-weie unpräzise und unrichtig (false reject).

Gemessen wird die Relevanz mit der allgemein anerkannten und üblichen Methode von Precision

und Recall nach Brünken (1998). Dabei sei :

N die Menge aller Objekte des Systems

M die Menge aller relevanten Objekte mit M N und |M| |N|

P die Menge der angebotenen Dokumente/ Objekte (=Suchergebnis)

Q die Menge aller nicht-relevanten Objekte

Ma die Menge angebotener (a) relevanter Objekte (Ma M). Diese wird als Hits bezeichnet (correct accept)

Qa die Menge angebotener (a) nicht-relevanter Objekte (Qa Q). Diese wird als Noise bezeichnet (false ac-cept). Rejection bezeichnet die Menge nicht relevanter und nicht angezeigter Dokumente

Ihre Zusammenhänge, Abgrenzungen oder Überschneidungen illustriert Abbildung 20:

Abb. 21. Schema und Abgrenzung der Qualität von Suchergebnissen

In einem Beispiel sind gegeben: |N| = 26, |Q| = 16, |M| = 10, |P| = 8, | Qa| = 2 und | Ma| = 6; Als Egebnis wären für Precision und Recall folgende Werte zu ermitteln: r = 6 / 10 = 0,6; p = 6 / 8 = 0,75.

Basierend auf der Gesamtzahl verfügbarer Dokumente und Objekte beschreibt Recall (r) damit die

Quote der gefundenen relevanten Objekte verglichen mit den verfügbaren relevanten Objekten:

r = |Ma| / |M| mit 0 ≤ r ≥ 1 (3)

Ein idealer Wert für r ist offensichtlich 1. In diesem Fall (|Ma| = |M|) wären alle relevanten Objekte

im Suchergebnis vorhanden. Da sich der Wert relativ leicht durch Aufweichung der Suchkriterien verbessern ließe, wird zur Verfeinerung der Aussage über die Qualität des Suchergebnisses noch die Precision mit berücksichtigt. Im einfachsten Fall ließe er sich durch Lieferung aller vorhandenen und damit aller relevanten und nicht relevanten Dokumente aufweichen. Für den Suchbegriff wurde daher vorher festgelegt, welche Objekte als relevant grundsätzlich zur Verfügung stehen.

Precision (p) bezieht nun die gefundenen relevanten Dokumente auf alle im Suchergebnis ange-

zeigten Dokumente und stellt deren Quote dar. Das Suchergebnis könnte durch weitere Funde ver-schlechtert worden sein:

Qa Ma

N Q M P


p = |Ma| / |P| mit 0 ≤ p ≥ 1 (4)

Das Ziel ist, einen möglichst hohen Anteil an relevanten Objekten im gesamten Suchergebnis zu lie-

fern. Dies ermöglicht es einem Nutzer, aufgrund der geringen Anzahl nicht-relevanter Objekte die re-levanten Objekte der Suchergebnisse leichter zu identifizieren. Im Idealfall gilt auch für p der Wert 1. In diesem Fall (|Ma| = |P|, |Qa| = 0) würden nur relevante Objekte geliefert. Dies lässt sich im Gegen-satz zu r, am leichtesten durch eine Verschärfung der Suchkriterien beeinflussen, indem nur Objekte geliefert werden, die aus Systemsicht sicher relevant sind.

Fallout (f) ist die Quote der gefundenen nicht-relevanten Objekte:

f= |Qa| / |Q| mit 0 ≤ f ≥ 1 (5)

Ziel ist, möglichst wenige der vorhandenen nicht-relevanten Objekte im Suchergebnis zu liefern,

und stellt somit ebenfalls eine Erweiterung der beiden anderen Qualitätskriterien dar. Im Idealfall (|Qa| = 0, |Q| > 0) gilt somit für f der Wert 0. Der Vollständigkeit halber bezeichnet Rejection die Menge nicht relevanter und nicht angezeigter Dokumente. (siehe Krutz et al. 2003)

Im Test sehen Ergebnistabellen beispielhaft wie folgt aus:

Tabelle 19. Beispielhafte Suchergebnisse für brainfiler und LiveLink

Im Folgenden werden Szenarien definiert. Sie unterstützen die Untersuchung, inwieweit sich der

subjektive Charakter von Wissen in Form von Rollen wiederfinden lässt. Sie erlauben die Diskussion innerhalb des Anwendungsfalls der Angebotserstellung.

Grundsätzlich ist der Wunsch nach hohem Recall und hoher Precision selten erfüllbar. Liegt der

Schwerpunkt auf einer möglichst großen Ergebnismenge, ist ein hoher Recall ausschlaggebend bei gleichzeitig sinkender Precision. Wird der Anspruch auf die Genauigkeit der gefundenen Dokumente gelegt, sollte die Precision hoch sein, wobei der Recall abfällt.

11.5.2 Testszenarien

Als Testszenarien wäre ein Vergleich der Technologie in verschiedenen wissensintensiven Prozes-sen oder ein Vergleich unterschiedlicher Szenarien in einem wissensintensiven Prozess denkbar. Zu unterschiedlich sind wissensintensive Prozesse, um eine eineindeutige Aussage über den Einfluss der Technologie machen zu können, so dass hier der Szenariovergleich innerhalb eines Anwendungsfalls angewandt wird. Sollte sich die Hypothese bestätigen, dass Rollen geeignet sind, um als PIMO die Perspektive eines Nutzers zu repräsentieren und damit die Ergebnisrelevanz zu steigern, könnte ein Vergleich zwischen Anwendungsfällen untersucht werden. In Ergänzung wird durch Test des Seman-tic Desktop unter Praxisbedingungen eine zusätzliche Aussage im Vergleich zum Labortest gewonnen. Er ist bei Bestätigung Hinweis auf das Potential einer Modellanwendung in anderen wissensintensiven Prozessen.

In Workflow-Umgebungen wurden bisher nur situationsspezifische Kontextinformationen wie Zeit oder Aktivität berücksichtigt. Die Rolle repräsentiert die individuelle Perspektive und enthält damit

Kunde1Gesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 10 145 13 10 3 0 142 0,77 1,00 0,02 0,97 7S1 81 6 75 9 6 3 0 72 0,67 1,00 0,04 0,95 3S1 (PM) 89 7 82 10 7 3 0 79 0,70 1,00 0,04 0,96 4

S2140 15 125 17 13 4 2 121 0,76 0,87 0,03 0,86 9

S3 96 8 88 11 8 3 0 85 0,73 1,00 0,03 0,96 5S4 155 17 138 19 15 4 2 134 0,79 0,88 0,03 0,88 11LiveLink (Gesamt) 14 11 3 -11 -3 0,79 7,86 8brainFiler (Gesamt) 1337 20 15 5 -15 1332 0,75 19,50 10


eine Intention oder Aufgabe. Sie könnten Informationen weitere Bedeutung verleihen. Hierfür soll mit dem Test getrennt untersucht werden, wie sich die Rolle in homogenen (gleichen Rollen) und hetero-genen (unterschiedlichen Rollen) Gruppen und Kollaborationssituationen auf die Relevanz von Infor-mationen auswirkt. Die unterschiedliche Dokumentenbasis kann als peer-to-peer-Architektur verfüg-bar gemacht werden. Sie repräsentiert hierin unterschiedliche Mitarbeiter, die mit ihren Dokumenten die Basis möglicher relevanter Dokumente vergrößern.

Homogene und heterogene Gruppen differenzieren sich durch zwei wesentlichen Einflussgrößen:

Rolle und Dokumentenbasis. Sie bilden, wie in Abbildung 21 aufgezeigt, Szenarien, über die die Auswirkungen von Konzepten und Regeln in Gnowsis auf die Relevanz der Suchergebnisse getestet werden.

Abb. 22. Testszenarien in Abhängigkeit von Rolle und Wissensobjekt

Gnowsis ist die semantische Suche im Semantic Desktop. Sie verwendet, wie verschiedene ande-re Dienste im Semantic Desktop, semantischer Konzepte und Regeln. Erste Erfahrungsberichte aus der Entwicklungsumgebung mit willkürlichen Daten und Dokumenten zeigten bereits deutliche Verbesse-rungen in der Ergebnisrelevanz gegenüber herkömmlichen (Volltext-)Suchen. Der Test validiert daher im ersten Teil (Szenario 1) zunächst die Erfahrungsberichte mit Gnowsis mit anonymisierten Struktu-ren und Daten aus dem Tagesgeschäft auf einem einzelnen Desktop.

Der zweite Teil diskutiert im Vergleich der Szenarien 2 und 3 mit Szenario 1, welchen Beitrag die Technologie in der Kollaboration leisten kann. Semantische Konzepte werden hier nach den existie-renden Rollen Proposal Manager und Sales Manager modelliert. Sie werden als Teil eines Personal In-formation Models (PIMO) repräsentiert und ermitteln sich aus bottom-up, dynamisch ermittelten nati-ven Strukturen, wie Folder- oder Mailordnerstrukturen.

Zur Erörterung, inwieweit sich beide Erkenntnisse gleichzeitig erzielen lassen, wird Szenario 4 mit

Szenario 1 vergleichen. Für eine grundsätzliche Einordnung der Ergebnisse stellt der Test die Ergeb-nisse von Gnowsis in Szenario 4 als Suche mit semantischen Konzepten den Ergebnissen der bei SIS eingesetzten zentralen Knowledgebase Livelink ohne Konzepte gegenüber.

In Szenario 1 werden vor allem Verbesserungen der Precision erwartet, da mit der Beschränkung auf einen Desktop wenige Störungen und nicht-relevante Dokumente Einfluss nehmen.

In Szenario 2 wird ein zweiter Arbeitsplatz eines Nutzers mit ähnlicher oder gleicher Rolle (Sales Manager) untersucht. Dieser Sales Manager arbeitet an unterschiedlichen Themen (oder unterschiedli-chen Kunden) und somit an unterschiedlichen Dateien. Trotz der unterschiedlichen Inhalte bewegen sie sich aufgrund der gleichen Rolle in gleichen Domänen, wie Kalkulationen, Trends, Lösungen, Entwicklung, etc. Es wird angenommen, dass die Nutzer ihren Arbeitsplatz in ähnlicher Weise organi-

Rolle

Wissensobjekt

gleich ähnlich verschieden

ähnlich

verschieden

Szenario 1 Szenario 3

Szenario 2 Szenario 4


sieren sowie ein ähnliches Vokabular verwenden. Nutzer mit gleicher Rolle, die auf einem unter-schiedlichen Datenbestand arbeiten, könnten somit von einander profitieren, indem sich durch die teilweise komplementären Informationen der Peers die gesamte Datenbasis erhöht und den Nutzern somit potenziell mehr relevante Informationen für seine Arbeit zur Verfügung stellen. In der Folge wird eine Steigerung des Recalls erwartet.

In Szenario 3 werden Nutzer mit den unterschiedlichen Rollen Sales Manager und Proposal Ma-

nager berücksichtigt, die aber an ähnlichen oder gleichen Themen und Dateien arbeiten. Insbesondere Kunden-Communities sind schwach strukturierte Arbeitsbereiche. Sie verbinden Nutzer mit unter-schiedlichen Rollen, wie Sales Manager, Solution Designer, Proposal Manager, Project Manager, etc. Sie arbeiten alle mit demselben Kunden zusammen. Einige der Dokumente werden zentral gespei-chert. Der Großteil der Informationen wird sich in Dokumenten auf dem jeweils lokalen Arbeitsplatz wiederfinden. Die gemeinsame Nutzung vom individuellen Standpunkt aus wird als nicht notwendig oder sinnvoll erachtet. So arbeitet jeder Nutzer oder jede Rolle weiterhin überwiegend mit den Doku-menten seines eigenen Arbeitsplatzes, wobei hingegen nur ein Teil der Informationen innerhalb der Community geteilt wird. Die Nutzer könnten davon profitieren, dass auf den unterschiedlichen Peers ähnliche Dokumente mit rollenbedingt unterschiedlichen Konzepten und somit mehr Informationen zu ähnlichen Dokumenten zur Verfügung stehen. Die Erweiterung der Datenbasis um ähnliche Dokumen-te sollten den Faktor Recall positiv beeinflussen. Die hinzugekommenen Konzeptinformationen zu ähnlichen oder gleichen Dokumenten sollten den Wert für Precision beeinflussen.

In Szenario 4 werden Nutzer mit unterschiedlichen Rollen betrachtet, die an unterschiedlichen

Themen oder Dateien arbeiten. Jeder der Nutzer arbeitet überwiegend auf seinem eigenen Arbeits-platz. Kommunikation und der Austausch von Informationen findet im organisatorisch vorgegebenen Rahmen statt. Die unterschiedlichen Rollen könnten von Informationen des anderen profitieren. Sie gehen das Risiko ein, dass sich durch Verfügbarkeit vieler irrelevanter Dokumente die Relevanz der Suchergebnisse verringert.

11.6 Testbasis

Die für diese Tests zu verwendenden Begriffe werden anhand von markanten, in den Dokumenten enthaltenen Passagen ermittelt. Sie werden mit den Ergebnissen aus der Befragung von Vertretern der Rollen Sales und Proposal Manager abgeglichen. Hieraus ergeben sich für die durchzuführenden Tests folgende Suchanfragen: Cost Reduction, Business Efficiency, Call-Center, Help-Desk, Infrastruc-ture, Communication, SAP R3, RFID, Voice Data Solution, Outsourcing, Financial Market und Kunde1 (als anonymisierter Stellvertreter für Kundennamen). Die Tests werden mit den hier aufge-führten Begriffen in den gegebenen Szenarien durchgeführt. In den einzelnen Szenarien werden je-weils alle Suchbegriffe getestet. Die zuvor ermittelten Werte (Gesamtzahl der Elemente, sowie die Anzahl der relevanten und nicht relevanten Elemente) sowie die aus den Tests hervorgegangenen Werte werden in die entsprechende Tabelle eingetragen. Anschließend werden die Qualitätsparameter berechnet.

11.6.1 Datenbasis und Ordnerstrukturen

Für die durchzuführenden Test wurden zunächst passende Dateien und Ordnerstrukturen ausge-wählt. Grundlegende Datenbasis bilden die über 100 anonymisierten deutschen und englischen Mana-gement Summaries von Angeboten. Diese werden durch entsprechende, zur Erstellung der Manage-ment Summaries, verwendete Quelldateien ergänzt. All diese Dateien stehen unter LiveLink, in einem für das Projekt angelegten Testordner zur Verfügung und können somit von LiveLink durchsucht wer-den.

Für den Proposal Manager werden, in Anlehnung an die Vorgaben der SIS-Projekt-Struktur, fol-

gende Ordner und Unterordner verwendet:


Tabelle 20. Ordnerstruktur eines Proposal Managers

Ordner Unterordner Basisdaten Allgemeine Informationen, Teammitglieder,

Querverweise Management Projektauftrag, Projektpläne, Kalkulationen, Risi-

ko-Management, Qualitätsmanagement, Kunden-beziehung

Berichte Ressourcenverteilung, Bewilligungen Kommunikation Mit Kunde, Partner, Team Lieferungen Zulieferungen, Beistellungen Verträge Abnahmen, Auftrag Ergebnisse Abschlussbericht, Lessons learned Verschiedenes Präsentationen, Vorlagen, Hintergrund-Infos Für die Sales Manager wird, in Anlehnung an die Realdaten von verfügbaren Sales Managern, fol-

gende Struktur angenommen:

Tabelle 21. Ordnerstruktur eines Sales Managers

Ordner Unterordner Kommunikation E-Mails, Briefe

Sales und Marketing Meetings, Kontakte, Thema 1, Thema 2, Präsenta-tionen

Initiativen Controlling, Marktstudien, Referenzen, Strategien Organisation Personal, Kontakte

Kunde 1 Thema 1, Präsentationen, Vorträge, Verschiede-nes

Sales Service Berichte, Downloads Die im Testordner verfügbaren Dateien werden nun entsprechend ihrem Inhalt auf die jeweiligen

Ordner der einzelnen Nutzer verteilt. Diese Verteilung berücksichtigt die in den Kernszenarien (S1 - S4) gegebenen Voraussetzungen. Die ähnlichen Verzeichnisstrukturen der beiden berücksichtigten Sales Manager werden zum Beispiel mit Dokumenten zu unterschiedlichen Themen gefüllt.

11.6.2 Organisatorische Ontologie

Zur Ergänzung des PIMO wird als organisatorische Ontologie auf das SIS Ontologiemodell zu-rückgegriffen. Dies wird mittels Protegé (http://protege.stanford.edu/) modelliert. (siehe Anhang A, Source Code). Hierin werden ein Informations-, Kunden-, Organisations-, Produkt, Rollen- und Workflowmodell abgebildet.

Abb. 23. Ontologie - Informationsmodell

Das Informationsmodell besteht aus Dokumenten sowie deren Spezialisierungen, Projektdokument und Template. Zwischen den einzelnen Dokumenten bestehen diverse Beziehungen. Die wichtigste ist die Kennzeichnung, dass ein Dokument auf einem anderen beruht, um so die Struktur des Manage-ment Summary Templates abbilden zu können und auf die Quelldokumente eines gefundenen Objekts schließen zu können. In Anlehnung an Zeilbeck und Franz (2005) werden die in der Ontologie notier-ten Dokumente (Templates und Best- Practice-Dokumente) mit den entsprechenden Meta-Daten ver-sehen. Diese sind: Title, Creator, Publisher (Owner), Contributor (Co-Author of a document), Subject (Keywords), Description, Document Type, Language und Coverage (Countries).

Meta-Daten wie Verweise auf Personen werden nicht textuell, sondern als direkte Referenzen ange-legt. Projektdokumente enthalten zusätzlich eine Referenz auf das jeweilige Projekt.


Abb. 24. Ontologie - Kundenmodell

Dem Kundenmodell liegt die Struktur der SIS Brancheneinteilung zugrunde. Für Instanzen von Kunden und Kundenanforderungen werden beispielhaft Daten aus den verfügbaren Dokumenten ver-wendet. Kunden werden ebenfalls den einzelnen Projekten zugeordnet.

Abb. 25. Ontologie - Organisationsmodell

Dem Organisationsmodell liegt die grundlegende Organisationsstruktur von SIS zu Beginn dieser Arbeit zugrunde. Die Hierarchie wird mit Dummydaten aufgefüllt.

Abb. 26. Ontologie - Produktmodell

Im Produktmodell sind die Beziehungen zwischen Portfolioelementen und daraus zusammengestell-ten Business Topics oder Solutions für einzelne Projekte ausgewiesen.

Abb. 27. Ontologie - Rollenmodell

Das Rollenmodell resultiert aus den bei SIS existierenden Rollen sowie deren Ausprägungen (in Form von Entwicklungsstufe oder Expertenlevel). Die typischen Fähigkeiten und Kenntnisse einer


Rolle sind ebenfalls ausgewiesen. Dies würde ausblickend beispielsweise Assignment-bezogene Tests ermöglichen. Die anonymisierten Personen werden mit ihrer Rolle versehen.

Abb. 28. Ontologie - Prozessmodell

Dem Workflow-Modell liegen die SIS Prozessdefinitionen aus Kapitel 0 zugrunde. Zur jeweiligen Aufgabe werden das gewünschte Template und die entsprechende Verantwortlichkeit einer Rollenaus-prägung hinzugefügt. Insgesamt ergibt sich somit eine Ontologie, in welcher anhand der nachfolgend notierten Inferenzen Schlussfolgerungen gezogen werden können.

11.6.3 Systemvoraussetzungen

Das positive Ergebnis der mit Hilfe der Abteilung für Softwareinstallationen durchgeführten Über-prüfung der allgemeinen Installierbarkeit auf SIS-typischen Rechnersystemen bestätigt die vom DFKI angenommenen Systemvoraussetzungen für die Verwendung von Gnowsis.

Tabelle 22. Systemvoraussetzungen

System Minimal Empfohlen Brainfiler Client Windows 2000, XP und

2003 Windows 2000, XP und 2003

600 MHz, 384 MB RAM 2000MHZ, 512 MB RAM

Brainfiler Server Windows 2000, XP und 2003

Windows 2000, XP und 2003

1000 MHz, 512 MB RAM

2500MHZ, 768 MB RAM

Modellierung Windows 2000, XP und 2003

Windows 2000, XP und 2003

1500 MHz, 512 MB RAM

3000 MHz, 1024 MB RAM

Tabelle 22 zeigt die seinerzeit hohen Leistungsanforderungen pro Arbeitsplatz des unter Windows lauffähigen Semantic Desktops und seiner Modellierungswerkzeuge.

11.7 Testergebnisse

In Erweiterung zur Suche mit semantischen Konzepten werden die Szenarien mit manuellen rollen-spezifischen Regeln betrachtet. Dabei soll untersucht werden, inwieweit mit dem gleichen Redakti-onsaufwand wie heute für Informationskategorisierung eine weitere Steigerung der Relevanz erzielt werden kann.

Im Vergleich zur bisher bei SIS eingesetzten LiveLink-Suche über eine vergleichbare Grundge-

samtheit gemäß den Szenarien zeigt sich, dass in allen eine Steigerung sowohl des Recalls als auch der Precision erzielt werden konnte:

Tabelle 23. Gesamtverbesserung gegenüber bisheriger LiveLink Suche (ohne Regeln)

Szenario Recall Precision Szenario Recall Precision S2 10% 28% S4 6% 18% S1 23% 29% S3 22% 20%

Diese wurden um besonders auffällige Werte wie folgt bereinigt:


Bei der Suche in brainFiler und LiveLink ist für Business Efficiency und Call-Center mit 1,00 ein besonders hoher Recall-Wert zu identifizieren. Mögliche Ursache ist eine gute Indizierung der rele-vanten Dateien. LiveLink findet zu Call-Center viele nicht-relevante Dokumente (p=0,25). Beim syn-onymen, organisatorisch verwendeten Begriff Help-Desk sieht das Ergebnis mit p=0,50 etwas besser aus. Auch bei den weiteren Begriffen liegt LiveLink mit den Precision-Werten meist unter denen des brainFilers

Bei der Suche mit Gnowsis (mit Ontologie) werden durchgängig hohe Werte für Precision erzieht. Dies liegt unter anderem darin begründet, dass in der Ontologie nur zusätzliche exakte Treffer gefun-den werden und nicht versehentlich auf nicht relevante Einträge geschlossen werden kann. Die Recall-Verbesserungen fallen in S2 und S4 nicht ganz so hoch aus. Im Gegensatz zu S1 und S3 erhöht und differenziert sich hierbei die Datenbasis. Dies erhöht M, die Menge der relevanten Dokumente. Die verfügbaren Ontologien können in dieser Komplexität nur über Inferenzen automatisch erschlossen werden, wie nachfolgende Tabelle verdeutlicht. Damit reduziert sich Ma, die Menge der daraus ange-botenen Treffer.

Bis auf vereinzelte LiveLink-Ergebnisse, bei SAP R3 und Outsourcing, bleiben die Werte für Fall-out auf einem konstant niedrigen Niveau.

Die Ergebnisse unter Ergänzung rollenspezifischer Regeln, wie „If a project was found, determine

the project documents as a possibly good source document for the current task“, verdeutlichen, dass sich hierüber vor allem beim Recall weitere Verbesserungen von 15-20% erzielen lassen:

Tabelle 24. Gesamtverbesserung gegenüber bisheriger Livelink Suche (mit Regeln)

Szenario Recall Precision Szenario Recall Precision S2 24% 29% S4 26% 20% S1 39% 31% S3 39% 21%

Diese Steigerung ist durch die manuelle Bewertung weiterer relevanter Objekte aus Sicht einer Rol-

le zu erklären. Die Testdaten und absoluten Zahlen sind verfügbar und werden als Anhang zur Arbeit bereitgestellt.

11.7.1 Erfahrungsberichte werden bestätigt

Erfahrungsberichte von acht Forschern im Entwicklungsrahmen von Gnowsis weisen auf eine sehr gute Repräsentation der Nutzersicht im Sinne einer Relevanz hin. Die Testpersonen stufen das Tool in ihrer täglichen Arbeit im Befragungszeitraum über eine Woche auf der Basis von strukturierten Inter-views subjektiv als hilfreich ein. Dabei wird vor allem festgestellt, dass unerwartete Informationen ge-funden und die eigene Kategorisierung, aber auch die anderer Teilnehmer, bei der Suche hilfreich ist.

Der Gnowsis-Test bestätigt für den ersten Teil des Tests nun die Erfahrungsberichte im Praxisrah-men bei SIS und auf Basis einer Precision- und Recall-Standardbewertungsmethode für Suchmaschi-nen.

Tabelle 25. Ergebnisse gegenüber Laborbedingungen

Erfahrungsberichte (Sauermann 2006)

Szenario 1 (ohne Regeln)

Beschreibung

Suche mit willkürlich modellierten Rollen und Dummy-Daten auf ei-nem Desktop in der alltäglichen Forschungsarbeit

Suche mit real modellierten Rollen und re-alen Datensätzen aus der SIS Praxis auf ei-nem Desktop mit hinreichend großem Da-tenvolumen

Ziel Bestätigung der Wirkung von Gnowsis unter Praxisbedingungen Unerwartete Informationen wurden als relevant gefunden (Recall)

p: 29%, r: 23%

Beobachtung In Ergänzung zum Recall steigt auch die Precision an. Diese lässt sich nicht ori-ginär aus den Daten ableiten, sondern ergibt sich aus den Nutzerstrukturen.

Die Nutzung eines Systems wie LiveLink, ermöglicht es dem Nutzer bei einer Suche, die entspre-

chend der ermittelten Relevanz sortierten Dokumente zu erhalten. Entweder ist der eingegebene Beg-


riff direkt im Dokument enthalten oder das Dokument wird aufgrund assoziativer Ähnlichkeit gefun-den. Zu wichtigen in den Dokumenten enthaltenen Meta-Daten, wie Autor, liefert LiveLink eine zu-sätzliche Ergebnisliste. Wenn der Autor der Dokumentenvorlage und nicht der Autor des eigentlichen Inhalts angegeben wurde, liefert diese Liste eine große Anzahl unbrauchbarer Ergebnisse. Der Test der lokalen Suche zeigt, dass brainFiler und LiveLink annähernd die gleichen Ergebnisse ermitteln. Dies geschieht unabhängig von der auf Regeln und Ontologien basierenden Nutzung der semantischen Su-che.

Unter Gnowsis werden, durch die Verwendung von Ontologien und Regeln, zusätzlich die zum

Suchbegriff passenden Informationen wie Kontakte oder Projekte angegeben, da diese Ergebnisse in einer semantischen Beziehung zueinander stehen. Da unter LiveLink, im Gegensatz zu brainFiler oder Gnowsis, mehr nicht relevante Dokumente angezeigt wurden, könnte der Semantic Desktop bereits in diesem frühen Beta-Stadium, LiveLink erweiternde Funktionalität bereitstellen. Dies wird automati-siert durch die Ermittlung des initialen Ergebnisses der Suchverfeinerungen, Ermittlung der Konzepte, des Kontexts und der Sucherweiterungen durch Inferenzen. Andernfalls müssten diese Schritte manu-ell in weiteren Suchdurchläufen ausgeführt werden.

Abb. 29. Screenshot (schematisch) Gnowsis für Szenario 1

Im obigen beispielhaften Screenschot des Gnowsis Suchergebnisses sind die drei ersten für die Su-che nach Cost Reduction zu erkennen. Es handelt sich ausschließlich um relevante Dokumente.

Im Unterschied zwischen Sales Manager und Proposal Manager auf einem Desktop gelten die glei-

chen Aussagen wie für die lokale Suche eines Sales Managers. Aufgrund der unterschiedlichen Struk-turen der Rollen haben sich trotz eines fast identischen Datenbestandes Unterschiede im Suchergebnis gezeigt. Neben kleinen Unterschieden bei den gefundenen relevanten und nicht relevanten Dokumen-ten fallen vor allem die Unterschiede in der Reihenfolge der präsentierten Suchergebnisse auf. Diese Abweichungen können auf die unterschiedlichen Arbeitsplatzstrukturen der Rollen zurückgeführt werden.

Im Vergleich der einzelnen Szenarien gegenüber Szenario 1 ergeben sich folgende Diskussionen

und Ergebnisse. Im Beispiel werden die Ergebnisse eines Sales Managers zugrunde gelegt:

11.7.2 In homogenen Gruppen wirkt die Rolle auf die Ergebnisschärfe

In Szenario 2 werden homogene Gruppen als peer-to-peer-Netzwerk durch mehrere Desktops mit den gleichen Folderstrukturen (gleiche Rolle) simuliert.


Tabelle 26. Ergebnisse Szenario 2 gegenüber Szenario 1

Szenario 1 (ohne Regeln) Szenario 2 (ohne Regeln)

Beschreibung Suche mit modellierten Rollen auf einem Desktop

Suche mit gleichen Rollen über mehrere Desktops

Ziel

Wird die Rolle oder der MA durch das semantische Konzept repräsen-tiert ? Beeinflusst die Systemarchitektur (zentral/ dezentral) die Ergebnis-relevanz ?

Beobachtung

Recall in S2 (10%) steigt um 13%-Punkte nicht so stark wie in S1 (23%), Precision steigt mit 28% ähnlich stark wie in S1 (29%). Die an-gezeigten Ergebnisse werden um wenige neue relevanten Dokumente erweitert. Vor allem aber werden sie um irrelevante bereinigt. Die Er-gebnisschärfe wird gestärkt.

Der Zugriff auf unterschiedliche Peers vergrößert die Gesamtmenge der möglicherweise relevanten

Dokumente und deren Klassifikationen. Die Verfügbarkeit ähnlicher Peers lieferte deshalb mehr rele-vante, in ähnlichen Strukturen gespeicherte Dokumente als die lokale Suche. Somit lässt sich durch die Tests feststellen, dass das Suchen mit Gnowsis über brainFiler, auf ähnlich organisierten Desktops, zu-sätzliche, unbekannten Informationen aufdecken kann.


Im Vergleich zu Szenario S1 wurden zwei weitere relevante Dokumente auf einem Peer (remote) gefunden sowie die entsprechenden Konzepte identifiziert. Mehrere Desktops, als verschiedene Mitar-beiter in gleicher Rolle, stellen mehr und unterschiedliche Daten und Dokumente bereit. Es liegt auf der Hand, dass hierdurch mehr relevante Dokumente zur Verfügung stehen und der Recall ansteigen müsste. Dies ist nachweislich der Fall. Das Ergebnis zeigt, dass vielmehr als der Recall die Precision, wie in S1, ansteigt. Dies legt den Schluss nahe, dass die modellierte Rolle unabhängig von der Daten-basis ihren Einfluss auf die Ergebnisschärfe ausübt. Erfahrungsgemäß dürften mehr Dokumente zu ei-


ner Verschlechterung (Vermischung mit irrelevanten Daten) des Ergebnisses führen. Gnowsis vermei-det also das Aussortieren irrelevanter Dokumente aus dem Suchergebnis in diesem Szenario.

Die gleiche Rolle und damit die gleiche Sicht auf unterschiedliche Dokumente verstärkt also die Bedeutung eines Objekts. Die Eigenschaft Mitarbeiter sorgt nur für ein Mehr an Dokumenten. Gnow-sis würde sich damit sehr gut eignen, in großen homogenen Gruppen die Ergebnisschärfe zu steigern, und gerade hier Ansatzpunkte zur Automatisierung der Wissensentwicklung liefern. Es setzt allerdings die einheitliche Ablagestruktur voraus. Sie könnte in einer Rollendefinition zentral vorgegeben werden. Damit würden im Gegensatz zu top-down organisierten zentralen Plattformen, wie Livelink, die aufwendigen Upload-Prozesse und der zentrale Redaktionsprozess gespart.

Zum zweiten lässt sich schließen, dass eine zentrale oder dezentrale Architektur eher eine Frage der

Flexibilität ist denn eine Frage der Ergebnisrelevanz. In beiden Szenarien stiegen alle Werte an und die Precision sogar in gleichem Maße stark, was auf eine eher vernachlässigbare Einwirkung der Ar-chitektur schließen lässt.

11.7.3 In heterogenen Gruppen wirkt die Rolle auf die Zugänglichkeit relevanter Ob-jekte

Der Vergleich zwischen Szenario 1 und Szenario 3 untersucht die Frage, inwieweit unterscheidlcihe Rollen auf einem gemeinsamen Desktop wirken.

Tabelle 27. Ergebnisse Szenario 3 gegenüber Szenario 1

Szenario 1 (ohne Regeln) Szenario 3 (ohne Regeln)

Beschreibung Suche mit modellierten Rollen auf einem Desktop

Suche mit unterschiedlichen Rollen auf einem Desktop

Ziel Können verschiedene Sichtweisen auf die gleichen Dokumente die Er-gebnisrelevanz erhöhen ?

Beobachtung

Recall in S3 steigt mit 22% ähnlich stark wie in S1 (23%), Precision steigt mit 20% um 9%-Punkte weniger stark wie in S1 (29%). Es wer-den mehr relevante Dokumente gefunden, wobei die angezeigten durch weitere irrelevante Dokumente verwischt werden. Es wird die Sicht-barkeit und Verfügbarkeit von relevanten Dokumenten gesteigert.

Das System erlaubt in diesem Szenario, eine Erweiterung der Suchergebnisse anhand der unter-

schiedlichen Verbindungen einer Datei mit den relevanten Begriffen und Konzepten. Verursacht durch die brainFiler-Funktionalität kann das gleiche Dokument auf einem Experten-Peer mit hauptsächlich relevanten Dokumenten eine niedrigere Klassifizierung haben als auf einem unspezialisierten Peer mit breit gefächertem Wissen und hauptsächlich nicht relevanten Dokumenten. So sind bei einzelnen Su-chen relevante und nicht relevante Dokumente zum Ergebnis hinzugekommen. Zusammen mit den Resultaten aus S2 kann festgestellt werden, dass Peers eine größere Gesamtdatenbasis und die Berück-sichtigung mehrerer PIMOs oder Perspektiven ermöglichen.



In S3 wurden zu den lokalen Ergebnissen noch ein nicht relevantes Dokument (markiert) und ein re-levantes Dokument auf dem remote-Peer gefunden.

Der gleiche Datenbestand auf einem Desktop mit verschiedenen Rollen macht mehr relevante Do-kumente durch die Nutzung der unterschiedlichen Ablagestrukturen verfügbar. Dies entspricht der Praxiserfahrung, dass Kollegen in anderen Rollen Dokumente haben, die aus der eigenen Rolle und der eigenen Perspektive nicht als relevant gefunden werden, weil sie in anderen Ordnern abgelegt werden. Da sie im Suchergebnis durch irrelevante Dokumente verwischt werden, besteht hier weiter-hin manueller Aufwand, diese aus dem Suchergebnis herauszuarbeiten. Einige Informationen wären vorher gar nicht gefunden worden.

Die Zusammenarbeit verschiedener Rollen stellt zwar mehr relevante Dokumente zur Aus-

wahl als ohne modellierte Rolle, hilft aber noch vergleichsweise wenig zur zielgerichteten Emp-fehlung und Bereitstellung.

Auch rollenspezifische Regeln tragen im aktuellen Fall wenig zur Verbesserung der Precision bei.

Sie helfen zwar weitere relevante Dokumente zu identifizieren, bedürfen aber weiterer Forschung, wie sie zu gestalten wären, um auch die Precision stärker zu beeinflussen.


11.7.4 In unstrukturierten Gruppen wirkt die Rolle eher ergebnisschärfend

Der Vergleich zwischen Szenario 1 und Szenario 4 untersucht die Frage, ob beide Effekte gleichzei-tig, wie in großen Communities (Intranet, Internet), auftreten können. Szenario 4 kann dabei als eine Kombination der Szenarien 2 und 3 verstanden werden.

Tabelle 28. Ergebnisse Szenario 4 gegenüber Szenario 1 und Livelink



Livelink

Beschreibung

Suche mit modellier-ten Rollen auf einem Desktop

Suche mit unterschied-lichen Rollen auf ver-schiedenen Desktops

Suche ohne Rollen mit realen Datensätzen aus der SIS Praxis auf einem zentralen Server (vgl. einem großen Desktop)

Ziel Schließen sich beide Effekte gegenseitig aus ? Einordnung der Verbesserung

in ein Live-System ohne se-mantische Suche

Beobachtung

Recall und Precision steigen beide weiterhin an. Sie steigen mit r=6% und p=18% nicht so stark, wie in Szenario 1 (r=23% und p=29%). Die bei-den Effekte Recall und Precision wirken auf-einander, so dass ein Mehr an relevanten Do-kumenten nicht ausreichend durch ein Mehr an angezeigten relevanten Dokumenten aus-geglichen werden kann.

Im Vergleich von S4 mit Live-link kann eine Steigerung in Recall und Precision gegen-über dem implementierten System und der gesamten Da-tenbasis festgestellt werden.

Es konnte ein erforderliches Dokument über synonyme Suchfragen (Help-Desk, Call-Center) aufge-

funden werden. Da S4 eine Kombination der vorhergehenden Situationen ist, sind die Resultate eine Kombination der in den vorangegangenen Situationen gelieferten Ergebnisse. Es ist eine Kombination aller relevanten und nicht relevanten Dokumente. Alle vorhergehenden Situationen integrierend, un-terstreicht dieses Resultat die Erwartung von S3, dass die Peersuche eine positive Auswirkung auf den Recall-Wert und eine unter Umständen negative Auswirkung auf den Precision-Wert hat, wenn Peers von Nutzern mit einer anderen Rolle (Perspektive) durchsucht werden.



Auch in diesem Screenshot wurde der nicht relevante Eintrag markiert. Dieses Bild stellt die be-schriebene Kombination der vorangegangenen Suchen noch einmal graphisch dar.

Die Ergebnisschärfe lässt sich zwar steigern. Für einen Einsatz von Gnowsis im Internet oder Intra-net als Kombination aus mehr gefundenen relevanten Informationen und deren präzisere Darstellung im Suchergebnis reicht die Signifikanz des Anstiegs von Recall und Precision nicht aus. Regeln wir-ken, wie in dem anderen Vergleich, relevanzsteigernd. Sie sind aber immer mit manuellem Redakti-onsaufwand verbunden.

Im Vergleich zu bisherigen Systemen konzentriert sich dieser aber weniger auf eine Verschlagwor-tung und bewegt sich mit Regeln auf einer anderen Ebene. Zu untersuchen wäre, inwieweit sich solche Regeln auch (semi-)automatisch aus Workflow-Systemen ableiten ließen.

11.7.5 Insgesamt wirkt die Rolle, aber gruppenspezifisch

Zusammenfassend wirkt die Berücksichtigung der Rolle ergebnisschärfend (p hoch) in homogenen Gruppen und ergebniserweiternd (r hoch) in der Zusammenarbeit heterogener Gruppen. Sie be-schleunigt damit das Auffinden relevanter Informationen (ergebnisschärfend) in homogenen Gruppen. In der rollenübergreifenden Zusammenarbeit bewirkt sie die Identifikation von Informationen, die bis-her nicht gefunden wurden (ergebniserweiternd).


Die bisherige Modellierung von Rollen in Prozessen in Form von Aktivitäten und Verantwortlich-keiten reicht für die Modellierung nicht aus. Für eine kontextgerechte Bereitstellung von Informatio-nen und damit Entwicklung von Wissen werden Prozesse um Informationsflüsse ergänzt. Ebenso müs-sen Rollen um eine informationstechnische Modellierung ergänzt werden. Sie tragen damit zur Steigerung der Informationsrelevanz und zur Automatisierung der Wissensentwicklung bei.

Das PIMO erweist sich aber als geeignet, eine Nutzerperspektive zu modellieren und techno-logisch nutzbar zu machen. Die Ergebnisse unterstützen damit die Literaturdiskussion zur Entwick-lung von Wissen als eine dynamische, subjektive und situationsspezifische Bereitstellung von Infor-mationen.

11.8 Testgüte

Welche Aussagekraft die Stichprobenwerte von Precision- und Recall in Bezug Leistungsfähigkeit von Gnowsis haben wird mit Hilfe einer statistischen Signifikanzanalyse untersucht und illustriert. Sie beschreiben den Informationsgehalt der Daten im Vergleich zu zufälligen Werten. Dabei steht der direkte Vergleich von Gnowsis und LiveLink in S1 im Vordergrund.

Welche inhaltliche Bedeutung die Werte haben wird mit Hilfe von Relevanzanalysen und -werten, wie ROC-Kurve oder F-Wert, untersucht. Sie berücksichtigen den Kontext der Aussagen in Form von inhaltlichen Bezugsgrößen und untersuchen, inwieweit sich Steigerungen der Leistung ori-ginär oder nur auf Kosten anderer Kenngrößen steigern lassen. Im vorliegenden Fall bietet sich der Kontext aus den typischen Meßgrößen von Suchmaschinen, wie Recall, Precision und Fall-out an.

11.8.1 Signifikanzanalyse der Testergebnisse

Die statistische Signifikanz untersucht die Abhängigkeit von Testvariablen. Der Unterschied zwei-er oder mehrerer Variablen ist signifikant, falls die Wahrscheinlichkeit, dass sie durch Zufall so zu-stande kommen, gering ist und damit nur ein Zusammenhang „erscheint“, aber nicht wirklich „ist“.

Signifikanztests erlauben eine Abschätzung der Irrtumswahrscheinlichkeit in Bezug auf die auf-

gestellte Nullhypothese. Im vorliegenden Fall ist die Nullhpothese, dass die Ergebniskurven von Gnowsis und LiveLink gleich sind, ihre Differenz Null ist. Statistische Tests können nur Unterschiede und keine Differenzen feststellen, so dass versucht wird, eine Alternativhypothese zu bestätigen und damit die Nullhypothese mit einer bestimmten Irrtumswahrscheinlichkeit zu verwerfen.

Ab einem Signifikanzniveau von 95% oder einer maximalen Irrtumswahrscheinlichkeit von 5%

spricht man von signifikanten Werten. Das bedeutet, dass sie sich vom Erwartungswert um mehr als die zweifache Standardabweichung unterscheiden.

11.8.1.1 Standardabweichung und Varianz

Standardabweichung und Varianz beschreiben die Streueung statistischer Werte um ihren Mittel-wert (Sachs 1997). Sie helfen, zu erkennen, ob der Mittelwert aus sehr ähnlichen, dicht am Mittelwert liegenden Werten entsteht oder durch sich gegenseitig mittelnde Extremwerte. Ist die Standardabwei-chung gering, so häufen sich die Messungen um den Mittelwert; ist sie groß, so sind sie weit verstreut.

Die Standardabweichung berechnet sich als die Quadratwurzel der Varianz:

(6)

Die Varianz selbst ist das arithmetische Mittelwert aller quadrierten Abweichungen der Daten von

ihrem arithmetischen Mittelwert:


(7)

Die Standardabweichungen werden für Precision, Recall und später für den F-Wert über die Such-

begriffe in den verschiedenen Szenarien mit Inferenzen ermittelt:

Tabelle 29. Ergebnisse Standardabweichung für Precision über die Szenarien

Die Werteverteilung und Streuung der Begriffe über die Szenarien illustriert die nächste Abbildung:

Abb. 33. Verteilung Precisionwerte nach Suchbegriffen

Die Testreihe weist im Szenarienvergleich eine Standardabweichung von gut 12% auf. Sie erscheint damit konstant und für eine Aussagekraft und Belastbarkeit der Messwerte hinreichend. Im Vergleich zu LiveLink weisen die Testwerte eine deutlich geringere Standardabweichung und Varianz auf.

Für den Recall ergeben sich folgende Ergebnisse und Werte:

Stichprobe=12 Precision S1 Precision S2 Precision S3 Precision S4 Precision LL

1 Kunde1 0,6667 0,7647 0,7273 0,7895 0,76922 Financial Market 1,0000 0,8636 0,9231 0,8400 0,42863 Outsourcing 0,8000 0,8065 0,8000 0,8049 0,65224 Voice Data Solution 0,6667 0,6667 0,7500 0,7500 0,42865 RFID 1,0000 0,7143 0,6667 0,6250 0,22226 SAP R3 1,0000 0,6000 0,6364 0,5000 0,22227 Communication 0,8000 0,6000 0,5714 0,5000 0,26678 Infrastructure 0,5714 0,5556 0,6250 0,6000 0,46679 Helpdesk 0,5000 0,6000 0,4000 0,5000 0,5000

10 Callcenter 0,8400 0,6000 0,6000 0,5000 0,250011 Business Efficiency 0,6667 0,7143 0,5000 0,5556 0,416712 Cost Reduction 0,8750 0,7692 0,7500 0,7059 0,7143

Varianz (precision) 2,658% 0,898% 1,799% 1,611% 3,287%Standardabweichung

(precision) 16,304% 9,474% 13,414% 12,692% 18,131%

Mittelwert 0,78 0,69 0,66 0,64 0,44

Precision

0,2000

0,3000

0,4000

0,5000

0,6000

0,7000

0,8000

0,9000

1,0000

0 1 2 3 4 5 6 7 8 9 10 11 12 13

Begriffe

Au

sp

räg

un

g Precision S1

Precision S2

Precision S3

Precision S4

Precision LL


Tabelle 30. Ergebnisse Standardabweichung für Recall über die Szenarien

Diese Testreihe weist im Szenarienvergleich eine noch deutlichere Verbesserung der Standardab-

weichung im Vergleich zum LiveLink Szenario auf. Sie liegt bei ca. 8%. Und erscheint damit kon-stant. Die Aussagekraft und Belastbarkeit der Messwerte wird als ausreichend betrachtet.

Abb. 34. Verteilung Recallwerte nach Suchbegriffen

Der mögliche Einfluss der erweiterten Grundgesamtheiten (durchsuchte Dokumente) im Vergleich

von Tests mit Inferenzen gegenüber LiveLink wurde durch direkten Vergleich auf Basis des brainfiler (vgl. Anhang – Suche mit LiveLink) ausgeschlossen. Bereits ohne Inferenzen werden bessere Recall- und Precision-Werte erzielt. Hierbei fließen im Gegensatz zu rein algorithmischem Retrieval Lerner-fahrungen des Nutzers und Designer mit ein.

Die Betrachtungsgrößen berücksichtigen alle ermittelten Werte der Stichprobe. Schließt man Aus-

reißer aus, verbessern sich die Aussagen weiter und zeichnen sich duch geringere Streuung aus. Im LiveLink-Szenario sind mehr als ein Ausreißer zu verzeichnen, so dass eine „Glättung“ schwieriger fällt. In Summe streuen die Werte von Gnowsis weniger stark um ihren Mittelwert als LiveLink.

Stichprobe=12 Recall S1 Recall S2 Recall S3 Recall S4 Recall LL




(precision) 9,618% 9,774% 7,377% 8,673% 23,469%

Mittelwert 0,94 0,83 0,93 0,85 0,68

Recall

0,00000,10000,20000,30000,40000,50000,60000,70000,80000,90001,0000

0 1 2 3 4 5 6 7 8 9 10 11 12

Begriffe

Au

sp

räg

un

g

Recall S1

Recall S2

Recall S3

Recall S4

Recall LL


Neben der Steuungsanalyse gibt es Signifikanztests für die Bewertung der Test- und Wertegüte auf Basis von anderen Bezugsgrößen. Der F-Test bewertet, inwieweit Varianzen zweier Grundgesamthei-ten zufällig voneinander verschieden sind oder nicht. Der Chi-Quadrat-Test (Manning und Schütze 1999) und sein Pendant für kleinere Stichproben, der Kolmogorov-Smirnov (KS-)-Test (Sachs 1997), stellen die Beziehung zu einem hypothetischen Wert und der T-Test (Manning und Schütze 1999) zu einem Erwartungswert oder Mittelwert her. Sie eignen sich, um erwartete Werte und Hypo-thesen, die mit Hilfe anderer Verfahren ermittelt wurden, mit den tatsächlich beobachteten Werten ei-nes zweiten Verfahrens zu vergleichen und so Aussagen über die statistische Signifikanz einer Vor-hersage oder einen Verfahrensvergleich zu machen. Im Gegensatz zu weiteren Tests, bleibt die Reihenfolge der Ergebnisse in den hier genannten unberücksichtigt. Sie testen auf eine durchschnittli-che Verbesserung der Ergebnisse.

Tabelle 31. Übersicht möglicher Signifikanztest

Test/ Kriterien Paarweise Werte Abhängig vom Verteilungstyp

Kleine Stichproben

T-Test x x KS-Test x x W-Test x x

Im Gegensatz zum T- und KS-Test ist der Wilcoxon-Vorzeichen-Rang-Test (W-Test) als nichtpa-

rametrischer Test für gepaarte Stichproben und auch bei kleinen Stichproben anwendbar (Zöfel 2002, Brüning und Trenkler 1994, Siegel 2001). Der W-Test ist nicht vom Verteilungstyp abhängig und erfordert keine Normalverteilung der Stichproben. Er erfüllt alle Voraussetzungen für den vorlie-genden Fall mit 12 Stichproben, paarweisen Werten der Suchbegriffe und eines nicht bekannten Ver-teilungstyps. In Ergänzung des Vorzeichentest berücksichtigt er nicht nur die Richtung der Differen-zen, sondern auch die Stärke der Differenzen zwischen zwei gepaarten Stichproben. Sie macht die Ergebnisse schärfer.

11.8.1.2 Wilcoxon-Test für paarweise Stichproben

Der W-Test untersucht die Differenzen der Stichprobenpaare und –reihen in Bezug auf einen Mittel-wert. Wenn es, gemäß Nullhypothese, zwischen beiden Reihen keine Unterschiede gibt, zeigen sich positive und negative Differenzen. Zeigen sich nur positive oder nur negative Differenzen deutet dies bereits auf einen hohen Mittelwertunterschied hin.

Der W-Test bringt die Differenzen aus den Vergleichswerten pro Begriff dem Betrag nach in eine

Rangfolge und bildet über die Rangzahlen eine positive und negative Rangsumme. Aufgrund der klei-nen Stichprobe wird über die kleinere Summe von beiden mit Hilfe der Tabelle das Signifikanzniveau ermittelt. Je weniger sich die Stichproben unterscheiden, umso ähnlicher sind auch die Rangsummen.

Auch der W-Test kann ein- oder zweiseitig ermittelt werden. Im vorliegenden Fall gehen wir von

einem zweiseitigen Test aus, da Abweichungen vom Mittelwert sowohl nach oben als auch nach un-ten gleich wichtig sind. In der Tabelle wird daher beim Wert n-1 (=11) nachgeschlagen.

Die Berechnung mit den vorliegenden Testdaten für Precision ergibt in nachstehender Tabelle ein

positives Bild:


Tabelle 32. Wilcoxon-Test für Precision – Szenario 1

Da keine negativen Differenzen auftauchen, sind Rang und +Ränge deckungsgleich bzw. –

Ränge=0. Mit Hilfe der Grenzwert-Tabelle ergibt sich damit für die Precision eine hochsignifikante Aussage von 99,9%. Gnowsis ist in Bezug auf Prcision mit großer Wahrscheinlichkeit nicht nur zufäl-lig besser als LiveLink. Auch die weiteren Szenarien von Precision weisen mit Werten über 99% Sig-nifikanz ein entsprechend hohe Signifikanzniveau auf und stützen dies. Mit Hilfe der Tabelle für exak-te Signifikanzniveauangaben spezifiziert sich der Wert auf 99,927%. Er ermittelt sich in dieser Tabelle aus dem zweifachen Wert (zweiseitiger Test) für N= 12 Stichproben und der niedrigeren Rangsumme - in diesem Fall als Zwei.

Tabelle 33. Wilcoxon-Test für Recall – Szenario 1

Auch beim Recall ergibt sich aus der Grenzwerttabelle im direkten Vergleich mit einer kleineren

Rangsumme von 0 und 3 in den Szenarien S1 und S3 ein hohes Signifikanzniveau von über 99,9%. Die ermittelten Werte für die Szenarien S2 und S4 liegen mit niedrigen Rangsummen von 10 und 6 immer noch im Bereich des 95% Signifikanzraums.

Mit Hilfe der Tabelle für expliziten Signifikanzniveaus spezifizieren sich die Werte für Szenario 1 und 3 bei niedrigeren Rangsummen von 0 und 3 auf 99,976% und 99,878% sowie für Szenarien 2 und 4 bei niedrigeren Rangsummen von 10 und 6 auf 98,95 und 99,658%. Mit Szenario 4 ergibt sich diese Signifikanz auch auf der gleichen Datenmenge wie bei LiveLink, die in den anderen Szenarien durch P2P- und rollenbedingte Anpassungen variieren kann.

Die Testergebnisse sind für Recall statistisch signifikant. Mit dem Verwerfen der Nullhypothe-

sen in beiden Fällen kann mit hoher Wahrscheinlichkeit davon ausgegangen werden, dass Gnowsis und LiveLink unterschiedliche Kurven produzieren und damit die Testergebnisse eine statistische Sig-nifikanz besitzen.

Nachdem die Signifikanztest in den wesentlichen Szenarien die statistische Aussagekraft der origi-

nären Testwerte bestätigen, wird in nachfolgendne Kapitel die inhaltliche Bedeutung der Ergebnisse im Sinne einer Relevanz untersucht.

n (urspr.) n (sort.) Begriff

Precision S1 -

aufsteigend

Precision

LL Differenz

absolute

Diff Rang +Ränge -Ränge

9 1 Helpdesk 0,5000 0,5000 0,0000 0,0000 1 0 08 2 Infrastructure 0,5714 0,4667 0,1048 0,1048 3 3 04 3 Voice Data Solution 0,6667 0,4286 0,2381 0,2381 6 6 0

11 4 Business Efficiency 0,6667 0,4167 0,2500 0,2500 7 7 01 5 Kunde1 0,6667 0,7692 -0,1026 0,1026 2 0 27 6 Communication 0,8000 0,2667 0,5333 0,5333 8 8 03 7 Outsourcing 0,8000 0,6522 0,1478 0,1478 4 4 0

10 8 Callcenter 0,8400 0,2500 0,5900 0,5900 10 10 012 9 Cost Reduction 0,8750 0,7143 0,1607 0,1607 5 5 05 10 RFID 1,0000 0,2222 0,7778 0,7778 11 11 02 11 Financial Market 1,0000 0,4286 0,5714 0,5714 9 9 06 12 SAP R3 1,0000 0,2222 0,7778 0,7778 11 11 0N 12 Rangsumme 74 2


Recall S1 -

aufsteigend Recall LL Differenz

absolute


6 1 SAP R3 0,7143 0,4444 0,2698 0,2698 8 8 07 2 Communication 0,8000 0,5000 0,3000 0,3000 10 10 02 3 Financial Market 0,8333 0,1250 0,7083 0,7083 12 12 03 4 Outsourcing 0,9231 0,7317 0,1914 0,1914 5 5 04 5 Voice Data Solution 1,0000 0,7500 0,2500 0,2500 6 6 05 6 RFID 1,0000 0,6667 0,3333 0,3333 11 11 08 7 Infrastructure 1,0000 0,8750 0,1250 0,1250 4 4 0

11 8 Business Efficiency 1,0000 1,0000 0,0000 0,0000 1 0 09 9 Helpdesk 1,0000 0,7500 0,2500 0,2500 6 6 0

12 10 Cost Reduction 1,0000 0,7143 0,2857 0,2857 9 9 01 11 Kunde1 1,0000 1,0000 0,0000 0,0000 1 0 0

10 12 Callcenter 1,0000 1,0000 0,0000 0,0000 1 0 0N 12 Rangsumme 71 0


11.8.2 Relevanzanalyse der Testergebnisse

Die Relevanz untersucht die Frage nach dem Ausmaß der Wirkung oder Bedeutsamkeit eines Faktors, wie Recall oder Precision. Diese Relevanzaussage ergibt sich nicht aus der reinen Deutlich-keit und Informationsgehalt von Daten, sondern in Bezug auf einen inhaltlichen Kontext oder Wir-kungsraum. Die Aussage entsteht meist aus dem Vergleich der Kosten und Risiken, die durch einen Faktor im Kontext entstehen.

Im Folgenden werden die Auswirkungen des Recalls gegnüber des Fall-outs (ROC-Kurve) und der Precision (F-Maß und Cost-benefit) untersucht. Zweitere Aussage wird im Hinblick auf die Zielsetzung der Arbeit in der Untersuchung der Rolle gewichtiger sein. Erkenntnisse aus der Diskussi-on zwischen Recall und Fall-out sollen der Weiterentwicklung der Basistechnologien, wie brainfiler, dienen.

11.8.2.1 ROC-Kurve mit Signifikanz- und Einflußanalyse

Die medizinische Diagnostik kennt und verwendet die Beziehung zwischen Sensitivität (Recall) und Spezifität (Fall-out) als ROC-Kurve (Herlocker et al. 2004) als Relevanzgröße. Sie wurde in den 60er Jahren von Sweats (1963) als „relative operating characteristic“ oder heute „receiver operating characteristic“ eingeführt. Im vorliegenden Zusammenhang lässt es sich für den Vergleich des Gnow-sis-Verfahrens gegenüber dem in der Praxis eingesetzten LiveLink anwenden.

Die ROC-Kurve misst die Fähigkeit eines Systems, zwischen dem relevanten Signal und dem

Rauschen zu unterscheiden. Sie zeigt den Grenznutzen relevanter Ergebnisse auf Kosten mit ange-zeigter irrelevanter Ergebnisse. Mit Hilfe eines cut-off-Wertes lässt sich der „signal- and noise trade-off“ bestimmen und aufzeigen, ob der receiver eher am Anfang oder Ende ein starkes Signal ausprägt.

Während Precision- und Recall-Aussagen der Ergebnisqualität in Bezug auf die möglichen relevan-

ten Treffer trifft, macht die ROC-Kurve eine Aussage über den Anteil und die Verteilung der Treffer in Bezug auf den Gesamttest. Nachteil der ersteren Aussagen ist der Klassifizierungsaufwand in rele-vante und nicht-relevante Objekte im Vorfeld des Tests. Die ROC Kurve trifft damit weniger eine Re-levanzaussage in Bezug auf die Ergebnismenge, wie Precison, sondern nur auf die Auswahlfähigkeit aus der Gesamtmenge in Bezug auf die Fehlerrate (noise).

Unberücksichtigt bleibt die Ergebnisreihenfolge, so dass sie sich für Aussagen des „Find Good

Items“-Tests nur bedingt eignet. Bei diesem Test ist die Ergebnisreihenfolge für die Relevanz beim Anwender von Bedeutung. Ebenso sind die untersuchten Kriterien nicht alleine für Relevanzaussagen ausschlaggebend. Abweichungen von der Norm können hilfreiche Aussagen bieten, die maschinell nicht weiter genutzt werden.

Im vorliegenden Fall wird die Ergebnisgüte durch den Vergleich der Rauschanteile, Quotient Ma

und Qa, in den jeweiligen Verfahren mit Hilfe der ROC-Kurven in kumulierter und prozentualer Form im Mittel und unabhängig der paarweisen Zuordnung zueinander in Beziehung gestellt. Die Werte werden für die graphische Kurvendarstellung um einen Null-Wert als Startpunkt der Darstel-lung ergänzt und aufsteigend nach dem Quotient aus Ma und Qa sortiert. Eine ideale ROC-Kurve steigt von links unten her mit wenig Rauschen, false accept, steil durch Werte mit sehr geringen Fall-out-Raten an und nähert sich assymptotisch der 100% Linie durch Werte, die mit viel Fall-out weniger neuen Recall bringen. Der Rauschanteil der Begriffe in Gnowsis sollte niedriger sein als bei Livelink.

Die Signifikanzuntersuchung erfolgt gemäß obiger Teststellung in Schritten vom direkten System-

vergleich hin zu den Veränderungen in den P2P-Szenarien und erweiterter Grundgesamtheiten. Im di-rekten Vergleich wird ein einzelner Desktop (S1) und Arbeitsplatz mit der gleichen Grundgesamtheit (S4) an Dokumenten durchsucht:


Tabelle 34. Aufbereitete LiveLink-Ergebnisse für ROC-Kurve

Tabelle 35. Aufbereitete Gnowsis (S4)-Ergebnisse für ROC-Kurve

Stellt man die Werte in nachfolgender Abbildung als typisches ROC-Diagramm graphisch dar, wird

die Verbesserung durch Gnowsis deutlich.

Abb. 35. Vergleich der ROC-Kurven zwischen Gnowsis und LiveLink

Ein Verfahren ist dann besser, wenn es oberhalb der Diagonalen liegt und je stärker es aus der lin-ken unteren Ecke nach oben ansteigt. Die Diagonale entspricht einer beliebigen, zufälligen Ergebnis-verteilung. Aus der Grafik wird schon deutlich, dass beide Kurven im Vergleich zu einer zufälligen Verteilung und eine AUC von 0,5 besser abschneiden. Interessanter ist jedoch der Vergleich der Ver-fahren untereinander.

Der Kurvenverlauf von Gnowsis in Abbildung 34 liegt für S1 vor allem zu Beginn der Kurve über dem von LiveLink. Im rechnerischen Vergleich der Kurvenfläche (AUC) liegt Gnowsis mit 0,75 über dem Wert von LiveLink mit 0,72. Im Vergleich mit gleichen Grundgesamtheiten in S4 kann

Test value (Begriffe) Ma Qa Ma/Qa Ma(%) Qa(%)Ma(%)

cum.

Qa(%)

cum.

1-Ma(%)

cum.

1-Qa(%)

cum.

Kurvenfläche

(AUC)* 0 0 #DIV/0! 0% 0% 0% 0% 100% 100%SAP R3 4 14 0,29 5% 14% 5% 14% 95% 86% 0,141RFID 4 14 0,29 5% 14% 9% 29% 91% 71% 0,134Callcenter 3 9 0,33 3% 9% 13% 38% 87% 62% 0,083Communication 4 11 0,36 5% 11% 17% 49% 83% 51% 0,096Business Efficiency 5 7 0,71 6% 7% 23% 57% 77% 43% 0,057Voice Data Solution 3 4 0,75 3% 4% 27% 61% 73% 39% 0,031Financial Market 3 4 0,75 3% 4% 30% 65% 70% 35% 0,029Infrastructure 7 8 0,88 8% 8% 38% 73% 62% 27% 0,054Helpdesk 3 3 1,00 3% 3% 42% 76% 58% 24% 0,019Outsourcing 30 16 1,88 35% 16% 77% 93% 23% 7% 0,067Cost Reduction 10 4 2,50 12% 4% 88% 97% 12% 3% 0,007Kunde1 10 3 3,33 12% 3% 100% 100% 0% 0% 0,002Summe 86 97 100% 100% 0,721

Test value (Begriffe) Ma Qa Ma/Qa Ma(%) Qa(%)Ma(%)

cum.

Qa(%)

cum.

1-Ma(%)

cum.

1-Qa(%)

cum.

Kurvenfläche

(AUC)* 0 0 #DIV/0! 0% 0% 0% 0% 100% 100%Helpdesk 3 3 1,00 3% 6% 3% 6% 98% 94% 0,056Callcenter 3 3 1,00 3% 6% 5% 11% 95% 89% 0,054Communication 6 6 1,00 5% 11% 10% 23% 90% 77% 0,105SAP R3 8 8 1,00 7% 15% 17% 38% 83% 62% 0,131Business Efficiency 5 4 1,25 4% 8% 21% 45% 79% 55% 0,061Infrastructure 6 4 1,50 5% 8% 26% 53% 74% 47% 0,058RFID 5 3 1,67 4% 6% 30% 58% 70% 42% 0,041Cost Reduction 12 5 2,40 10% 9% 40% 68% 60% 32% 0,061Voice Data Solution 3 1 3,00 3% 2% 43% 70% 58% 30% 0,011Kunde1 15 4 3,75 13% 8% 55% 77% 45% 23% 0,039Outsourcing 33 8 4,13 28% 15% 83% 92% 18% 8% 0,047Financial Market 21 4 5,25 18% 8% 100% 100% 0% 0% 0,007Summe 120 53 100% 100% 0,671

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0% 20% 40% 60% 80% 100% 120%

LiveLink Gnow sis (gleiche Basis - S4) Gnow sis (gleiche Basis - S1)

Kurvenfläche: LiveLink = 0,721Gnowsis (gB S4) = 0,671Gnowsis (gB S1) = 0,747


Gnowsis dies jedoch nicht wiederholen und liegt mit 0,671 unterhalb von LiveLink. Da die Unter-schiede zwischen den Kurven nicht allzu deutlich ausfallen, wäre zu klären, inwieweit die Unterschie-de zufällig oder signifikant sind. Die für eine Signifikanzaussage zu verwerfende Nullhypothese wäre, dass beide die gleiche ROC-Kurve produzieren. Dies soll zu 95-99% ausgeschlossen werden.

Für die Darstellung der Kurve wurden die Werte nach ihren Quotienten Ma/ Qa sortiert, liegen je-

doch weiterhin paarweise vor, so dass auch hier weniger der KS- oder T-Test, sondern der W-Test zur Anwendung kommen sollte. Analog der Beschreibung aus obigem Kapitel ergibt sich für die ROC-Kurve in S4 nachfolgendes Ergebnis:

Tabelle 36. Ergebnisse des Wilcoxon-Tests der ROC-Kurven

Nachdem sich die Rangsumme zwischen +Ränge und –Ränge kaum unterscheidet, wird bereits

deutlich, was sich durch die W-Test Tabelle bestätigt. Es kann nicht mit mind. 95% Wahrschein-lichkeit ausgeschlossen werden, dass es sich um eine zufällige Konstellation handelt.

In Ergänzung zur statistischen Basis könnten sich Konzepte und Inferenzen auf das Verhalten von Re-call in Bezug auf Fall-out auswirken, auch wenn diese die Datenbasis vergrößern und nicht wirklich vergleichbar machen. Nachstehende Abbildung verdeutlicht, wie die Tests mit erweiterten Datenbasen im Vergleich zu LiveLink abschneiden. Hierzu werden, neben der zuvor dargestellten Kurve von Gnowsis (gleiche Basis – S4), die Kurven der Ergebnisreihen von Gnowsis mit Konzepten und Infe-renzen dargestellt und ihre Fläche ermittelt.

Abb. 36. Vergleich der ROC-Kurven zwischen Gnowsis und LiveLink mit erweiterter Datenbasis

In diesem Vergleich, sowie auch mit Daten auf Basis des Szenario 2, liegen die Flächenwerte von Gnowsis nicht mehr über denen von LiveLink. Da sich durch das Hinzufügen von Konzepten und In-


AUC (Gnowsis

S4)

AUC

(LiveLink) Differenz

absolute


2 1 Financial Market 0,007 0,0295 -0,0229 0,0229 7 0 74 2 Voice Data Solution 0,011 0,0309 -0,0198 0,0198 5 0 51 3 Kunde1 0,039 0,0018 0,0369 0,0369 9 9 05 4 RFID 0,041 0,1343 -0,0935 0,0935 12 0 123 5 Outsourcing 0,047 0,0671 -0,0200 0,0200 6 0 6

10 6 Callcenter 0,054 0,0825 -0,0281 0,0281 8 0 89 7 Helpdesk 0,056 0,0185 0,0374 0,0374 10 10 08 8 Infrastructure 0,058 0,0542 0,0037 0,0037 1 1 0

12 9 Cost Reduction 0,061 0,0072 0,0541 0,0541 11 11 011 10 Business Efficiency 0,061 0,0575 0,0038 0,0038 2 2 0

7 11 Communication 0,105 0,0963 0,0085 0,0085 3 3 06 12 SAP R3 0,131 0,1410 -0,0102 0,0102 4 0 4

N 12 Rangsumme 36 42

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0% 20% 40% 60% 80% 100% 120%

LiveLink Gnow sis (gleiche Basis - S4) Gnow sis (Konzept S4) Gnow sis (Inferenz S4)


ferenzen die Datenbasis verändert, müssten für eine weitergehende quantitative Untersuchung der Szenarien in LiveLink die gleichen Datensätze hinterlegt werden. Dieser Aspekt wurde im aktuellen Testdesign nicht vertieft, da LiveLink die hinzugefügten Datensätze inhaltlich nicht in der Suche be-rücksichtigt.

In Summe zeigt sich eine Indikation zur Verbesserung der Ergebnisse durch Gnowsis im

diekten Vergleich (S1), die sich jedoch nicht als signifikant bestätigen lässt und auf unterschied-licher Datenbasis basieren. In S4 mit gleicher Basis kann keine Verbesserung gefunden werden. Die Test-Aussagen in Bezug auf Recall sind damit unter diesen Bedingungen zu betrachten und entstehen zum Teil auf Kosten des Fall-outs. Dies mag auf die Tatsache zurückzuführen sein, dass allen der brainfiler zugrundeliegt. Er ist für die Optimierung zwischen Recall und Fall-out verantwortlich. Wie sich die Relevanz zwischen Precision und Recall darstellt, soll in nachstehendem Kapitel darge-stellt werden.

11.8.2.2 F-Maß und Cost-benefit Kennzahl

Die Relevanz der Ergbnisse und nicht zuletzt die Bewertung der Usability eines Retrieval-Systems hängen auch am Nutzertyp ab (Nielsen et al. 2001) − ist er ein erfahrener Nutzer oder ein Anfänger ? Im vorliegenden Beispiel gehen wir von einem durchschnittlichen, nicht Retrieval-erfahrenen Ver-triebsmitarbeiter aus.

Die Ergebnisqualität der im Retrieval verwendeten Assoziationsmaße wird, wie in Kapitel 11.5.1

bereits beschrieben, mit Hilfe von Recall und Precision ermittelt. Die Größe der Stichprobe mit 12 unterschiedlichen Begriffen pro Szenario, also 48 Proben für alle Szenarien, wird als ausreichend für eine Bestätigung der Laborvermutungen unter Praxisbedingungen betrachtet. Ausführlichere quantita-tive Tests könnten die zunehmende Etablierung semantischer Retrieval-Verfahren begleiten.

Der Test und seine Auswertung basieren nach Womser-Hacker (1989, S. 66ff.) auf der Makrome-

thode. Sie betrachtet die einzelnen Suchanfragen als Grundeinheit. Sie ermittelt zunächst die Precisi-onwerte pro Suchanfrage und mittelt dann die Werte der Suchanfragen (pges = summe pi / n). Damit fließt jede Suchanfrage gleichgewichtig in die Bewertung ein. Bei der Mikromethode hingegen wer-den die Dokumente als Grundeinheit genommen. Sie berechnet, unabhängig von der Trefferanzahl der einzelnen Suchanfragen, das Verhältnis der relevanten Treffer zu allen Treffern. Dadurch fließt jedes Dokument gleichgewichtig in die Bewertung mit ein.

In vielen Fällen jedoch geht der Erfolg einer dieser Größen, wie Recall, zu Lasten der anderen,

wie Precision. Mit Hilfe des F-Maßes (Dengel 2008) wird die kombinierte Wirkung und damit die „absolute“ Relevanzsteigerung beschrieben. Das F-Maß ist das gewichtete, harmonische Mittel. Das harmonische Mittel dient dabei als Lagemaß, wenn die Beobachtungswerte Verhältniszahlen sind, wie bei Precision und Recall gegeben. Es gilt damit ein Spezialfall des arithmetischen Mittels für verhält-nisskalierte Merkmale und berchnet sich nach folgender Formel:

(8)

F berücksichtigt mit b für die Gewichtung den Anteil der „false accept“, der fälschlicherweise im

Suchergebnis ausgewiesenen Treffer. b ermöglicht damit unterschiedliche Gewichtungen von Precisi-on und Recall. Im vorliegenden Fall gehen wir von b=1, einer Gleichgewichtung der Parameter, aus.

Nachfolgende tabellarische und graphische Übersichten zeigen die F-Werte der einzelnen Begriffe

in den verschiedenen Szenarien und der sich daraus ermittelten Standardabweichung als Streuungs- und Signifikanzmaß.

Fβ=

(b2+ 1) * Precision(Ki) * Recall(Ki)

b2Precision(Ki) + Recall(Ki)


Tabelle 38. Ergebnisse Standardabweichung für F-Werte über die Szenarien

Abb. 37. Verteilung F-Werte nach Suchbegriffen

Wie schon bei den Recall- und Precisionwerten zeigen sich auch hier deutliche Verbesserungen nicht nur in den absoluten F-Werten, sondern auch in der Standardabweichung. Die Ergebnisstreuung fällt damit geringer aus als bei handelsüblichen Suchen. Die Testreihe weist im Szenarienvergleich ei-ne Standardabweichung von ca. 8% auf. Sie erscheint damit hinreichend konstant und für eine Aussa-gekraft und Belastbarkeit der Messwerte ausreichend.

Stichprobe=12 F-Wert S1 F-Wert S2 F-Wert S3 F-Wert S4 F-Wert LL




(precision) 8,568% 7,511% 9,202% 8,348% 16,774%

Mittelwert 0,83 0,75 0,76 0,72 0,50

F-Wert

0,0000

0,2000

0,4000

0,6000

0,8000

1,0000

0 1 2 3 4 5 6 7 8 9 10 11 12 13Begriffe

Au

sp

räg

un

g

F-Wert S1

F-Wert S2

F-Wert S3

F-Wert S4

F-Wert LL


Deutlich wird die Stichhaltigkeit der Ergebnisse in der Precision-Recall-Darstellung folgender Ab-bildungen 37 und 38 als Vergleich zwischen LiveLink und Gnowsis. Eine Häufung im rechten oberen Quadranten weist auf hohe Ergebnisqualität hin. Die Größe der Kreise zeigt den F-Wert. Je größer der Kreis im Quadrant rechts oben, desto „absoluter“ die Ergebnisqualität. Sie geht nicht auf Kosten des anderen Einflussfaktors.

Abb. 38. Precision/ Recall Häufung LiveLink

Abb. 39. Precision/ Recall Häufungen Gnowsis S1

Die Häufungsstruktur in der Livelink Darstellung ist heterogener verteilt und in seinen F-Werten

geringer ausgeprägt. Diese Relevanzanalyse bestätigt die Aussagekraft der Ergebnisse. Nachdem die F-Werte wieder paarweise vorliegen, soll mit Hilfe eines W-Test die statistische Sig-

nifikanz untersucht werden.

Precision/Recall Gnowsis S1

0,00

0,20

0,40

0,60

0,80

1,00

1,20

0,00 0,20 0,40 0,60 0,80 1,00

Precision

Recall

Kunde1

Financial Market

Outsourcing

Voice Data Solution

RFID

SAP R3

Communication

Infrastructure

Helpdesk

Callcenter

Business Eff iciency

Cost Reduction

Precision/Recall LiveLink

0,00

0,20

0,40

0,60

0,80

1,00

1,20

0,20 0,30 0,40 0,50 0,60 0,70 0,80

Precision

Recall

Kunde1

Financial Market

Outsourcing

Voice Data Solution

RFID

SAP R3

Communication

Infrastructure

Helpdesk

Callcenter

Business Efficiency

Cost Reduction


Tabelle 39. Wilcoxon-Test für F-Werte

Nachdem sich der F-Wert aus Precision und Recall bildet, kann auch für ihn mit min. Rangsummen

von 0 und 1 die Nullhypothese bei einem Signifikanzniveau von mind. 99% oder spezifischen 99,976% für Rangsumme=0 und 99,951% für Rangsumme=1 verworfen werden. Die Testergebnisse sind damit für die F-Werte statistisch signifikant. Würde Precision im Sinne der für die Diskussion und Test bedeutenderen Kennzahl mit einem höheren b-Faktor gewichtet, ließe sich der Einfluß des Recall justieren und die Signifikanzniveaus im Kontext verändern.

In der Weiterentwicklung der Gewichtung lässt sich nach Dengel (2008) ergänzend eine betriebs-

wirtschaftliche Kosten-Nutzen-Betrachtung der Ergebnisqualität als cost-benefit-Kennzahl beschrei-ben.

(9)

Die Formel zeigt einen positiven Ergebniswert, wenn der Nutzen der correct accepted, der relevan-

ten Suchergebnisse, die Kosten der nicht-relevanten Suchergebnisse übertrifft. Mit Hilfe dieser Me-thode ließen sich weitere Nutzerpäferenzen abbilden. Das Ranking der Suchergebnisse ist beispiels-weise nutzenstiftender, wenn alle relevanten Ergebnisse am Anfang erscheinen oder bestimmte Dokumentenarten bevorzugt werden sollen. Diese Präferenzen lassen sich als Inferenzen in den Such-ergebnissen berücksichtigen. In den voliegenden Testergebnissen zeigt sich dies für 2/3 der unter-suchten Begriffe, wie „Help Desk“ oder „SAP R3“ (vgl. Anhang – Semantische Suche).

Zusammen mit den Erkenntnissen des ROC-Tests zeigt sich, dass zwar die Relevanz des Recalls

gegenüber dem Fall-out nicht signifikant nachweisbar ist, jedoch signifikante Aussagen für die Relevanz des Recalls im Vergleich zur Precision und damit der angestrebten Verbesserung der rol-lenabhängigen Ergebnisqualität mit des F-Wertes.

Übersetzt erzielt Gnowsis einen besseren Grenznutzen in der Ergebnisrelevanz. Es verringert das

„Rauschen“, also die Anzahl nicht relevanter Treffer im angezeigten Ergebnis. Wie in der Diskussion der Testergebnisse verdeutlicht, besteht jedoch für die Verbesserung der Leistungsfähigkeit in P2P-Umgebungen und mit unterschiedlichen Rollen noch Weiterentwicklungsbedarf, da der Recall-Zuwachs möglicherweise auf Kosten des Fall-out geht und nicht alle Erkenntnisse als signifikant nachweisbar sind.

c/b-Measureben,cost () = Ai * ben - Bi* costi=1

n


F-Wert S1 -

aufsteigend

F-Wert

LL Differenz

absolute


9 1 Helpdesk 0,6667 0,6000 0,0667 0,0667 1 1 08 2 Infrastructure 0,7273 0,6087 0,1186 0,1186 2 2 01 3 Kunde1 0,8000 0,6667 0,1333 0,1333 3 3 04 4 Voice Data Solution 0,8000 0,5455 0,2545 0,2545 7 7 011 5 Business Efficiency 0,8000 0,5882 0,2118 0,2118 5 5 07 6 Communication 0,8000 0,3478 0,4522 0,4522 8 8 06 7 SAP R3 0,8333 0,2963 0,5370 0,5370 10 10 03 8 Outsourcing 0,8571 0,6897 0,1675 0,1675 4 4 010 9 Callcenter 0,8571 0,4000 0,4571 0,4571 9 9 02 10 Financial Market 0,9091 0,1935 0,7155 0,7155 12 12 012 11 Cost Reduction 0,9333 0,7143 0,2190 0,2190 6 6 05 12 RFID 1,0000 0,3333 0,6667 0,6667 11 11 0N 12 Rangsumme 78 0


11.9 Zwischenfazit

Der Test weist neben der Praxistauglichkeit vor allem den Einfluß der Rolle auf die Precision nach. Seine Aussagekraft wurde durch statistische Signifikanz der Testergebnisse in Bezug auf Precision und Recall mit Hilfe des W-Tests in allen Szenarien mit mind. 95% nachgewiesen.

Die Testergebnisse sind damit hinreichend als Grundlage für die weiteren Überlegungen zum

Einfluß der Rolle in Bezug auf Steigerung der Suchergebnisqualität. Weitere quantitativ-basierte und fokussierte Untersuchungen erscheinen jedoch sinnvoll, um ein übergreifendes, allgemeingültige-res Bild zu erhalten.

Unter Berücksichtigung der Signifikanzaussagen deuten die Testergebnisse stark darauf hin, dass

eine semantische Suche den Explizierungs- und Modellierungsaufwand a priori verringern kann, da sie die zugrundeliegenden Konzepte dynamisch in Abhängigkeit der Suchanfrage anwendet.

Mit Hilfe des brainfilers wird eine ausreichende Basisperformance sichergestellt.

Mit Hilfe von nativen Strukturen erschließt Gnowsis den Bedeutungskontext eines Nutzers und begegnet damit dem Problem der Subjektivität.

Mit Hilfe von ontology mappings und matchings wird die Bereitstellung von Onto-logien erleichtert.

(A-6.1 und A-6.2)

Mit Hilfe des P2P-Ansatzes simuliert Gnowsis Allgemeinwissen im Rahmen der Nut-zercommunity. Über die Rolle erschließt er die Intention des Nutzers aus dem Pro-zesskontext.

Häufig ist das Informationsbedürfnis aus der Anfrage eines Benutzers nicht klar ersichtlich. Die Re-levanz eines Dokuments bezüglich einer Anfrage ist schwierig zu beurteilen. Was das Suchsystem als relevant betrachtet, kann für den Benutzer subjektiv irrelevant sein. Fehlende Quellenerfahrung oder nicht aktiviertes Hintergrundwissen erschwert die Informationssuche zusätzlich. Die Anfrage ist zu kurz oder die angefragten Terme kommen in den betrachteten Quellen nicht vor.

Der brainfiler verbessert die Ergebnisse durch Spezialisierung und Generalisierung von Indexter-

men, Termvektoren und Anfragen. Die technische Performance bleibt erhalten, indem er Indexterme verdichtet und Termvektoren erweitert.

Native Strukturen repräsentieren die mentalen Modelle des Nutzers. Über ihre Darstellung als

RDF-Ontologie werden sie technologisch nutzbar. Sie stellen die Perspektive des Nutzers als Bedeu-tungskontext der Suche dynamisch und automatisch ermittelbar bereit. Die Bereitstellung einer größe-ren Datenbasis unter Berücksichtigung der verschiedenen Rollen und Sichtweisen erlaubt Explizie-rung von nutzerübergreifenden Konzepten. Der in der deklarativen Modellierung notwendige Aufwand zur Erstellung von Ontologien wird durch Verfahren des ontology mappings und mat-chings reduziert.

Mit diesen Ansätzen trägt Gnowsis zu einer stärkeren Nutzerorientierung des Information Retrie-

vals bei. Gnowsis zeichnet sich durch seine Integrationsfähigkeit und Kombination von erfolgreichen Verfahren und Technologien aus. Es ist eine hybride Technologie, die durch eine benutzerfreundliche Oberfläche die Verfahren dem ungeübten Nutzer zugänglich macht, indem sie Abfrageintelligenz in die Verfahren legt und damit den Nutzer entlastet. Gnowsis kombiniert damit in der Klassifizierung von Lei et al. (2006) semantik-basierte Schlagwortsuchen mit dem Format von Beantwortungstools. Es bestätigt damit die Einordnung des Semantic Desktop als hybrides Recommendersystem (A-5.7) in Kapitel 10.5.


(A-6.3) Die Technologiekombination macht die Potentiale der webbasierten Technologien für den Nutzer auf dem Desktop verfügbar. Einzeltechnologien optimieren die Per-formance.

Eine Technologiekombination wirkt dann, wenn Nachteile eines Verfahrens durch ein anderes auf-gehoben werden, ohne die Gesamtperformance zu beeinträchtigen. Die Wirkung der Einzeltechnolo-gien wurde gerade beschrieben. Zusammenfassend ist die daten- und verfahrenstechnische Integration der verschiedenen Technologien unter dem Dach einer nutzerfreundlichen Oberfläche der wesentli-che Hebel für die Gesamtperformance. Die Nutzung der nativen Strukturen eines Nutzers wirkt da-gegen direkter auf den Such- und Retrieval-Algorithmus. Die Berücksichtigung verschiedener Opti-mierungsverfahren im Rahmen der Indexierung durch den brainfiler schafft performance-technisch neue Freiräume für die Verarbeitung weiterer Technologiebausteine.

(A-6.4) Gnowsis, als semantische Suche des Semantic Desktop, bestätigt die Laborergebnis-se auch im Praxistest mit annonymisiserten Dokumenten von Siemens IT Solutions and Services.

Der Test hat eine Steigerung in Precision und Recall unter Praxisbedingungen nachgewisen. Er bes-tätigt damit die Ergebnisse aus den Beobachtungen unter Laborbedingungen und auch im Ver-gleich zur in der betrieblichen Praxis eingesetzten Suche Livelink.

Erfolgreiche Signifikanz- und Relevanztests der Untersuchungen im Hinblick auf Datenqualität und

absolutem Mehrwert unterstreichen die inhaltlichen Aussagen.

(A-5.3.1) Die Rolle kann die Subjektivität von Wissen und Standpunkte repräsentieren.

Der Einfluss der Rolle konnte durch den Vergleich verschiedener Nutzungsszenarien nachgewiesen werden. Sie beeinflusst gruppenspezifisch die Ergebnisqualität. In homogenen Gruppen wirkt sie er-gebnisschärfend, in heterogenen Gruppen wirkt sie auf die Zugänglichkeit relevanter Dokumente. Lässt man die Tatsache außer Acht, dass jede Person verschiedene Rollen hat, kann man vereinfacht behaupten, dass sich hierduch die individuelle Perspektive technologisch nutzbar machen lässt. Die Künstliche Intelligenz hält, wie in Kapitel 9.3 aufgezeigt, für den weiteren Umgang mit diesen Stand-punkten Verfahren bereit.

(A-4.4.1) Eine technologische Abbildung der Subsymbolik ist derzeit mit dem Semantic Desk-top nicht möglich.

Mit Hilfe der Testergebnisse und der Beschreibung von Gnowsis lässt sich auch Frage 4.4.1 aus Kapitel 8.7. nach dem technologischen Umgang mit Subsymbolik beantworten. Gnowsis macht subsymbolische Strukturen manuell als Ontologien zugänglich und verwendet Hilfsmittel, diese Exp-lizierung zu vereinfachen und zu automatisieren, wie Nutzung des PIMO als Repräsentation des men-talen Modells und Kontextes des Nutzers oder einer Rolle. Für eine systemimmanente Nutzung sub-symbolischer Elemente wären Technologien auf Konzeptebene notwendig.

Der Semantic Desktop bietet mit seiner offenen und plattformunabhängigen Struktur die Vor-aussetzungen, in seiner Weiterentwicklung Technologien dieser Ebene, wie Künstliche Neuronale Netze, einzubinden. Mit der händischen Modellierung von Regeln liefert er jedoch schon den Nach-weis, dass eine Nutzung dieser Konzepte erfolgreich im Sinne der Ergebnisqualität ist.

Im Ergänzung zur Nutzung des PIMO bei der Suche und Selektion selbst, wird das PIMO bei der

Ausgabe der Suchergebnisse verwendet, um die Usability zu steigern. Suchergebnisse werden in Form und Struktur des PIMOs ausgegeben und erleichtern den Dialog mit dem Nutzer. Mit diesem Ansatz wäre ein Befüllen von Templates denkbar und damit eine semi-automatische Erstellung von Texten in einer vorgegebenen Struktur.


12 Modell der Wissensentwicklung

Ein Modell dient allgemein der Prognose, Erklärung und Entscheidungsunterstützung im Sinne ei-ner vereinfachten Repräsentation der Wirklichkeit. Das Modell der Wissensentwicklung soll für die weitere informatorische Prozessunterstützung und Übertragbarkeit einen strukturierten Rahmen schaf-fen. Es soll Erkenntnisse kombinieren und in Beziehung setzen, um sie technologisch abbildbar zu machen, und Wege der Weiterentwicklung aufzeigen. Erst damit können sie ihren Beitrag zur Steige-rung der Produktivität der Wissensarbeiter voll entfalten.

12.1 Erkenntnisse aus der Literatur und dem Technologietest

Nach theoretischen und literaturtechnischen Untersuchungen von Wissen und Wissensentwicklung wurde der Einfluss der Rolle als Perspektive und Intention auf die Ergebnisqualität einer semantischen Suche nachgewiesen.

Die Tests zeigen, dass es technologische Ansätze gibt, die die Vermutungen aus der Literatur unter-stützen, Wissen als konstruktive und kontextspezifische Entwicklung aus Informationen aufzufassen.

Tabelle 40. Zusammenfassung der Literaturdiskussion

Bisherige Annahmen aus der Wissensverteilung

Erkenntnisse aus der Literaturdiskussion

Erkenntnisse aus dem Test

Schlussfolgerung

Wissen ist ein Objekt und Zustand. Wissen kann aus organisatori-scher Sicht bereitgestellt werden

Wissen ist subjektiv. Information wird aus einer individuellen Perspektive betrach-tet.

Rolle beeinflusst die Relevanz des Sucher-gebnisses, je nach Szenario durch mehr relevante oder schärfe-re Ergebnisse

Perspektivische Betrachtung und Auswahl von Informa-tion verleiht Bedeutung.

Wissen kann kontext-unabhängig übertragen werden.

Wissen ist konstruk-tiv und entsteht im-mer wieder neu durch situationsspezifische Bereitstellung von In-formation.

Konzepte werden bot-tom-up ausgelesen und nicht redaktionell top-down vorgegeben

Wissen entsteht in einer spezifischen Situation durch dynamische (nicht stati-sche) Selektion von rele-vanten Informationen in ei-nem Prozess von perspective taking und ma-king

Sie bestätigen sie nicht in ihrer Gesamtheit und Komplexität. Dennoch ermuntern sie dazu, den

Diskussionsprozess von einer Wissensverteilung in die Richtung Wissensentwicklung für eine pro-aktive Prozessunterstützung fortzuführen. Sie zeigen auf, dass sich insbesondere für homogene Gruppen eine Steigerung der angezeigten relevanten Ergebnisse erzielen lässt und in heterogenen Gruppen deutlich mehr relevante Dokumente identifizieren lassen, als ohne bekannt gewesen wären.

Insgesamt beabsichtigt die Technologie mit Hilfe des PIMOs den heutigen manuellen Aufwand zu

reduzieren oder diesen auf höheren Abstraktionsebenen einzusetzen. Damit werden eine Leistungsver-schiebung zu individuellen, rollenspezifischen Ergebnissen erzielt und verborgende Beziehungen durch Ontologien und Konzepte expliziert und zugänglich.

Da es technologisch noch nicht gelingt, Systeme auf rein subsymbolischer Ebene zu erstellen,

kommt der Explizierung eine besondere Bedeutung zu. Sie erlaubt ein Verstehen der Einzelschritte und ermöglicht die Kommunikation zwischen den Systemen, auch wenn dies später vielleicht einmal überflüssig wird. Im Kommunikationsverständnis von Luhmann (1995) entsteht innerhalb der Kom-munikationssysteme kein Wissen. Der Semantic Desktop unterstützt die Wissensentwicklung durch die Explizierung verborgener Beziehungen. Mit Hilfe der Rolle macht er aus Informationen Wissen und ersetzt damit sogar Teile der Wissensentwicklung. Im Folgenden werden die Erkenntnisse aus den Diskussionen in einem Modell zusammengefasst, um diejenigen Einzelschritte aufzuzeigen, die sich durch die beschriebenen Technologien unterstützen lassen.


12.2 Knowledge Creation Framework (KCF)

Der Gesamtprozess der Wissensentwicklung ist ein Erkenntnisprozess. Verschiedene Methoden der Wissenschaft unterstützen diesen. Als Beispiele finden sich Beobachtung, Aufzeichnung, Dokumentation, Versuch und Irrtum, Experiment, Messung, Vergleich, Befragung und Interview. Sie beziehen sich auf die Interaktion des Systems mit der Umwelt und weniger auf die internen Prozesse der Wissensentwicklung.

Das Modell in Abbildung 39 beschreibt den Prozess und die Charakteristika der Wissensentwick-lung aus individueller Sicht. Es berücksichtigt dabei Aspekte des Konstruktivismus wie Rekursivität oder Redundanz sowie lerntheoretische Erfahrungen (Bernus und Schmidt 1998). Es setzt auf dem Lernprozess von Boisot auf und erweitert diesen durch Berücksichtigung der Perspektive und Intenti-on aus individueller Sicht. Aus organisatorischer Sicht können weiterhin formale knowledge-asset-creation-Prozesse, wie bei Siemens auf Basis von Boisot, für die Erstellung von Knowledge-assets verwendet werden. Wiederverwendbare Methoden oder Templates sind Beispiele für Knowledge-assets.

Abb. 40. Modell der Wissensentwicklung (Knowledge Creation Framework)

Kern des theoretischen und angewandten Wissensverständnisses ist die Subjektivität und Kon-textabhängigkeit von Wissen. Subjektivität ist die individuelle Wirklichkeit und im Sinne Maturanas und Luhmanns, Ausdruck eines, zwar mit anderen Systemen verankerten und gekoppelten, aber ge-schlossenen Systems. Kontext beschreibt die Schnittstelle des Systems mit seiner Umwelt und mit an-deren Systemen. Im Sinne der Wissenstreppe lässt sich dieser durch die Situation und die Intention des Subjekts bestimmen.

Situation beschreibt dabei die Problemstellung und Anwendung der individuellen Wirklichkeit auf die physische Umwelt. Die Situation beinhaltet dabei das Vorwissen, Erfahrungen, aktuelle Thema und das Wissensniveau.

Intention bezeichnet den Lösungswillen und berücksichtigt das Wollen und Zielsetzung des Sub-jekts oder Systems. Die Intention ist abhängig von der aktuellen Rolle des Individuums und kann als Perspektive interpretiert werden. Sie bestimmt den Anspruch an Qualität, Tiefe, Form, Korrektheit, Wirkung und Aussage bei der Explizierung basierend auf dem Erfahrungsschatz und unter Berück-sichtigung der Situation.

Wahrnehmen

Vorstellen

Reiz

Formen

Erfahren Wahrnehmen

Erfahren Vorstellen

K-assets

Kompetenzen

Gedächtnis

Verifizieren

InkubationSammeln

Bew

ußt

Un-

Bew

ußt

Ein

seh

en

Sele

kti

ere

nVerg

essen

Sp

eic

hern

Information DatenWissen

Inte

nti

on

(Wol

len)

Situ

atio

n(A

nwendung)

Repräsentation

GedankeSinneinheit/

IdeeWirk-

lichkeit

Sinnliche Reaktion

Gefühl Emotion

Aktion

Fragen Zerlegen


Durch die Kopplung des Systems mit seiner Umwelt wird die Wissensentwicklung in Form eines Reizes angeregt. Im unbewussten Prozess reift der Reiz zu einem Gefühl und wird als solches erkannt. Das Gefühl erzeugt die „Vorstellung“ einer Emotion, aus der je nach Selektionskriterien, Ideen als neue Zusammenhänge bewusst werden (Damasio 2005).

Im bewussten Prozess wird entweder die gewonnene Einsicht verifiziert und zur Wirklichkeit ge-formt oder durch bewusste Handlungen, wie Fragen und Zerlegen, in logische Aussagen und Sinnein-heiten in seiner Komplexität reduziert. Durch diese Aufteilung wird ein neues Selektionsraster ge-schaffen, das es erlaubt, neue Sinnzusammenhänge aus dem Unbewussten wahrzunehmen, abzurufen.

Nachdem die Wahrnehmung immer einen bewussten und einen unbewussten Anteil trägt, überla-gern sich die verschiedenen Entwicklungsprozesse auf Basis des Gedächtnisses und der dort repräsen-tierten Erfahrung. Persönlich wird der Gesamtprozess als ein Nachdenken, Überlegen, Lernen emp-funden und nur Teile davon bewusst wahrgenommen.

Alle Prozessschritte sind über das Gedächtnis miteinander verknüpft. Es ermöglicht eine Wiederho-lung bestimmter Prozesssschritte, wie Verifizieren oder Sammeln, und dient der Bewertung und Spei-cherung der Vorgänge.

12.2.1 Sammeln und Inkubation

Das Bewusstsein nimmt erst Gefühle wahr. Sie sind bereits Ergebnis einer Sammlung und Reife-prozesses. Unbewusst verarbeitet unser Gehirn die unzähligen Reaktionen unserer Sinne auf die Reize der Umwelt. Die Sammlung und Bündelung verschiedener Reize ruft ein Gefühl hervor, das der Mensch, gespiegelt an seinen emotionalen Erfahrungen zur Emotion, weiterverarbeitet.

Edelmann und Tononi (2000, S. 188) bezeichnen diesen Prozess des Zusammenschaltens von selek-tiven Ereignissen als „re-entranter Prozess“. Danach vermag er eine nicht mit Begriffen belegte Welt in Objekte und Ereignisse zu unterteilen. Re-entry ist der zentrale Mechanismus zur räumlichen und zeitlichen Koordination verschiedener sensorischer und motorischer Ereignisse. Er vermag differen-zierte und parallel ablaufende Zustände zu koordinieren und sie durch Inferenzen mit sequentiell ver-laufenden, bewussten Prozessen zu integrieren. Aus dem Alltag ist der Schlaf als eine Form der Inku-bation bekannt. Er sortiert und interpretiert die gewonnen Eindrücke und ermöglicht durch die „Vorhaltung“ von möglichen Sinnzusammenhängen die Selektion und Einsicht ins Bewusstsein.

12.2.2 Einsehen und selektieren

Einsehen und Selektieren unterscheiden sich hinsichtlich einer aktiven, intendierten (Selektieren) oder eher passiven (Einsehen) mentalen Handlung des Individuums. Edelmann und Tononi (2000, S. 28) betonen den selektiven Charakter des Gehirns und Bewusstseins im Gegensatz zu bisher vermute-ten instruktiven oder konstruktiven Charakter an dieser Stelle. Das Gedächtnis und die ständig parallel ablaufenden Prozesse bilden einen Wahrnehmungsfilter, der Zusammenhänge erkennen lässt (Glaser und Strauss 1998, S. 256).

Die Lerntheorie bietet zur Unterstützung dieses und des verankernden Prozesses verschiedene Me-thoden als Hilfestellung (Hopperdietzel 2005): freies Erinnern (alles aufzählen, was über ein Thema bekannt ist); Erinnern auf einen Hinweisreiz (zu einem Stichwort (Notizen) an Inhalte erinnern); Wie-dererkennen („es ist welcher der drei Möglichkeiten.“). Dieses Abrufen von Zusammenhängen hängt weniger an der Speicherkapazität als vielmehr an der Abrufkapazität, da an dieser Stelle aus parallelen Prozesse sequentielle Schlussfolgerungen und Zusammenhänge erzeugt werden. Hierzu sind perspek-tivische Entscheidungen nötig, die aus intransparenten Zuständen logische Zusammenhänge machen und Orientierung bieten (Luhmann 1995). Letztlich zeichnet die Entscheidungsfähigkeit eines Sys-tems, das Wählen zwischen Alternativen, intelligente Systeme aus (Edelmann und Tononi 2000, S. 85). Auf der anderen Seite sind Entscheidungen der Komplexitätstreiber in der Problemlösung.


12.2.3 Verifizieren

Verifizieren und Formen erscheinen dem rationalen Wesen als wohl vertrauteste und bekannteste Prozesse. Sie lassen sich allgemeinsprachlich als Denken zusammenfassen. Unter Verifizieren ist eine Überprüfung von Aussagen und Zusammenhängen zu verstehen. Die Wissenschaftstheorie würde dabei die Hypothesenprüfung anhand von empirischen Quellen und die Theoriebildung durch herme-neutische Validierung von Aussagen unterscheiden. Empirische Belege würden nur so weit verwendet, wie sie der Theoriebildung dienen und nicht der reinen Verifizierung (Glaser und Strauss 1998, S. 38).

Sie verankert die neuen Sinnzusammenhänge in den bestehenden Kategorien im Sinne eines Verstehens (Danner 1979). Sinnkategorien können als bewusst wahrnehmbare, logische und subjektiv determinierte kleinste Einheiten des Wissens verstanden werden. Verifizieren ist eine Form des Schließens, bei dem Ideen und Gedankenbausteine in ihren Aussagen getestet werden. Sie werden vor dem Hintergrund bestehender Erfahrungen und der durch Situation und Intention angeregten Zielset-zung in unterschiedliche Situationen simuliert. Verstehen ermöglicht ein „Nachleben“ und emotional ein „Sichhineinversetzen (Empathie)“. Beide Formen verdeutlichen die Zusammengehörigkeit von bewussten und unbewussten Prozessen im Sinne einer integrierten Wirklichkeit (Edelmann und Tono-ni 2000).

Diese Formen ermöglichen einen Umgang mit vagen und unvollständigen Bausteinen. Sie hängen von der Ausprägung des Wahrnehmungsfilters zwischen bewusst und unbewusst ab. Verifizieren könnte als der Übergang von Daten zu Informationen verstanden werden. Diese erhalten durch Erfah-rungen eine Bedeutung. Rieger (2002) unterstreicht dabei den rekursiven Charakter der Bedeutungs-konstitution und die Dynamik der Bedeutungsentstehung durch Schlussfolgerungen.

12.2.4 Formen

Formen beschreibt nicht ein manuelles Modellieren, sondern ein mentales Clustern und Kategorisie-ren (Teich 1996, S. 37). Ziel des Formens ist es, die verifizierten Sinnzusammenhänge in eine kom-munizierbare und explizierbare Form und Zusammenhang zu bringen. Kernelement des Formens ist die Abstraktionsfähigkeit. Abstraktion ist ein Verkürzen oder Zusammenfassen anhand von inhaltli-chen, zeitlichen oder personellen Differenzierungskriterien. Zur Abstraktion notwendig ist die Fähig-keit zur Assoziation und das Bilden von Analogien. Hiermit lassen sich Zusammenhänge finden und Kategorien bilden, die mittels eines Überbegriffs abstrahiert werden können.

In der Informationstheorie wird das Zusammenfassen von einzelnen Infos zu „Paketen“ höherer Ordnung als Chunking bezeichnet (Bernus und Schmidt 1998). Es ist eine Etikettierung zur Entlas-tung des Arbeitsgedächtnisses, da weniger Verarbeitungskapazität benötigt wird. Chunks lassen sich wieder „ausfalten“ und weiter verfeinern. Im Sinne eines Drehbuchs wird die Zusammenfassung von Informationen in zeitlicher Reihenfolge als Scripting bezeichnet.

12.2.5 Vergessen und speichern

Der kontinuierliche Fluss an Reizen und deren Verarbeitung überlagern den erreichten Wirklich-keitszustand, der sich in unserer inneren Wahrnehmung abschwächt. Das Abschwächen könnte als Vergessen interpretiert werden. Dabei handelt es sich eher um eine Priorisierung. Die Ausgestaltung des Prozesses des Vergessens und Speicherns trägt dazu bei, Wirklichkeitszustände wieder in Erinne-rung zu rufen. Wie beschrieben werden Erkenntnisse nicht nur in diesem Prozessschritt verankert, sondern in einer stetigen Interaktion mit dem Gedächtnis. An dieser Stelle sinkt nur die bewusste Wahrnehmung des Wirklichkeitszustandes. Alltagsmethoden, wie Notizen, verhindern das „Verges-sen“ (Woitsch und Karagiannis 2004, Delp et al. 2004). Oft wird das Ergebnis aufgeschrieben oder ge-speichert. Im Sinne des assoziativen Speicherns werden nur die Erstellungsregeln statt dem Ergebnis gespeichert.

Eine zentrale Rolle im Prozess der Wissensentwicklung spielt das Gedächtnis. Die Fähigkeit zur Speicherung beeinflusst die Beziehungen und Interaktionen zwischen den Prozessschritten (Ziemke 2000, S. 20). Sie ermöglicht erst, ein Zeitgefühl zu entwickeln und damit Entwicklungen und Lernen durch den Vergleich unterschiedlicher Zustände wahrzunehmen. Das Gehirn ermöglicht die Transfor-mation paralleler in sequentielle Prozesse. Das Gedächtnis wirkt in jedem bewussten Prozessschritt als


Filter auf der Basis von Erfahrungen und führt damit zu einer Rekursivität. Jeder Schritt beeinflusst bereits den nächsten Schritt. Bewusste Prozesse verlaufen damit sequentiell, während unbewusste Pro-zesse parallel laufen und reentrant miteinender interagieren (Edelmann und Tononi 2000).

Die Forschung unterscheidet drei Arten von Gedächtnis: sensorisches, primäres oder Kurzzeit- und sekundäres oder Langzeitgedächtnis (Birbaumer 1997, S. 160f.).

Das sensorische Gedächtnis speichert für wenige hundert Millisekunden sensorische Reize, um die wichtigsten Merkmale zu extrahieren. Das Vergessen beginnt sofort nach der Aufnahme. Eine Kodie-rung (verbal, nicht verbal) kann die Reize in ein dauerhaftes Gedächtnis übertragen.

Das primäre Gedächtnis (Kurzzeitgedächtnis) dient zur vorübergehenden Aufnahme verbal ko-dierten Materials. Vergessen entsteht durch Ersetzen der eingespeicherten Information durch neue. Es können nicht mehr als 7/2 Informationseinheiten gleichzeitig dort behalten werden. Nichtverbal ko-diertes Material wird vom primären Gedächtnis nicht gespeichert. Es wird entweder durch einen eige-nen Zwischenspeicher oder direkt vom sensorischen in das sekundäre Gedächtnis übertragen.

Übertragung aus dem primären Gedächtnis in das sekundäre Gedächtnis wird durch Üben erleich-tert, und zwar durch aufmerksames Wiederholen und damit korrespondierendes Zirkulieren der Infor-mation im primären Gedächtnis.

Das sekundäre Gedächtnis (Langzeitgedächtnis) ist ein großes und dauerhaftes Speichersystem. Bisher gibt es keine fundierte Abschätzung seiner Kapazität und der Verweildauer des dort gespei-cherten Materials. Die Information ist nach ihrer „Bedeutung“ gespeichert. Zur Wiedergabe muss das Gedächtnismaterial aus dem Langzeitspeicher wieder in das begrenzte Kurzzeitgedächtnis gebracht werden.

Vergessen im sekundären Gedächtnis scheint weitgehend auf Störung (Inferenzen) des zu lernenden Materials durch vorher (proaktive Hemmung) oder anschließend (retroaktive Hemmung) Gelerntes zu beruhen.

12.2.6 Fragen und zerlegen

Mit der Beschränkung der Wissensentwicklung auf einen rein bewussten Vorgang werden die Ein-drücke durch Fragen und Zerlegen in Sinneinheiten aufgeteilt. Dabei wird geprüft, inwieweit sich Kongruenz zu bestehenden Gedächtnisinhalten herstellen lässt oder das Problem herausgearbeitet werden kann.

Für diesen Prozess wird auf Ähnlichkeiten zurückgegriffen. Er entspricht zum großen Teil dem Prozess der Mustererkennung. Fragen ist dabei die bewusste Aufnahme und Interpretation der Reize. Zerlegen entspricht einer Analyse.

12.3 Beitrag und Einordnung des KCF

Nonaka (1995) beschreibt in seinem Modell ebenfalls den Prozess der Wissensentstehung, vor allem aus organisationaler, sozialer Perspektive. Es mag helfen, diesen Prozess, vor allem in seinem Zu-sammenspiel mit dem individuellen Erkenntnisprozess, zu verstehen. Im Vergleich des Modells der Wissensentwicklung zum SECI-Modell von Nonaka in Abbildung 40 zeigt sich, dass Nonaka (1995) Wissensentwicklung vor allem als Interaktionsprozess zwischen Systemen, und damit organisational, versteht. Das KCF beschreibt dagegen einen individuellen Prozess des Perspektivenwechsels.


Abb. 41. Vernetzung von Wissenssystemen über Interaktionssysteme

Nonaka beschreibt allgemein, wie sich in den einzelnen Phasen Wissen entwickelt, und betont vielmehr, „dass“ sich dort Wissen entwickelt. Für Nonaka und Konno (1998) ist Wissen in von den Systemen geteilten Räumen im Sinne eines Kontextes eingeordnet. Sie bezeichnen den gemeinsamen Raum für das Entstehen von Beziehungen als „ba“. Dieser Raum entspricht dem Interaktionssystem zwischen Systemen. Sobald Wissen vom „ba“ getrennt wird, wird es zu Information, die unabhängig kommuniziert werden kann. Dieser Rahmen beinhaltet die Forschungen und Entwicklungen zu Wis-sensidentifikation und -transfer der letzten Jahre. Das Modell besticht durch seine Einfachheit und praktische Nachvollziehbarkeit. Nonaka unterscheidet nicht zwischen bewusst und unbewusst, son-dern versteht implizit als systemimmanent und explizit als systemextern.

Das Knowledge Creation Framework setzt eben dort an und beschreibt einen Ansatz, implizite Pro-zesse zu verstehen. Es ergänzt damit die Darstellungen von Nonaka um eine differenzierte Sicht auf die systemimmanente Wissensentwicklung. Hierfür wird das Modell um eine bewusste und unbe-wusste Erklärungsebene erweitert, auch wenn im Test vor allem die bewusste Ebene untersucht wird.

Es verdeutlicht den Bedarf an grundlegenden Fähigkeiten, wie Differenzierungs- und Entschei-dungsfähigkeit und Selbstähnlichkeit:

1) Differenzierungsfähigkeit

Das Erkennen von Ähnlichkeiten und Unterschieden auf horizontaler (Klassen) und vertikaler (Abs-traktion) Ebene führt zu kleinsten logischen Einheiten. In ihrer Abfolge ergibt sich der sequentielle Charakter des Bewusstseins (Edelmann und Tononi 2000, S. 40). Er rührt aus der Notwendigkeit zur Unterscheidung. Dies ist nur zeitpunktbezogen möglich. Die Fähigkeit zur Differenzierung verhilft dem System, Unsicherheit durch Zerlegung zu reduzieren und rational beherrschbar zu machen (E-delmann und Tononi 2000, S. 49). Sinnzusammenhänge müssen zerlegt und dekontextualisiert wer-den, um sie auf neue Perspektiven und Problemstellungen anwendbar zu machen (Koriche 1998). Die Schwierigkeit dieser Loslösung aus dem originären Kontext ist aus den Interaktionssystemen beim Wissenstransfer bekannt. Hierfür muss der Kontext mittels Meta-Informationen erfasst und mit dem zu übertragenden Sinnzusammenhang verbunden werden. Nicht alle relevanten Verknüpfungen kön-nen expliziert werden. Technologisch gesehen ergibt sich hieraus ein Meta-Informationsproblem.

2) Entscheidungsfähigkeit

Wirklichkeit entsteht durch eine Vielzahl von bewussten und unbewussten Entscheidungen. Sie ba-sieren auf der Erfahrungsbasis eines Qualitätsgefühls oder Maßstäben für Zusammenhänge. Sie kön-nen nach Regeln organisiert sein. Regeln beschleunigen den Entwicklungs- und Entscheidungspro-zess, da als logisch sinnvoll empfundene Zusammenhänge nicht jedes Mal neu erstellt, sondern als Regeln angewendet werden können.

Wahrnehmen

Vorstellen

Reiz

Formen

Erfahren Wahrnehmen

Erfahren Vorstellen

K-assets

Kompetenzen

Gedächtnis

Verifizieren

InkubationSammeln

Bew

ußt

Un-

Bew

ußt

Ein

seh

en

Sele

kti

ere

nVerg

esse

n

Sp

eic

hern

Information DatenWissen

Inte

nti

on

(Wol

len)

Situ

atio

n(A

nwendung)

Repräsentation

GedankeSinneinheit/

IdeeWirk-

lichkeit

Sinnliche Reaktion

Gefühl Emotion

Aktion

Fragen Zerlegen

Interaktionssystem

Kombination

Internalisierung

Externalisierung

Sozialisierung

Internalisierung

Sozialisierung

Externalisierung

implizitexplizitimplizit

explizitimplizit implizit


3) Selbstähnlichkeit

Komplexitätsreduzierend wirkt die Systemeigenschaft der Selbstähnlichkeit. Sie beschreibt eine ähnliche Regelgültigkeit und -verhalten auf unterschiedlichen Abstraktionsebenen. Für jede Ebene hat das KCF wiederum seine Gültigkeit. Wissen wird damit nicht nur auf verschiedenen Arten von wis-sensintensiven Prozessen, sondern auch auf unterschiedlichen Abstraktions-Ebenen entwickelt: Pro-zess-Ebene (Aufgabe), Objekt-Ebene (Dokument), Inhalts- und Aussagenebene (Text), Struktur-Ebene (Ontologie) oder Begriffsebene (Taxonomie).

Die Ausprägung der einzelnen Fähigkeiten, vor allem der kognitiven, wird als Intelligenz bezeich-

net. Künstliche Intelligenz ist damit ein Werkzeug für die Modellierung der Fähigkeiten. Knowledge Intelligence beschreibt darauf aufbauend die Abbildung der Entwicklungsprozesse von Wissen.

12.4 Anwendung des bewussten, symbolischen KCF

Die Diskussion in Kapitel 9 über technologische Möglichkeiten zur Abbildung von Subsymbolik hat die Schwierigkeiten bei der impliziten Erfassung veranschaulicht. Auch wenn der unbewusste, subsymbolische Teil einen wesentlichen Baustein der Wissensentwicklung darstellt, ist fraglich, ob die Konzentration auf den bewussten, symbolischen Teil für die aktuelle Diskussion und den Stand der Technologie nicht ausreichend sind.

Auf diesem Level bestätigen Gentner (1989) und Holyoak (1985) die Stufen des Wissenstransfers

auf organisationale Basis als den bewussten Teil der Wissensentwicklung aus obigem Modell in ähnli-cher Reihenfolge: Kodieren der Aufgabenmerkmale (=Zerlegen); Abrufen alter Informationen aus ei-ner Basisaufgabe (=Fragen); Auswählen und Abbilden von möglicherweise brauchbarem Wissen auf die Gegebenheiten der Zielaufgabe (=Selektieren und Verifizieren); Abstrahieren von Strukturen, die den Aufgaben gemeinsam sind (=Formen).

Zusammenhänge, Ähnlichkeiten und Differenzen lassen sich erkennen, indem das Individuum be-

wusst unterschiedliche Perspektiven einnimmt und sich in Situationen oder Begriffswelten hineinver-setzt (vgl. psychologisches Verstehen). Boland und Tenkasi (1995) sprechen dabei von „Perspective taking und perspective making“. Birbaumer und Schmidt (1997) bezeichnet diesen Prozess im Hin-blick auf einen interdisziplinären Austausch als bewusste „Verfremdung“. Helscher (1991) hingegen hält das Entnehmen einer Theorie aus dem Erklärungsbereich und Anwendung auf einen anderen für nicht zulässig.

Auch Einstein wusste schon, dass sich Probleme nicht aus dem gleichen Gedankengebäude heraus lösen lassen. Erst ein Sprung aus der eigenen Gedankenwelt heraus kann sie lösen. Edelmann und To-noni (2000, S. 228) erklären dieses Vorgehen. Unterscheidung und damit Problemlösung entstehen ih-rer Meinung nach durch die Kopplung von Bezugsrahmen, aus deren Interaktion unterschiedliche Per-spektiven entstehen und damit eine hinreichende Differenzierung und Selektion möglich wird. Basis hierfür ist eine funktionale Clusterung, die nicht weiter ohne Informationsverlust zerlegbar ist (Edel-mann und Tononi 2000, S. 226f.). Diese funktionale Clusterung wirkt im Sinne der Chaostheorie wie ein Attraktor, der sich entweder aus der Überlagerung bildet oder durch die bewusste Einnahme einer bestimmten Perspektive ergibt und das Zentrum der Interaktionen darstellt. Übertragen auf den be-schriebenen Rahmen und je nach Perspektive, könnte Wirklichkeit sowohl die Problemlösung als auch die Problemstellung sein.


Abb. 42. Wissensentwicklung als Prozess des „perspective taking und making“

Übertragen auf das KCF am Beispiel der semantischen Suche als Engine in den Prozesschritten ent-steht, wie in Abbildung 41 auf symbolischer Ebene dargestellt, ein Kreislauf aus perspective taking und making. Der Receiver nimmt dabei die Informationen aus den Schnittstellen auf. Der Interpreter hinterfragt und vergleicht ihre Bedeutung und Qualität. Der Analyser wendet Regeln an, um weitere Informationen zu vernetzen oder Elemente so weit zu unterteilen, dass im Reconciler Ergebnisse prio-risiert und ausgewählt werden können. Er transformiert einen parallelen Vergleichs- und Abwägungs-prozess durch iterative Selektion in einen sequentiellen, logischen Prozess auf der Basis von komfor-tablen Ähnlichkeitsmaßen. Je nach Entscheidungsmodell kann auf diese geschlossen werden oder sie ergeben sich durch immer weitere Aufteilung bis zu einem Schwellenwert, der die Antwort hervorruft. Dieses Ergebnis wird im Verificator in die bestehende Bedeutungslogik eingeordnet und im Hinblick auf die Frage- oder Problemstellung untersucht. Folge kann eine unterschiedliche Begrifflichkeit oder ein anderes Abstraktionslevel in Abhängigkeit des Vorwissens und der Erfahrung des Nutzers sein. Gemäß den Präferenzen des Nutzers wird diese dann im Producer formuliert und layouttechnisch in eine zugängliche Form gebracht. Für den einen ist zum Beispiel eine PPT-Form, für den anderen ein Word-Dokument oder nur eine Stichwortstruktur ausreichend.

Die Engines finden sich in Anlehnung an Sauermann et al (2005) in den Bausteinen des Semantic

Desktops als wesentliche Aufbauelemente in Abbildung 42 wieder:

Form Verifizieren

AufteilenFragen

Au

sw

äh

len

un

d

be

me

rken

Verg

es

se

n

Ab

sp

eic

he

rn

Abgleich mit der

Anforderung

Priorisierung der

Ergebnisse

Ausgabe des Suchergeb -

nisses

Dok. mit ähnlichen Begriffen

Dok. mit ähnlicher

Bedeutung

Zusatz -information

durch Regeln

organisationell individuell

Gedächtnis

Inte

nti

on

(Will

)

Template und Entwürfe des Management Summary

Sym

bolis

ch

Design proposal

.doc.ppt

Knowledge base:Trend Dokumente, alte Angebote, Referenzen, Portfolio, Dokumente, etc.

Kontext

Reconciler

Interpreter Analyser

Producer

Receiver

Verificator

Inte

nti

on

(Rol

le)

Anfrage

EntwurfPerspective

making

Perspective taking

Perspective

making

Perspective taking

Perspective

making

Perspective taking

Perspective

making

Perspective taking

Situ

atio

n(A

nwendung)


Abb. 43. Anwendung des KCF auf den Semantic Desktop zur Erstellung von Suchergebnissen

Der Receiver sammelt die Informationen aus unterschiedlichen Datenquellen und -formaten. Über den Interpreter werden diese mit dem Personal Information Model und anderen, auch organisationel-len, Ontologien in Beziehung gesetzt. Inferenzen können diesen Dialog im Anmalyser noch verfei-nern. Im Reconciler werden die Suchergebnisse gewichtet. Über eine gemeinsame Liste werden noch-einmal die Priorisierungen untereinander abgewogen und im Producer als Suchergebnis im GUI dargestellt. Über den Verificator lassen sich die Suchergebnisse mit Hilfe von Nutzerfeedback beein-flussen, um weiterführende Thesen zu testen oder zu erarbeiten. Für die Tests der Leistungsfähigkeit der Technologie spielt dies keine Rolle, da die Kernwirkung sich aus dem Interpreter ergibt.

In der Wirkung und Bedeutung des Semantic Desktop auf der Prozessebene fällt auf, dass durch die

Änderung des Abstraktionslevels Gnowsis als semantische Suche nur einen Teil der Prozessschritte unterstützt. Er stellt lediglich die Suchergebnisse bereit, während die Auswahl, Bereitstellung und Speicherung der Ergebnisse andere Applikationen, wie Recommender, Content oder Dokumenten Managementsystem im Prozessumfeld übernehmen können.

Mit dieser Beobachtung stellt sich die Frage, ob eine weitere Ausdifferenzierung des Semantic Desktop als einzelne Agenten eine weitere Optimierung bringen könnte.

12.5 Zwischenfazit

Ausgehend von der wissenssoziologischen Annahme, dass Wissen im sozialen Kontext und Umfeld entsteht, zeigt sich, dass sich Wissensentwicklung, unter Berücksichtigung lerntheoretischer und psy-chologisch-medizinischer Erkenntnisse, im Sinne einer subjektiven Wirklichkeitsbildung in sechs Schritten durch das Knowledge Creation Framework darstellen lässt.

Interpreter

Analyser

Receiver

Rec

on

cile

r

VerificatorProducer


Im Hinblick auf die Eigenschaften von Wissen (Rekursivität, Anwendungsbezug und Intention) ist es ein rekursiver Prozess des perspective takings und makings im Rahmen von Situation und Inten-tion. Das Modell ergänzt bestehende Modelle der organisatorischen Wissensnetwicklung um die indi-viduelle Perspektive. Es beschreibt, was Technologien intelligent macht als die Fähigkeit, Differen-zierung, Entscheidung und Selbstähnlichkeit abzubilden. Es setzt bewusste und unbewusste Phasen über das Gedächtnis und die Erinnerung reentrant miteinander in Beziehung.

Deutlich wird dabei, dass Nonaka die Prozesse zwischen und weniger innerhalb eines Systems

und Individuums beschreibt. Eine Lösung des Kontextproblems könnte durch diesen Perspektiven-wechsel (aus dem Interaktionssystem hin zum Individuum) möglich sein. Wissen wird nicht in der In-teraktion per se, sondern erst im Subjekt selbst entwickelt. Voraussetzungen für diesen Prozess sind Differenzierungs- und Entscheidungsfähigkeit in Abhängigkeit von Situation und Intention als Kontext.

Wissen entsteht dabei durch zwei gegenläufige, sich überlagernde Prozesse: funktionale Cluste-rung (bewusste Initiierung und Verankerung) und Offenheit (unbewusster Rahmen, um Anker als Kern durch stabilen Zustand zu finden).

Nach dem Nachweis der Performance und Einsatzfähigkeit von Gnowsis lässt sich mit dem Know-

ledge Creation Framework auch zeigen, welche Schritte der Wissensentwicklung durch Gnowsis au-tomatisiert werden.

(A-7.1) Gnowsis automatisiert die Schritte Analyser und Interpreter.

Die Diskussion zeigt, dass Gnowsis die Schritte Analyser und Interpreter voll abdeckt. Mit Hilfe von manuellen Regeln nähert es sich der Abbildung des Reconcilers an. Die Suche deckt damit die in-duktiven Schritte Sammeln und Inkubieren sowie die dekuktiven Fragen und Zerlegen ab. Sie erwei-tert damit die Schritte um den Interpreter bis hin zum Reconciler.

Das KCF bildet die Grundlage für einen Ausblick der weiteren Entwicklung semantischer Tech-

nologien und Integration intelligenter Technologien in die offene Architektur des Semantik Desktop.


13 Auswirkungen und Ausblick

Das untersuchte Fallbeispiel der Angebotsentwicklung als wissensintensiver Prozess basiert schwerpunktmäßig auf deduktiver Wissensentwicklung. Induktive Wissensentwicklung erfordert ei-nen technologischen Umgang mit subsymbolischem und emergent, konstruktivistischem Wissen. Die-ser konnte mit Hilfe des Semantic Desktop nicht vollständig abgebildet werden. Dennoch konnte durch den P2P Ansatz aufgezeigt werden, wie bottom-up-Prozesse repräsentiert werden können.

Das Ziel, Wissen konstruktivistisch abzubilden, führte zur Erkenntnis, dass sich die Subjektivität

von Wissen als Perspektive in Form einer Rolle berücksichtigen lässt. Damit ist ein wesentlicher Schritt zu einer subjektiven Wirklichkeit anstelle einer objektivierten, nachträglichen Realität ge-macht. Auf Basis und mit Hilfe der Rolle kann Wissen situationsgerecht erstellt werden und nicht mehr nur passiv und als Stützprozess einbezogen werden. Auch wenn dies technologisch noch nicht vollständig realisierbar ist, zeigt das KCF einen Weg und die Bedingungen hierfür auf.

Deutlich wurde die Bedeutung verschiedener Abstraktionsebenen als ergänzende Dimension zu

bisherigen Repräsentationsformen. Auch wenn hierdurch die Komplexität steigt, gewinnt die Diffe-renzierung der Wissensentwicklung und ermöglicht eine feinere und bessere technologische Unterstüt-zung.

Unberücksichtigt blieb in der Diskussion die Abbildung von Emotionen. Die Diskussion be-

schränkte sich auf bewusste, rationale Knowledge-Objekte. Nachdem gerade ihre medizinisch-biologische Erforschung begonnen hat, bedarf es noch einiger Erkenntnisse, diese technologisch handhabbar zu machen. Mit ihnen wird sich voraussichtlich auch der Bereich der Subsymbolik er-schließen.

Die signifikanten Ergebnisse des Technologietests zeigen einen positiven und deutlichen Beitrag

von Gnowsis zur Steigerung der Ergebnisgüte und lassen sich als Antworten auf die Forschungsfragen formulieren:

(A-7.2) Gnowsis leistet einen Beitrag zur Automatisierung deduktiver Wissensentwick-lung und Reduktion des a-priori-Redaktionsaufwands (Kapitel 13.1)

(A-7.3) Gnowsis ermöglicht die Übertragung der Erkenntnisse auf andere wissensintensi-ve Prozesse (Kapitel 13.2)

(A-7.4) Gnowsis besitzt das Potential der Texterschließung durch Integration weiterer Retrieval Verfahren (Kapitel 13.3)

(A-7.5) Gnowsis bildet die Grundlage für eine service- und agenten-orientierte Architek-tur des Semantic Desktop im Semantic Web (Kapitel 13.4)

Im Folgenden werden diese aufgezeigt und detailliert. Die Fragen (F-7.6) und (F-7.7) werden in den

Kapiteln 13.3. und 13.4. mit adressiert und abgeleitet.

13.1 Auswirkungen auf die Wissensentwicklung

Der Beitrag für die deduktive Wissensentwicklung wird über eine schrittweise Näherung von „Un-terstützung“ und „Automatisierung“ von Entwicklungsschritten erzielt. „Unterstützung“ bedeutet den Ersatz von technologischen Hilfsmitteln, um den manuellen Explikationspozess, wie Ontolo-gien, zu erleichtern. „Automatisierung“ bedeutet den Ersatz durch Technologien, die diesen Entwick-lungsschritt selbstständig ausführen. Hierfür muss die Intelligenz des Designers in die Technologie oder das System integriert werden.

Management Summaries lassen sich sowohl im Sinne der Wissensentwicklung induktiv als auch

deduktiv erstellen. Die meisten schließen naturwissenschaftlich-induktiv aus einer (empirischen) Da-


tenbasis über begriffliche und symbolische Methoden. Deduktives Schließen ist stark durch manuelle, organisatorische Vorgaben geprägt und schließt vom Allgemeinen ins Spezielle.

Induktiv gesehen, versucht die Internet-Gemeinschaft dem großen manuellen Aufwand durch sog.

Crowdsourcing (Howe 2006) zu begegnen. Dabei trägt jeder Teilnehmer einen kleinen Teil zur ma-nuellen Beschreibung bei. In Summe ergibt sich eine größere Beschreibungsbasis. Aus betriebswirt-schaftlicher Sicht ist dies eine effiziente Methode. Fraglich ist, inwieweit dies auf die Dauer kosten-technisch tragfähig ist.

(A-7.2.1) Gnowsis ermöglicht das kommunikative Spiel zwischen den Abstraktionsebenen

Die technologische Unterstützung deduktiver Ansätze, wie Proposal-Automation-Systeme, basiert auf einer manuellen Detaillierung und Explizierung unter top-down-Vorgabe eines Ergebnistempla-tes oder -struktur. Eine Automatisierung, ein Ersatz also, war bisher auf induktive Anätze bezogen, wie klassisches Information Retrieval als Ersatz für manuelle Verschlagwortung, da den Technologien ein Allgemeinwissen (common-sense) fehlt oder nicht zugänglich war. Ihre Weiterentwicklung er-fordert nach (A-2.3.2) aus Kapitel 10.5 immer höherer Grade an subsymbolischer Reasoning-Kapazität, um aus der Menge an Möglichkeiten sinnvoll und automatisch zu wählen. Durch die Integ-ration von Methoden in die Systeme steigt die Systemintelligenz und der A-priori-Modellierungsaufwand wird reduziert.

Um sich diesen höheren Graden zu nähern, wurden induktive Prozesse beschrieben (KCF, Onto-

logien) und getestet (Gnowsis-Test). Die technischen Tests der semantischen Suche haben also Ver-besserungen des induktiven Schließens auf Basis von ontologischen Explikationen auf Dokumenten-ebene belegt. Zudem wurde die Bedeutung der Rolle für die Bedeutungsbildung herausgearbeitet. Hinzu kommt die Möglichkeit, die Rolle über ein Personal Information Model technologisch verfüg-bar zu machen und damit diesen Prozessschritt zu unterstützen.


Abb. 44. Inhalte im kommunikativen Dialog zwischen Abstraktionsebenen

Wie in der Antwort A-5.1.2 in Kapitel 9.4 erläutert erweist sich Abstraktion als Hebel der Seman-tik und damit als Strukturelement und Basis für Wissenstechnologien. Damit Technologien dies leis-ten können, müssen sie das in Kapitel 8.6. erwähnte „kommunikative Spiel“ zwischen und mit den Abstraktionsebenen, wie in Abbildung 43 aufgezeigt, beherrschen. Mittels Methoden wird die jeweils angrenzende Abstraktionsebene erreicht. Eine Unterstützung oder Automatisierung dieser Methoden ermöglicht ein automatisches Erschließen, ohne dass jeder Einzelzusammenhang manuell modelliert wird.

(A-7.2.2) Gnowsis simuliert deduktives Schließen über eine Kombination aus induktivem Schließen und P2P.

Mit seiner P2P-Basis erfasst der Semantic Desktop diese Vielfalt und bietet damit die Möglichkeit, die manuelle Explizierung der Ontologien zu unterstützen. Die breitere Informationsbasis verbessert das verfügbare Allgemeinwissen im System. Durch Strukturierung des Informationsangebots nach Rollen, kann dies rollenspezifisch kondensiert und damit konkretisiert werden.

In Kombination mit der bereits nachgewiesenen Verbesserung der Ergebnisqualität kann er umge-

kehrt wieder deduktives Schließen über eine Kombination aus induktivem Schließen und P2P si-mulieren. Die Vielfalt und Governance der Daten wird umgedreht.

Folder


Form

ReconcilerAdaptations and annotations

InterpretatorSemantic search refinement

AnalyserPrioritisation and classification

Memory &Representation

Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave

Sorted and aligned text

Info (text) in template

Finaldraft mgmt.summary

Doc. with similar key

words

Doc. with similar

meaning

Doc. in template structure

Perspective

making

Perspective taking

ProducerFormatting

ReceiverFull-text Search results

VerificatorPlausibilities and decisions

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective

making

Perspective taking

ProducerFormatting



Bedeutung

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Klassen

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Konzepte

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Konzepte

Daten

Gliederung

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Begriffe

MethodenAbstraktions-

ebenen

induktiv

Wissens-produkt

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Aussagen

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Story

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Story

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rget

Save





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rget

Save





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Rolle

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rget

Save





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rget

Save





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Rolle

dedu

ktiv

Dokument

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Syntax

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Syntax

Methoden

Organisationelle Perspektive


Sta

tistik

Sem

antik

Sub

-sym

bolik

Varianz und Governance


Abb. 45. Rolle als Hebel zum Paradigmenwechsel der Wissensentwicklung aus individueller Sicht

Damit kehrt sich in Abbildung 44 die Wirkungsweise induktiven Schließens um. Die Varianz des Individuums findet sich nicht mehr nur in den einzelnen Daten, sondern vielmehr in seiner eigenen Folderstruktur. Auf diese könnten bekannte induktive Verfahren angewandt werden. Die Rolle des In-dividuums im Geschäftsprozess dient dabei als Methode, um von der Folderebene auf die Dokumen-tenebene zu schließen.

Der Dokumentenebene kann aus einer anderen und neuen Abstraktionsstufe begegnet werden. Im Vergleich mit dem ursprünglichen Paradigma entspricht dies einer Simulation des dekuktiven Schließens auf Basis induktiver Methoden. Die Näherung an die Dokumentenebene aus höherer Abstraktionsstufe in induktiver Form ist der Hebel, Wissensentwicklung technologisch zu befähigen, ohne eine technologische Lösung der Aufgaben der Sub-Symbolik. Er dürfte jedoch Anregungen geben, Sub-Symbolik greifbarer zu machen.

13.2 Auswirkungen auf organisationale wissensintensive Prozesse

Im betrieblichen Alltag und in Prozessen sind Rollen durch ihre Aktivität modelliert und definiert. Die Tests haben den positiven Einfluss für einen zielorientierten, wissensintensiven Prozess (Ange-botsentwicklung bei SIS) aufgezeigt. Sie verweisen auf den Bedarf nach einer informationstechni-schen Modellierung der Rollen. Damit könnten sie Workflow-Systeme (Goesmann 2002 oder v. Elst et al. 2003) für ziel- und wissensorientierte, wissensintensive Prozesse unterstützen.

indu

ktiv

deduktiv

Organisationelle

Perspektive


Folder


Daten

Gliederung

Dokument

Varianz und Governance

Form





Verify

DivideQuestion

Sele

ct+

Re

alize

Forg

et

Save





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Sele

ct+

Re

alize

Forg

et

Save





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Rolle

Form





Verify

DivideQuestion

Sele

ct+

Re

alize

Forg

et

Save





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Sele

ct+

Re

alize

Forg

et

Save





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Rolle

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Story

Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



Form





Verify

DivideQuestion

Se

lec

t+R

ea

lize

Fo

rge

tS

ave





words

Doc. with similar

meaning


Perspective making

Perspective taking

ProducerFormatting



StoryWissens-produkt

MethodenAbstraktions-

ebenenMethoden


(A-7.3.1) Gnowsis fordert ein Informationsmodell zwischen Prozessbeschreibung und Da-tenmodell in der Applikationslandschaft

Methodisch würde bei SIS in der betrieblichen Praxis zwischen dem aktivitätsorientierten Prozess-modell und dem datenorientierten Architekturmodell ein Informationsmodell eingefügt. Dies stellt mit Abbildung 45 die Basis für den Einsatz semantischer Technologien in der bestehenden System-umgebung dar.

Abb. 46. Informationstechnische Modellierung der Rolle in der Verknüpfung von Prozess und Architektur

Das Informationsmodell stellt Masterdaten und Ontologien für verschiedenen Systeme zur Verfü-gung. Es sorgt damit für eine informationstechnische Konsistenz und vereinfacht die Kommunikation zwischen den Systemen. Es lenkt den Fokus von Aktivitätsmodellierung auf Informationsmodellie-rung und konzentriert sich damit stärker auf den Informationsbedarf und das Ergebnis des Nutzers.

(A-7.3.2) Gnowsis sollte in bestehende Applikationen und Architektren eingebunden werden.

Da Suchtechnologien selten stand-alone implementiert werden, würden sie in Applikationen, wie Customer Relationship-(CRM) oder Product Lifecycle Management (PLM)-Systeme, eingebun-den werden. In diesem Rahmen können sie sich auch zu einer aktiven Prozessunterstützung entwi-ckeln, indem der Suchprozess durch Workflow-Aktivitäten im Hintergund ständig mitläuft.

Market

Develop-

ment

Market

Develop-

ment

Service

Offering

Life

Cycle

Service

Offering

Life

Cycle

SalesSalesDelivery

Manage-

ment

Delivery

Manage-

ment

ProcessModel

InformationModel

ArchitectureData Model

Information Cluster 3




Data Types:Master Data

Structure Data

.....


Structure Data

.....


Structure Data

.....


Structure Data

.....

knowledgemotion CMS Op@l Applications

Abbildung der Rolle verknüpft Prozesse und

Systeme


Abb. 47. Mögliche Integration der semantischen Suche in Standardsoftware SAP CRM

Abbildung 46 zeigt exemplarisch, wie sich die Suche als Sales Assistent in das Front-end des SAP CRM on-demand (www.sap.com - on-demand Lösung, 2006) einbinden ließe, um aktivitätsorientiert Informationen bereitzustellen. Der Nutzer verbleibt in einer Anwendungsoberfläche und muss für die Informationssuche nicht zwischen den Systemen wechseln. Über den Sales-Assistenten kann der Nutzer die Suche komfortabel ansteuern. Sie ergänzt die Anfrage dann um Kontextinformationen, wie aktuelle Aufgabenstellung, aus dem aktuellen Workflow. Aus betrieblicher Sicht erleichtert die In-tegration in Standardsoftware die Implementierung, Wartung und Weiterentwicklung.

(A-7.3.3) Das Verständnis der Wissensentwicklung lässt sich auf andere wissensintensive Prozesse, wie qualitative Forschung, übertragen.

Wissensentwicklung ist selbstähnlich, so dass sich die Erkenntnisse und das Knowledge Creation Framework nach den positiven Testergebnissen in abgrenzbaren Teilprozessen aus der individuellen und systemimmanenten Perspektive auf die organisatorische Ebene übertragen lassen. Denkbar wä-ren hier das Solution Design im Angebotsprozess, Help-Desks, Requirements engineering im Rahmen des Product Lifecycle Managements, Softwareentwicklung, der organisatorische Prozess der Wissens-entwicklung (Knowledge Asset Creation Process) oder der Forschungsprozess per se.

Letztere beiden sollen im Folgenden exemplarisch kurz beleuchtet werden. Help-Desks entwickeln

weniger Wissen, als es anzuwenden, auch wenn Störungstickets als Anker dienen könnten, aus denen neue Problemlösungen entstehen. Solution Design ist im betrachteten Anwendungsfall der Angebots-entwicklung mit abgedeckt. Requirements engineering und Softwareentwicklung sind etablierte Prozesse, die ausführlich beschrieben sind und deren Analyse den vorliegenden Rahmen sprengen würde.

Herbst (2000, S. 15) unterscheidet verschiedene Formen der organisationalen Wissensentste-

hung nach dem Entstehungsrahmen: durch Forschung (Forscher), durch Kreativität (Schriftsteller), durch Recherche (Journalismus), durch Dokumentation (Bibliotheken). Als forschungsintensives Un-ternehmen hat Siemens hierfür den Knowledge Asset Creation Process (KNAP) entwickelt (Ram-horst 2001). Er wird allerdings bisher nur über ein gemeinsames Ablagesystem technologisch unter-stützt und hat einen Fokus auf die Entwicklung von organisatorischen Wissensobjekten, die eine ontologische Realität für eine Vielzahl an Usern abbilden. Wissensentwicklung wird heute also auf ei-nem 1st level unterstützt und dann manuell, prozessual und organisatorisch vertieft. Technologisch wird diese Abstraktion noch nicht abgebildet. Die prozessuale Abstufung übergeht Technologiebrüche (Tiefe). Das Prozessdesign ermöglicht Komplexitätslösung (Breite/ Vernetzung).

Proposal.docPrices and costs.xlsMarkt development.pdfCustomer profile.pdfReference.ppt

MarketProblemApproachSolutionFinancialsReferences

Draft proposal structure:

How to write a proposal...Legal restrictionsFinancial models

Suggested personalized documents: Process support:


Mit Hilfe des KCF lassen sich die beschriebenen Beispiele folgenden Phasen des Modells zu-ordnen und entsprechend technologisch unterstützen: Kreativität=Einsehen; Recherche=Sammeln; Dokumentation=Formen.

Forschung ist ein wissensintensiver Prozess auf Basis unterschiedlicher Forschungsansätze. Me-

thoden und Vorgehen der qualitative Sozialforschung können als deduktive Wissensentwicklung und Formen der quantitativen als induktive Wissensentwicklung betrachtet werden. Am Beispiel der quali-tativen Sozialforschung wird in nachfolgender Tabelle die Ähnlichkeit der Charakteristika deutlich:

Tabelle 41. Vergleich der Charakteristika von qualitativer Sozialforschung und Wissensentwicklung

Charakteristika Qualitativer Sozialforschung

Charakteristika von Wissen und Wissensentwicklung (aus Kapitel 7.4)

Kommunikativ und explikativ Wissen steigert seinen Wert, je weiter es verteilt wird (expli-zites Wissen). Wissen folgt keinem definierten Workflow sondern entsteht durch Kommunikation und situationsspezi-fische, inkrementelle Veränderung. Konstruktion der Wirklichkeit durch Aushandeln der Wirklichkeit.

Offen und prozesshaft Wissen ist als Wissensentwicklung eher ein Prozess, denn ein Produkt. Es bindet Entscheidungen und Informationen rekursiv im Entstehungsprozess als Situationskontext (Vi-abilität) ein.

Reflexiv und flexibel Bedeutung ergibt sich aus dem Zusammenhang und in Be-zug auf eine individuelle Perspektive (Subjektivität).

Als Beispiel der qualitativen Forschung können mit dem in der Arbeit genutzten Forschungsansatz

der Grounded Theory auch die Eigenschaften des KCF illustriert werden. So entsteht im Sinne der Grounded Theory eine Theorie nicht nur zwangsweise aus den Daten (induktiv), sondern orientiert sich an ihnen (Glaser und Strauss 1998, S. 29, S. 256 und S. 259). Wichtig ist, dass ein systematisches Vorgehen (KCF) erkennbar ist, um aus den Beobachtungen (Receiver) relevante Kategorien, Eigen-schaften und Hypothesen zu erstellen (Interpreter, Analyzer). In Form von Fällen (Repräsentation der Konzepte auf deklarativer Bedeutungsebene) können sie als konzeptuelle Kategorien genutzt werden. Aussagen dienen als Datenbasis und Orientierungshilfe (Verificator).

Zur Differenzierungsfähigkeit des KCF bilden Glaser und Strauss (1998, S. 259) die Analogie, dass Theorien durch ihre Abgrenzung zu anderen Theorien und Erklärungsmodellen entstehen. Eine Theorie kann aber dennoch nicht losgelöst von ihrem Entstehungsprozess betrachtet und interpretiert werden und zeichnet sich nach Glaser und Strauss (1998, S. 15) durch Konsistenz, Klarheit, Sparsam-keit, Dichte, Reichweite, Integration, Eignung und Handhabbarkeit aus.

Angewandt auf die aktuelle Forschungsarbeit stellen sich die einzelnen Wertschöfpungsschritte im KCF wie folgt dar: Lesen (Receiver), Verstehen (Interpreter, Einsortieren oder Strukturieren (Ana-lyser), Kommentieren und Aussagen bilden (Reconciler), Story bilden und Details überarbeiten (Veri-ficator), Ausformulierung (Producer). Forbus et al. (1997) stellen dem KCF ähnliche Prozesse der Theoriebildung, unabhängig vom Forschungsansatz, vor. Diese verändern lediglich die (Entschei-dungs-) Regeln im Analyser und Reconciler und den Bezugpunkt im Schließen (Hypothese oder Kri-terienrahmen).

13.3 Auswirkungen auf den Semantic Desktop

Die Schritte des Knowledge Creation Frameworks und die Ebenen von Wissensobjekten spannen einen Diskussionsrahmen auf. Er lässt sich durch Kombinationen von Technologien und Verfahren, wie Gnowsis, füllen. Die systemtechnischen Auswirkungen der Diskussion auf den Semantic Desk-top und Gnowsis lassen sich mit Abbildung 47 in zwei Entwicklungsrichtungen beschreiben: erstens horizontal entlang des KCF und damit prozesserweiternd und zweitens vertikal im gleichen Prozess-schritt entlang verschiedener Wissensobjekte.


Abb. 48. Weiterentwicklung des Semantic Desktop auf Basis des KCF

Gnowsis ist als eine Kombination von Technologien unter Einbeziehung semantischer Verfahren auf Dokumentenebene für die Schritte Interpreter und Analyzer positioniert.

(A-7.6) Sie optimieren bestehende Module und Funktionalitäten, ergänzen neue Ver-fahren und entwickeln ganze Fähigkeiten und Anwendungsfelder weiter.

In Bezug auf die Forschungsfrage (F-7.6) zeigen sich aus der Matrix die Optionen für die Weiter-entwicklung von semantischen Technologien und der Theorie der Wissensentwicklung in Bezug auf wissensintensive Prozesse.

13.3.1 Optimierung bestehender Funktionalitäten für höhere Abstraktionen

Innerhalb eines Funktionsbereichs kann eine Optimierungen der Indizierungen und Algorithmen Gliederungen und Inhalte mit höherer Abstraktion, auch um subsymbolischen Bereich, erschließen. Beispielsweise könnte die Nutzung der Metadateninformation „Dokumentenart“ die Gewichtungs- und Selektionskriterien der Suchmaschinen dynamisch beeinflussen, weil sich bestimmte Suchalgo-rithmen für bestimmte Dokumentenarten eignen.

Die intelligente Integration von bekannten Retrievalverfahren, wie Passage Retrieval, würde die

Leistungsfähigkeit von Gnowsis unter Berücksichtigung gleichbleibender Performance steigern. Sie steigern zwar die Komplexität der Architektur, können aber Unzulänglichkeiten des heutigen Informa-tion Retrievals beheben. Eine mögliche Integration des Passage Retrievals für die Ermittlung von Textbausteinen im Hinblick auf den Umgang mit Value propositions wäre ein Beispiel.

Der Einstieg der Semantik auf die Content-Ebene dürfte einen großen Schritt bedeuten und, wie in

den Kapitel beschrieben, die Grenzen zur Subsymbolik weiter verschieben. Ein inhaltliches Verstehen wird damit nicht mehr durch manuell vorgegebene Ontologien ermöglicht, sondern durch die automa-


n

Naturallanguage

processing


Eigen-/Fisherfac

esMethode

Back-propagation



Case-basedreasoning

Ontologymatching

Ontologymappings

Kontext-beobachtung


Bedeutungen und

Klassen

Expertensysteme




Vektor-modelle



Symbole


Methoden

nach Abstraktions-

ebene



n

Naturallanguage

processing


Eigen-/Fisherfac

esMethode

Back-propagation



Case-basedreasoning

Ontologymatching

Ontologymappings

Kontext-beobachtung


Bedeutungen und

Klassen

Expertensysteme




Vektor-modelle



Symbole


Methoden

nach Abstraktions-

ebene


Inte

nti

on

(Will

)

F o r m

R e c o n c i l e rA d a p t a t i o n s a n d a n n o t a t i o n s

I n t e r p r e t a t o rS e m a n t i c s e a r c h r e f i n e m e n t

A n a l y s e rP r i o r i t i s a t i o n a n d c l a s s i f i c a t i o n

M e m o r y &R e p r e s e n t a t i o n

V e r i f y

D i v i d eQ u e s t i o n

Sele

ct+

Re

alize

Forg

et

Save

S o r t e d a n d a l i g n e d t e x t

I n f o ( t e x t ) i n t e m p l a t e

F i n a ld r a f t m g m t .

s u m m a r y

D o c . w i t h s i m i l a r k e y

w o r d s

D o c . w i t h s i m i l a r

m e a n i n g

D o c . i n t e m p l a t e s t r u c t u r e

P e r s p e c t i v e m a k i n g

P e r s p e c t i v e t a k i n g

P r o d u c e rF o r m a t t i n g

R e c e i v e rF u l l - t e x t S e a r c h r e s u l t s

Situ

atio

n

(Pro

cess)

Inte

nti

on

(Ro

le)

V e r i f i c a t o rP l a u s i b i l i t i e s a n d d e c i s i o n s

Folder

Dokumente


Begriffe und Daten

Gliederung

Wissens-

objekte

Prozessschritte

des KCF

Receiver Interpretator Analyzer Reconciler ....

Folder

Dokumente

Gliederung

Symbolisch

Sub-symbolisch

Symbolisch

Sub-symbolisch

Symbolisch

Sub-symbolisch

Inhalt/TextSymbolisch

Sub-symbolisch

Technologie-

Kombin

ationen

Gnowsis

Service-orientierteRetrieval-

architektur

Passage Retrieval

Agenten-architektur

Prozess-anwendungen(z.B. DropBox)

Wissensobjekte

Knowledge Creation Framework – Schritte -


tische, bottom-up-Entwicklung dieser auf der Abstraktionsebene von Texten und Aussagen statt auf Dokumenten und Themen.

Funktionen der Problemlösung lassen sich, wie in Kapitel 9.3.2 beschrieben, über CBR-Verfahren

einbringen, um Texte und Aussagen in halb-strukturierter Form zugänglich zu machen. Dafür könnte eine Visualisierung der Argumentationsstruktur (Storyboarding) hilfreich sein. CBR-Verfahren entwi-ckeln die hinterlegten Inhaltsstrukturen und Argumentationen über die Case Adaption weiter. Zu dis-kutieren wären dabei Auswirkungen eines PIMO im CBR. In dieser Kombination wäre es dann wohl schon ein Ansatz für multi-perspective reasoning und eine Abwägung und Gewichtung von Argumen-ten in Fällen (Storylines).

Im Projekt NEPOMUK (http://nepomuk.semanticdesktop.org/xwiki/) wird der Semantic Desktop

bereits auf Content-Ebene zu einem wiki-basierten Austausch von Gedanken durch strukturierte Ar-tikulation weiterentwickelt. Hierdurch ließen sich inhaltlich ähnliche Angebotsdokumente finden, die das gleiche Kundenproblem angehen oder eine ähnliche Storyline haben wie eine Preisargumentation gegenüber einer Qualitätsargumentation. Sie wirkt weniger auf den Dokumententyp als auf die Lösung und die inhaltliche Relevanz (content). Wesentlicher Erfolgsfaktor eines Angebots ist das richtige und gemeinsame Verständnis der Kundensituation. Daraus abgeleitet zeigt sich das Handlungsfeld und der Lösungshebel. In Abwägung mit der Vertriebsstrategie ergeben sich aus diesen drei Eckpunkten die Rahmenbedingungen für das Angebot. Die Anforderungen aus dem RFP (request for proposal) fließen in die Lösungsentwicklung ein. Diese Modellierung kann als Definition eines Falls im Sinne des case-based reasoning als Entscheidungsregeln verstanden werden, die im Reconciler angepasst und genutzt werden können.

Im heutigen Modell sind diese Informationen nur kondensiert über Folderstrukturen, Metadaten

oder Regeln repräsentiert. Emotionale und subsymbolische Aspekte könnten nach Dreyfus und Dreyfus (1986, S. 26f.) in Zukunft neue Möglichkeiten aufzeigen.

Bis zu einer Nutzung und Modellierung emotionaler und subsymbolischer Aspekte könnte eine bes-sere Nutzung der Meta-Daten und ihrer Bedeutungen eine Zwischenlösung darstellen. Sie wäre ein erster Schritt für die inhaltliche Zuordnung durch Zuordnung der Dokumentenarten mit Hilfe von Heuristiken zu einem Template für value propositions und Management Summaries im Sinne von Ankern. Tabelle 42 illustriert exemplarisch eine Zuordnung:

Tabelle 42. Mapping von Dokumententyp auf Storyline und Value proposition

Value proposition Document types Trends and issues Market research; internal sales document Business scenarios Internal sales document Compelling (customer) events (Account plan), customer situation Cost driver Project description; debriefing document Fields of action Method (Chestra), template SIS Benefits (solution) Portfolio description, fact sheets, ROI calculation Further benefits Reference sheets

Je nach inhaltlicher Perspektive lassen sich drei Mappings unterscheiden: 1) Kundensituationsbasiert

Höhere Priorisierung der Ähnlichkeit in der Kundensituation mit dem Ziel der individuellen Befriedigung der Bedürfnisse und Referenzverweis.

2) Lösungsbasiert Höhere Priorisierung der Ähnlichkeit in der Lösung mit dem Ziel der Wiederverwendbarkeit von Lösungen im Sinne eines Portfolio pushs.

3) Strategiebasiert Höhere Priorisierung der Ähnlichkeit in der Übereinstimmung mit der Vertriebsstrategie und Value proposition. Die Entwicklung einer Vertriebsstrategie wäre ein weiterer Anwendungs-fall. Hier soll eine Auswahl auf Basis der Value proposition und Vertriebsstrategie getroffen werden.


Erst aus der Überlagerung aller drei Perspektiven gelingt eine Aussage über den best-fit unter Be-

rücksichtigung und Explizierung der Differenzen. Differenzen sind in weiteren Sub-Prozessen zu lö-sen und zu bewerten. Die jeweils passenden Bausteine sind zu extrahieren und zu kombinieren. Der Lösungsfit kann manchmal nur für das Kapitel Solutions im Template genutzt werden, während der Fit der Kundensituation für deren Beschreibung genutzt werden kann.

Mit Hilfe der Nutzerbeobachtung kann die Lernfähigkeit des Semantic Desktop gesteigert werden.

Sie wirkt innerhalb eines Funktionsbereichs qualitätssteigernd, da sie die Treiber der Ergebnisqualität beeinflusst. Mit der Beobachtung des Nutzers bei seiner Arbeit und seinen Suchen anstelle des PIMOs und seiner vordefinierten Rolle lässt sich auch auf seine Rolle und sein Erfahrungslevel zurück-schließen. Auf dieser Basis können ihm weitere Kontextinformationen bereitgestellt werden und auf bestimmte Domänen geschlossen werden. Unter Zuhilfenahme passender Thesauri können Begriffs-konflikte aktiv gelöst werden und Fehlermeldungen oder schlechte Ergebnisqualität vermieden wer-den.

In Abhängigkeit der beobachteten Rolle und Aktivitäten kann eine bestimmte Zielsetzung aus dem Prozess geschlossen werden. Sie kann durch Nutzerinteraktion bestätigt und verfeinert werden. Ent-sprechende Workflow-Aktivitäten können eingesteuert und bereitgestellt werden.

Die Nutzerbeobachtung und deren abhängige Schlüsse sind noch am Anfang der Entwicklung. Sie

stehen vor großen Herausforderungen, wie Sicherheit und privacy oder diskontinuierliche Arbeit. Sie verändert die Intention zwischen zwei Aktionen. Ein anderer Weg, die Grenzen der Technologie und Automatisierung zu verschieben, ist MyMory (http://www.dfki.uni-kl.de/mymory/). Ein Forschungs-projekt des DFKI mit dem Fokus auf Nutzerbeobachtung. Ziel ist eine aufmerksamkeitsgestützte Be-deutungszuschreibung sowie Kontextmodelle zur situationsspezifischen Identifikation von Arbeitspro-zessen.

Die gleichen Funktionalitäten und Fähigkeiten des Semantic Desktop können in anderem Anwen-

dungskontext auf eine im Hintergrund aktive Zuordnung von eingehenden Dokumenten übertra-gen werden. Anstelle der Suche mit einem Schlagwort könnte die Drop-Box auch ein Dokument oder knowledge object verarbeiten. Sie würde, basierend auf dem PIMO, einen Vorschlag zur Ablage oder Einsortierung des Objektes machen und unterstützt den Nutzer durch Vorschläge proaktiv bei der Ablage und Verschlagwortung von Dokumenten. Auch sie folgt den Schritten des KCF, nur mit einem anderen Auslöser und einer Kategorie statt einem Dokument als Ergebnis.

13.3.2 Ergänzung und Weiterentwicklung neuer Funktionen zu einer agenten-basierten Architektur

Multi-Agentensysteme erscheinen geeignet, katalytisch auf induktive Wissensentwicklung zu wirken, da sie sich flexibel an unterschiedliche Informationsqualitäten anpassen können.

Nach Wagner et al. (2003) eignen sich Agentensysteme für dezentrale, verteilte Systeme wie den P2P-basierten Semantic Desktop, wenn sie abgrenzbare Teile (Agenten) haben. Sie sind strukturell veränderbare Systeme, weil ihre Teile variabel (kommunikativ) miteinander verbunden werden. Sie sind kooperativ, weil sie unter bestimmten Regeln zusammenarbeiten, und komplexe Systeme, bei de-nen das Systemverhalten nicht determinierbar ist.

Ein Multiagentensystem (MAS) könnte als lose gekoppelte Entitäten verstanden werden. Sie arbei-

ten zusammen, um ein Problem zu lösen, das sie alleine über ein externes, starres und euklidisches Design nicht lösen können (Alber 2000). Ein Multiagentensystem besteht also aus mehreren Agenten. Dabei hat das System die Eigenschaft, dass es keine globale Kontrollinstanz gibt. Die Daten sind de-zentralisiert, und die Berechnungen laufen asynchron. Der aus der gemeinsamen Arbeit der Agenten entstehende Prozess und die Lösung kann als Emergenz verstanden werden. Mit Hilfe eines Agent-Creators lassen sich Lernprozesse in Agenten-Mutationen in Form von Agelets wandeln (Merk 2001 und Alber 2000).

Auch wenn Agenten ein vielversprechender und flexibler Rahmen sind, stehen sie vor einigen Her-ausforderungen: fehlende Verzeichnisdienste, um passende Informationen zu finden; Kommunikati-


onsproblem aufgrund fehlender gemeinsamer Sprache und Ontologien; fehlende Hilfsmittel, um bestehende (Legacy-) Systeme einzubinden und technologischen Probleme, die Schließen, Planen und Constraints-Erfüllung beherrschen.

Gerade Letzteren lässt sich mit offenen Architekturen, wie dem Semantic Desktop, begegnen. Ihre

Einbindung in betriebliche Systemlandschaften wie das Siemens Employee Portal würden weitere In-formationsquellen und Kontext erschließen, ohne viele Rahmenbedingungen a priori zu modellieren.

Die Fähigkeit zu planen ist ein wesentlicher Teil einer solchen Architektur. Planung bedeutet für

die Wissensentwicklung die Auswahl des richtigen Abstraktionsmaßes, um eine Verständigung zwi-schen den Konzepten zu ermöglichen. Ein Constraint Manager würde als conceptual layer in einem Multi-Agentensystem in Abhängigkeit von Kompetenzlevel die richtige Abstraktionsebene wählen.

Die Architekturplattform InterRAP versucht eine Balance zwischen hoher Entscheidungsqualität

deliberativer Systeme und geringer Verarbeitungskosten reaktiver Systeme zu finden (Müller 1996, Jung und Fischer 1998). Jung (1998) spricht in diesem Zusammenhang von „bounded rationally“.

Die InterRAP-Architektur besteht aus drei Ebenen: Social und Local Planning sowie behaviour-based layer. Während der behaviour-based layer direktes Feedback an die Umgebung gibt, denkt der local planning layer über die Zustände des Ersteren statt über externe Zustände nach. Dies entkoppelt die Denkfunktion vom Wahrnehmungs-Aktionskreislauf und ermöglicht ein abstrakteres Denken. Die social-planning-Ebene ergänzt eine weitere Abstraktionsstufe, indem sie über den local planning layer räsoniert.

Die Anwendung dieser Architekturform auf BDI (Believe-Desire-Intention) Agentenarchitekturen ergibt folgendes Handlungsprinzip (Debenham 2000): Ermittle auf der Basis bestehender beliefs die möglichen Handlungsoptionen – selektiere auf der Basis dieser und bestehender commitments die ak-tuellen Ziele – wähle für jedes neu gewählte Ziel einen Plan und ermittle die sinnvollen nächsten Schritte und Aktivitäten (Intentionen)!

In einer Kombination von vertiefter Abstraktionsebene (vertikal) und erweitereter Funktion (hori-

zontal) könnte ein künstliches neuronales Netz ein Agent sein. Sein Design und Einsatz lässt sich über den conceptual layer des MAS steuern und beeinflussen. Der Agent wird zu einem Constraint-Manager (Eraßme 2002). In Ergänzung zur Definition des Abstraktionsmaßes als Gleichgewichtszu-stände wirkt er aktiv auf die Marktbildung und Definition verschiedener Bezeichungsformen (Vulkan und Jennings 2000, Smith 1980). Bei der Marktbildung werden Optimierungsfragen an die Beteiligten versandt, was zwar die Kommunikationskosten erhöht, aber die Lösungsfindung dezentralisiert. Emp-fehlungen und Koalitionsbildung spielen unter Agenten eine wichtige Rolle.

Ein paar Architekturbeispiele aus Elst et al. (2004) illustrieren Ansätze für diesen constraint Ma-

nager als Integrationsbasis mit shared concepts: Agentenplattform KRAFT (Preece 2000). Sie nutzt constraints als gemeinsames Kommunikations-

format in FIPA (Foundation of intelligent physical agents) in Form einer gemeinsamen RDF-Ontologie (shared concept).

EULE und das agentenbasierte FRODO sind Systeme, die den Geschäftsprozess als Kontext (ggfs.

als weak workflow) nutzen (Reimer et al. 2001, Abecker et al. 2003, van Elst et al. 2003). FRODO ba-siert auf einem vierschichtigen Modell: Applikations-, Informationsquell-, Ontologie- und Wissenszu-gangebene. In diesen Ebenen finden sich workflow-related agents für Prozesskontrolle, Personal user agents für die Schnittstelle zum Nutzer, Info Agents für Suche, Wrapper Agents für den Dokumenten-zugang und Domain Ontology Agents für Kommunikatoren zwischen den Ontologien. FRODO nutzt die FIPA-kompatible Agentenplattform JADE und wird mit Erfahrungen aus dem peer-2-peer-Ansatz (social structures) des Edamok Projekts auf der Kex-Platform ergänzt (Bonifacio 2002). Beide fließen in das CoMMA Projekt der EU (Corporate Memory Management through Agents) ein (Bergenti et al. 2000). Dabei werden auch Agentengemeinschaften (User Agents für die Nutzerschnittstelle, Resource Agents für die Informationsquellen, Mediator Agents für die Koordination) genutzt, um Annotationen zu vergeben, zu speichern, Schnittstellen und Verzeichnisse zu managen.


Darin wird die Zergliederung der Architekturen in ähnliche Schritte wie im KCF deutlich. Als Schritte finden sich die Trennung von Wahrnehmung und Handlung oder die Planung als wichtiges Element in Abhängigkeit von beliefs (Rolle). Eine Vernetzung beider Modelle könnte das technologi-sche Potenzial der Architekturen für die Wissensentwicklung heben. Dabei wären nur noch die geeig-neten Agenten-Strategien vorzugeben (Cherkaoui et al. 2003): constraint-driven (Bewertung ver-schiedener Aspekte gleichzeitig im Hinblick auf eine Restriktion), model-driven (sequentielle Bewertung verschiedener Bedingungen und Restriktionen auf einen Aspekt hin), territory-based (im-manente und abgegrenzte Restriktionen) oder system based (offen, auf mehrere Restriktionen bezo-gen). Model-driven-Strategien werden bevorzugt am Anfang in der Modulentwicklung angewendet. Constraint-driven-Strategien werden in einem fortgeschrittenem Stadium angewandt, um den globalen Fit zu testen.

Die beschriebenen Optionen ähneln sehr stark aktuellen Beschreibungen und Entwicklungen im

Rahmen service-orientierter Architekturen, wie man sie im Web bei www.informationweek.de, www.webservices.com oder www.itwissen.info findet, um nur ein paar zu nennen. Auch die Literatur beschreibt diese Architekturform, unter anderem praxisnah bei Starke und Tilkov (2007), prozessnah bei Josuttis (2008) oder technologienah bei Melzer (2007).

Allen und vielen weiteren ist das Verständnis einer service-orientierten Architektur als lose Koppe-lung von Software-Bausteinen – Services − gemein. Im Gegensatz zu klassischen Agentenarchitektu-ren basieren sie auf offenen Schnittstellen und einen erweiterbaren Kommunikationsschema, wie Webservices. Dadurch sollen sich Applikationen schneller an geänderte Anforderungen aus den Ge-schäftsprozessen anpassen lassen.

Der Semantic Desktop ließe sich sehr gut mit seiner offenen, herstellerunabhängigen Architektur in

dieses Leitbild einfügen, auch wenn viele der großen Hersteller eigene Architekturmodelle und Platt-formen entwickeln, wie SAP Netweaver (http://www.sap.com/germany/plattform/netweaver/) oder Oracle Fusion Middlerware (http://www.oracle.com/lang/de/products/middleware/).

13.4 Auswirkungen auf das Semantic Web

Der W3C_Definition (http://www.w3.org/2001/sw/) nach stellt das Semantic Web ein Framework zur Verfügung, das es unterscheidlichen Applikationen erlaubt, Daten auf der Basis von RDF auszu-tauschen.

In den Erfahrungen und Erkenntnissen für die Entwicklungen des Semantic Web und Web 2.0 im

Allgemeinen sticht der Beitrag der Forschung für die Arbeit mit Communities hervor. Die Tests ha-ben die unterschiedlichen Auswirkungen von Rollen in homogenen und heterogenen Gruppen gezeigt und den Einfluss von P2P-Umgebungen verdeutlicht.

Web 2.0 unterscheidet sich von den untersuchten Szenarien in organisationalem Umfeld durch eine

schwache Ausprägung von Rollen und standardisierten Prozessen. Das Web lebt gerade von die-sem offenen Rahmen. Es konzentriert sich stärker auf den Nutzer mit seinem Profil als auf seine Rolle. Dies macht es derzeit noch schwierig, die Handlungsintentionen der Nutzer zu differenzieren.

Im Gegensatz dazu konzentriert sich das Web 2.0 stärker auf den Content als auf Dokumente.

Mit RSS (http://www.rss-verzeichnis.de/einfuehrung.php) und getaggten Inhalten bestehen hier pro-fessionelle Formen, mit Aussage- und Textbausteinen umzugehen.

In ihren Kombinationen könnte die Semantik von den Erfahrungen des Web 2.0 im Umgang mit In-

halten profitieren und im Gegenzug das Web von den Erfahrungen im Community Support. Folgt man den Gedanken von Decker und Frank (2004) zu einem Networked Semantic Desktop, entsteht daraus ein Semantic P2P und damit ein ontologiegetriebenes Social Networking. Die Verbindung zwischen beiden wären Ontologien und shared concepts.


Die Erstellung dieser Konzepte erfolgt derzeit über verteilte Arbeit und die Nutzung dezentraler Ressourcen, wie P2P, Social Tagging oder Crowdsourcing (www.crowdsourcing.de; http://crowdsourcing.typepad.com./). Die Zeit vom 06.02.2007 gibt einen aktuellen Überblick über Social Bookmarking Dienste: http://www.zeit.de/online/2007/06/social-bookmarking.

Im Gesamtbild wäre das Web 2.0 und Semantic Web ein riesiges Multi-Agent-System und könnte

die Rolle des Constraint-Managers übernehmen. Über die offene Architektur ließen sich, wie wir es derzeit schon bei offenen Communities wie Facebook (www.facebook.com) sehen, neue Services be-reitstellen.

Inhaltlich bringt dies sicher neue Standards und eine breite Nutzerbasis hervor. Betriebswirtschaft-

lich gesehen ist jedoch fraglich, wie lange Nutzer bereit sind, ohne Vergütung und Kompensation für die Allgemeinheit zu arbeiten. Zu klären wäre, wie sich diese Kosten internalisieren lassen. Spätes-tens dann werden auch Lösungen interessant, die den Redaktionsaufwand senken. Das Experiment läuft im Web, ob sich Unternehmen schnell darauf einlassen, ist fraglich.

Das US Patentamt hat mit dem Peer-2-Patent-Programm (http://www.peertopatent.org/) einen Ver-

such gestartet, sich für organisationelle Aufgaben der Ressourcen der Webcommunity zu bedienen. In-teressant wäre eine weiterführende Diskussion, inwieweit sich Gnowsis als Open-Source-Plattform hier als hilfreiches Hilfsmittel verlinken und etablieren ließe.

Das Semantic Web (2.0) nutzt wieder die Community, um Redaktionsaufwand zu dezentralisieren

und modelliert damit Bereiche, die derzeit noch nicht systematisch beschrieben sind, wie Problemlö-sungen.

Abb. 49. Beitrag des Semantic Desktop zur Produktivitätssteigerung des Wissensarbeiters

Abbildung 48 fasst die Entwicklungen der Integration und Unterstützung semantischer Technolo-gien und die Weiterentwicklung des Semantic Desktop zusammen. Sie stärken die Technologiebasis für eine weitere Produktivitätssteigerung von Wissensarbeitern.

Technologie

CommunityExperte

Aufwands-

verteilung

Semantisches

InformationRetrieval

KlassischesInformation

Retrieval

Produktivitäts-

kurven

- schematische Darstellung -

Wissens-

management

SemanticDesktop

Weiter-entwicklung

SemanticDesktop

SemanticWeb (2.0)

Steigerung der Produktivität von Wissensarbeitern


(A-7.7) Die Grenzen dieser Entwicklung liegen im Rechtemanagement von geschützten Inhalten und der datenschutzbedingten Einschränkung in der Verwendung von Nutzerprofilen und Rollen.

Neben den technologischen Herausforderungen dürfen die prozessualen und sozialen Aspekte im

betrieblichen Umfeld für eine Erfolgswahrscheinlichkeit von Systemveränderungen nicht außer Acht gelassen werden. Viele Informationen wären vielleicht technologisch verarbeitbar. Sie sind aber aus datenschutzrechtlichen, persönlichen oder innerbetrieblichen Gründen nicht zugänglich. Hierfür wären aktive Kommunikationsprozesse zwischen Communities und Bereichen vielleicht hilfreicher als eine technologische Lösung.

Technologische Hürden lassen sich in der Regel mit work-arounds oder händisch erstellten

Schnittstellen umgehen und sind eher eine Frage der Kosten. Tiefgreifender sind gesetzliche Ein-schränkungen, die die Idee eines freien Datenaustausches zum Schutz von Persönlichkeitsrechten, wie Vertriebsleistung, verbieten oder aufwendige Zugriffsregelungen vorschreiben. Die Umsetzung dieser erfordert entsprechende organisatorische und kulturelle Voraussetzungen, die sich nicht schnell durch die Einführung neuer Technologien verändern lassen.

Wie die letzten Jahre jedoch gezeigt haben, unterliegen auch diese einer kontinuierlichen Verände-

rung in Abhängigkeit der technologischen Möglichkeiten und der Verbreitung von gemeinsamen Standards in Programmiersprachen. Sie leisten eine wichtige Rolle, um die Verständigung der Platt-formen und Communities zu gewährleisten. Wie im Technologiekapitel beschrieben, dienen die Spra-chen hier dazu, weitere Komplexitäten zu repräsentieren und diese zu internalisieren, so dass sich nut-zerspezifische Arbeit auf höherwertige Aufgaben konzentrieren kann, wie Architekturdesign für Web Services.

Für den Umgang mit gesetzlichen und organisatorischen Herausforderungen ist ein ausreichendes Veränderungsmanagement notwendig. Es sollte im Vorfeld mögliche Konflikte zwischen Informati-onstransparenz und Compliance-Regelungen aufzeigen und Lösungsansätze mit dem Management su-chen. Die Frage der Kommunikation und des Wissensaustauschs sind wesentliche Bausteine einer Un-ternehmenskultur und damit Frage des Top-Managements.


14 Zusammenfassung und Fazit

Am Beispiel der Angebotsentwicklung bei SIS wurde mit Hilfe der Grounded Theory die Bedeu-tung des Semantic Desktops für die Wissensentwicklung erforscht. Dabei wurden zu den einleitenden Forschungsfragen (F-1.1 – F-1.3) folgende Antworten gefunden:

(A-1.1) Die semantische Suche trägt zu einer aktiven Prozessunterstützung in Teilpro-zessen der Wissensentwicklung bei, kann diese jedoch erst im Rahmen einer Gesamtarchitektur leisten.

In Summe ist die Wissensentwicklung per se im Vergleich zur Wissensverteilung noch kein Garant für eine aktive Prozessunterstützung. Sie macht mit der Berücksichtigung der Rolle und Intention wesentliche Kontextelemente im Prozess verfügbar. Und sie legt mit dem Knowledge Creation Fra-mework methodische Grundlagen, die Wissensentwicklung durch Multi-Agentensysteme, weiter zu automatisieren. Damit begegnet der Ansatz eines fehlenden Prozesses der Wissensentwicklung und bietet mit einem P2P-basierten System ein Beispiel für die Flexibilisierung von Systemen, weg von monolithischen, zentralen Systemen. Damit passen sich die Systeme langsam an die Bedürfnisse der Menschen an und nicht umgekehrt. Die relevanten, nicht automatisierbaren menschlichen Fähigkeiten können besser eingesetzt werden. Die Technologie kann einen Dialog zwischen Rollen initiieren, in dem verborgene Gemeinsamkeiten expliziert und herausgearbeitet werden. Die besondere Bedeutung der Rolle für die Wahl des richtigen Abstraktionsmaßes könnte verkürzt durch eine Funktion be-schrieben werden: f (Abstraktionslevel, Ergebnisdetaillevel, Dokumentenarten). Damit erscheinen dem Nutzer die gefundenen Informationen vertrauter.

Das Gedächtnis und damit die Informationsspeicherung spielen im KCF eine bedeutende Rolle. Sie

leiteen parallele Prozesse in sequentielle über. Vor diesem Hintergrund wäre für die zukünftige For-schung zu überlegen, ob nicht aus der Menge der technologischen Forschungsrichtungen die Holo-graphie und die eingefalteten Informationen ein Potenzial zu weiteren Annäherung an die Subsymbo-lik darstellen könnten. In jeden Fall lässt sich der Grundgedanke der Holographie, mehr Informationen in einem Baustein zu speichern, als von außen wahrzunehmen sind, sehr gut mit dem KCF und den Charakteristika der aufgezeigten Wissensentwicklung vereinbaren.

Zusammenfassend leistet die Technologie einen Beitrag, dem subjektiven Charakter von Wissen ge-

recht zu werden und die Informationsqualität zu steigern. Sie bedient sich hierzu Gedanken aus unter-schiedlichen Disziplinen. Sie wurden durch einen iterativen Dialog, immer in Verbindung mit dem zu testenden Anwendungsfall, herausgearbeitet. Aus der Wissenschaftstheorie leistet die Unterschei-dung in induktive und deduktive Ansätze Hilfestellung, die Grenze zwischen dem technologisch Abbildbaren und der Weiterentwicklung aufzuzeigen. Die Philosophie legt mit dem Konstruktivis-mus die Grundlagen für die Unterstützung einer induktive Wissensentwicklung und war hilfreich für die Herausforderung des Ansatzes der Wissensverteilung und Ableitung des Modells der Wissensent-wicklung. Auch die Biologie und Medizin stützten die These eines konstruktivistischen Wissens- und Systemverständnisses, so dass dieser Ansatz als Kontrainduktion in der Grounded Theory ver-folgt wurde. Nicht zuletzt leisteten sie wertvolle Abgrenzungsarbeit in der Definitorik im Bereich der verhaltensbasierten Lerntheorie. Die Psychologie hat mit ihrem Fokus aus systemimmanente Vor-gänge einen wesentlichen Anteil am Prozess der Wissensentwicklung und der Abgrenzung von be-wussten und unbewussten Prozessen. Prozesswissen wurde nicht zuletzt aus dem betriebswirtschaft-lichen und betrieblichen Umfeld zu Hilfe genommen. Es ist anerkennt, dass nicht nur die Faktoren oder das Ergebnis, sondern gerade der Weg für die Ergebnisqualität relevant sind. Die Künstliche In-telligenz hat nicht nur einige Erfahrung mit der Umsetzung von psychologischen Erkenntnissen in technologische Zusammenhänge eingebracht, sondern auch einen Diskussionsrahmen geschaffen, der eine Einordnung und damit Standortbestimmung semantischer Technologien erlaubte. Dabei ist deutlich geworden, dass natürlich Technologie und Architekturen nicht alle Probleme lösen können, sondern seitens des Managements addressiert werden müssen. Es müssten Fragen des Informationszu-gangs gelöst und unterstützt werden. Die semantische Technologie weist letztendlich den Einfluss der Rolle nach und unterstreicht die Bedeutung eines constraint-Managers in zukünftigen Agentenarchi-tekturen.


Die meisten Disziplinen leisteten wichtige Argumentationshilfe. Die Arbeit erhebt dennoch keinen

Anspruch, wissenschaftliche Erkenntnisse der jeweils anderen Disziplin zu proklamieren. Nichtsdesto-trotz zeigte der Dialog, dass die hier gewonnenen Erkenntnisse Ansporn und Anregung zur weiteren Vertiefung und Vernetzung der Erkenntnisgebiete sein können.

(A-1.2) Semantische Suchen sind Katalysator für die technologische Erschließung wis-sensintensiver Prozesse.

Ihr Einsatz im betrieblichen Umfeld ist in Einzelfällen absehbar. Es steht zu vermuten, dass sie eher als Bausteine in Standardsoftware oder zielorientierten Workflow-Systemen, wie FRODO, Ein-gang finden. Ihre Wirkung werden sie, wie in dieser Arbeit beschrieben, erst entfalten können, wenn aus Prozessmanagement-Sicht die Erkenntnis einer informationstechnischen Modellierung von Rollen erkannt wird. Nachdem derzeit noch die Modellierung und Berücksichtigung von aktivitätsorientierten Rollen in Arbeit sind, ist hier mit keiner schnellen, aber dafür mit einer fundamentalen Entwicklung zu rechnen, wie in Service-orientierten Architekturen. Sie werden Prozesse aus Informationssicht appli-kationsübergreifend verknüpfen und verändern. Sie eignen sich, wie im Vergleich zwischen Sales und Proposal Manager deutlich wurde, für schlecht vordefinierbare Prozesse, während bekannte zentra-listische Systeme nach wie vor Bedeutung für strukturierte Informationen in schwach dynamischen bis statischen Umgebungen haben.

Zusammenfassend gesagt, verschieben semantische Technologien die Grenze zwischen konstrukti-

vistisch, bottom-up basierten Elementen und fixen, vorgegebenen Elementen zugunsten der konstruk-tivistischen. Sie ermöglichen durch die Berücksichtigung einer Perspektive die Bewertung bottom-up generierter Inhalte und internalisieren damit Aspekte, die bisher manuell in Strukturen repräsen-tiert werden mussten.

Im Ausblick auf die weitere Entwicklung des Forschungsgebietes dürften zwei Entwicklungen von

Bedeutung sein: zum einen die Erfahrungen der Gesellschaft mit dem Semantic Web und Web 2.0 und damit die Bereitschaft, Informationen zu teilen und zur Verfügung zu stellen, zum anderen die Of-fenheit und Fähigkeit des Wissenschaftsbetriebs, Unterstützung der eigenen Forschungsaktivitäten zuzulassen. Erste Schritte sind hierzu im Bereich der Biotechnologie zu beobachten, wo Google hilft, riesige Datenmengen zu verarbeiten. Natürlich wird die Wissenschaft auf Spezialentwicklungen zu-rückgreifen, um leading-edge-Ergebnisse zu produzieren. Dennoch sollte eine Standardisierung des Forschungsprozesses in den Basisarbeiten, wie Literaturrecherche, Veröffentlichungen, Diskussionen nicht außer Acht gelassen werden. Schon heute fordert die Veröffentlichungsgeschwindigkeit das Pa-ketieren von immer kleineren Erkenntnis- und Wissensbausteinen (Chunks). Diese als Beitrag in die gemeinsame Diskussion einzubringen, wäre eine Hilfe für die in verteilten Netzwerken arbeitende Wissenschaftscommunity. Im Zusammenspiel mit den Web 2.0-Entwicklungen könnte sie von den Bewertungsverfahren der Community profitieren, um neue Anerkennungswege zu finden. Der Fokus liegt damit stärker auf der Weiterentwicklung, also dem Kernprozess der Forschung als in der Aufbe-reitung und Strukturierung der Erkenntnislandschaft. Mit Hilfe von Suchmaschinen und visuellen Dar-stellungsmöglichkeiten lassen sich auch unstrukturierte Zusammenhänge in ihren Aussagen und Be-deutungen abbilden. Zu untersuchen wäre, inwieweit diese Forschungsarbeit an Tiefe verliert, weil weniger Zeit mit der Einordnung und Strukturierung verbracht wird.

(A-1.3)

Mit Hilfe des Knowledge Creation Frameworks werden die wesentlichen As-pekte der Diskussion um Besonderheiten von Wissen und der Wissensentwick-lung kombiniert und für einen Paradigmenwechsel zu einem prozessualen Wis-sensverständnis zur Verfügung gestellt.

Neben den Erkenntnissen über eine bessere Unterstützung wissensintensiver Prozesse, ergeben sich mit dem KCF aus der Diskussion Schlussfolgerungen für eine Weiterentwicklung von Modellen der Wissensentwicklung und Antworten auf die Gedanken zum Verständnis von Wissen.

Das KCF erweitert bestehende organisatorische Modelle um eine individuelle Perspektive und be-

reichtert damit das Verständnis um den Dialog zwischen Individuum und Organisation. Es be-rücksichtigt den subjektiven Charakter in Form der Intention als Kontextelement.


Das Modell unterstützt und beschreibt die Möglichkeit, Wissen als einen konstruktiven Prozess zur

Erstellung eines situationsspezifischen Zustands zu verstehen. Es macht die Möglichkeiten deutlicher, wissensintensiven Prozessen ein anderes Paradigma von Wissen zugrunde zu legen und Wissen selbst als selbstähnlichen wissensintensiven Prozess auf verschiedenen Abstraktionsebenen zu be-trachten.

Wissen ist zwar weiterhin eine wichtige und strategische Resource im Unternehmen. Die vorgestell-

ten Ansätze ergänzen bestehende Umsetzungshebel für Wissensstrategien, wie von Al-Laham (2003, 380 ff.) beschrieben. Sie machen den strategischen Hebel des Wissensmanagements operatio-nalisierbar und weisen Wege zum Umgang mit wissensintensiven Prozessen.

In Bezug auf die Siemens AG und das in Kapitel 8.1.4 vorgestellte Modell aus Diffusion, Profi-

ciency und Codification bedeutet dies ein detaillierteres Verständnis des Kodifizierungsprozesses und eine Verbesserung der technologischen Unterstützung von Diffusionsprozessen. Neben der technolo-gischen Optimierung lassen sich mit Hilfe des KCF auch personen-bezogene Maßnahmen auf orga-nisatorischer Ebene einordnen und systematisch anwenden.

Die informationsorientierte Eweiterung von Rollenbeschreibungen erschließt die Potentiale der

Technologie für strategische Geschäftsprozesse. Eine wissensbasierte Unternehmensstrategie findet darin Umsetzungsmöglichkeiten ihrer Maßnahmen zu Flexibilisierung und Effizienzsteigerung in personalintensiven Geschäften.

(A-1.4) Die Grounded Theory ermöglichte einen systematischen, iterativen Dialog zwi-schen wirtschaftswissenschaftlichen Aspekten und Erkenntnissen der Informa-tik. Als wissensintensiver Prozess war sie selbst Forschungsobjekt.

Mit der Grounded Theory wurde ein im technologischen Umfeld wenig bekannter und genutzter Ansatz gewählt, um diese verschiedenen Aspekte iterativ in die Diskussion einzubringen, ohne einen konkreten Nachweis und Test aus den Augen zu verlieren. Im Sinne der Disziplinschnittstelle der Wirtschaftsinformatik ist dies aber vielleicht ein multiplizierbarer und ausbaubarer Weg, die Erkennt-niskräfte beider Disziplinen zu verknüpfen. Vielleicht ergibt sich hierdurch ein besserer und schnelle-rer Übertrag technologischer Leistungen in den betrieblichen Alltag.

Aus dieser Sicht sind die im Kapitel 3 als Qualitätsanspruch gestellten Erwartungen erfüllt: • Vollständig expliziert: Unter Nennung der angewandten Forschungsmethode, mit bekanntem

Forschungsziel und durch Forschungsfragen geleitet • Dokumentiert: In verständlicher Struktur dargelegt und geeignet durch Visualisierungen zu-

gänglich gemacht. • Methodisch: Es wurde nach der gewählten Methode gearbeitet und die Methode hat die Erzie-

lung der Ergebnisse unterstützt und sich als geeignet erwiesen • Zielsetzung erreicht: Die Ergebnisse beantworten die gestellten Forschungsfragen und tragen

einen Erkenntnisgewinn zum Forschungsziel bei. • Konsistent: Die Forschungsmethode, -zielsetzung und -ergebnisse wurden auch im interperso-

nellen Rahmen diskutiert und passen zueinander. Die Grounded Theory bringt es im Gegensatz zu rein empirischen Methoden mit sich, dass die Er-

gebnisse im Diskurs zur Theorie in Beziehung gebracht werden und nicht nur eine Hypothese bestäti-gen oder widerlegen. Einen ergänzenden Beitrag zum Diskurs bot die Einbettung in Forschungspro-jekte wie EPOS und -teams sowie der Dialog in der Forschungscommunity durch (internationale) Veröffentlichungen.

Mit Hilfe das Knowledge Creation Frameworks ist ein Beitrag zur Diskussion der Design Scien-

ces aus Kapitel 3.5.2 an der Schnittstelle zwischen Management, Organisations und Informationstheo-rien entstanden. Er beschreibt aus Sicht der Wissenstheorie einen Designprozess mit dem Ergebnis ei-nes Artefakts (knowledge product oder asset).

Versteht man den Designprozess als Problemlösungsprozess, so ist gerade die Optimierung von

Suchverfahren ein wesentlicher Schritt hierzu. Das KCF zeigt eben diesen als Vorstufe des Recon-


cilers. Mit Hilfe der Grounded Theory ist es gelungen, die Nützlichkeit des Semantic Desktop im be-trieblichen Umfeld zu erhärten und seinen Einsatz im Rahmen eines größeren Modells zu erklären. Ein Feldtest in anderen betrieblichen Prozessen zum Nachweis der Gültigkeit könnte aus verhaltensbasier-ter Sicht in weiterer Forschung erfolgen. Ebenso sollte ein Leistungstest der Technologie mit großen Datenmenegen erfolgen, um die notwendige statistische Power für die Signifikanztest zu erhalten.

Als Fazit der Forschung zeigt sich, dass die konstruktivistische und interdisziplinäre Betrachtung

von Wissen als Prozess im Sinne einer ständigen Wissensentwicklung hilfreich ist, das objektorien-tierte Paradigma der reinen Wissensverteilung aufzubrechen.

Sie ermöglicht es, sich mit neuen, offenen Ansätzen komplexen Infromationsbedarfen zu nähern,

und verspricht im Rahmen von Systemarchitekturen einen signifikanten Beitrag zur Produktivitäts-steigerung von Wissensarbeitern:

Forschungsfrage Diskussion Wie kann die semantische Suche die Produk-tivität in der Wissensentwicklung von wis-sensintensiven Prozessen steigern ? (F-1)

• Besonderheiten wissensintensive Prozesse, Wissensentwicklung und Wissen

• Test der semantischen Suche in Praxisszenarien Ergebnis

Die semantische Suche trägt zu einer aktiven Prozessunterstützung in Teilprozessen der Wissens-entwicklung bei, kann diese jedoch erst im Rahmen einer Gesamtarchitektur leisten. Semantische Su-chen sind Katalysator für die technologische Erschließung wissensintensiver Prozesse. Forschungsfrage Diskussion Was sind wissensintensive Prozesse und ihre Besonderheiten ? (F-2)

• Workflows • Prozessarten

Ergebnis Wissensintensive Prozesse sind explorativ, nicht im Detail wiederholbar und zuvor unbekannt. Sie können aktivitäts-, ziel- oder wissensorientiert sein. Im Unterschied zu bestehenden Prozessen diffe-renzieren sie sich durch einen konstruktiven Fokus im Individuellen und einen verbreitenden, kom-munikativen Fokus im Organisationellen. Wissen entsteht nicht in der Übertragung, sondern im Indi-viduum bei der Explikation oder Internalisierung. Forschungsfrage Diskussion Was sind die Charakteristika von Wissen ? (F-3)

Wissensverständnis in verschiedenen Disziplinen

Ergebnis Wissen ist ein Zustand subjektiver Wirklichkeit. Die Eigenschaften von Wissen sind Viabilität, Sub-jektivität, Vergänglichkeit und rekursive Konstruktion. Forschungsfrage Diskussion Was ist Wissensentwicklung ? (F-4) Organisatorische und indivdiuelle Wissensentwick-

lung in verschiedenen Modellen und Theorien Ergebnis

Wissensentwicklung ist ein Prozess des perspective takings und makings zur Erzielung eines Zu-standes der subjektiven Wirklichkeit. Es berücksichtigt den subjektiven Charakter von Wissen und in-tegriert Kontextaspekte als Intention in Form von Eigenschaften einer Rolle des Nutzers. Sie werden als Personal Information Model der Technologie in der deduktiven Wissensentwicklung zur Verfü-gung gestellt.


Forschungsfrage Diskussion Welche intelligenten Technologien können den Redaktionsaufwand reduzieren und mit welchen Herausforderungen ist dies verbun-den ? (F-5)

• Möglichkeiten der Künstlichen Intelligenz auf Signal, Bedeutungs- und Konzeptebene

• Bestehende Applikationen und Systeme • Infromation Retrieval Ansätze • Semantische Suchen

Ergebnis Intelligente Technologien ersetzen und unterstützen nicht nur wissensintensive Prozessschritte. Hier-für besitzen sie Problemlösungsfähigkeiten. Semantische Technologien erlauben noch keinen Zugang zu subsymbolischen Konzepten. Sie nutzen erfolgreich bestehende, symbolische Konzepte und verbessern die Leistungsfähigkeit von Suchen. Die gewonnen Erkenntnisse im Umgang mit Konzepten sind Grundlage für Nutzung nicht explizit formulierter Konzepte und verborgener Beziehungen. Sie unterstützen leichter induktive Ansätze der Wissensentwicklung, auch wenn mit dem P2P Ansatz eine Grundlage für deduktive Ansätze geschaffen scheint. Forschungsfrage Diskussion Ist die semantische Suche des Semantic Desk-tops leistungsfähiger und intelligenter als be-stehende Suchen im Spektrum des Informati-on Retrievals ? (F-6)

• Test von Gnowsis gegenüber Laborergebnissen • Test von Gnowsis gegenüber LiveLink • Test von Gnowsis mit unterschiedlcihen Szena-

rien auf Rollenbasis • Signifikanzuntersuchung der Testergebnisse

Ergebnis Gnowsis, die semantische Suche des Semantic Desktop, steigert die Ergebnisqualität von Suchanfra-gen einzelner Wissensarbeiter oder der in homogenen Gruppen. Der Einsatz von P2P-Netzwerken ermöglicht in heterogenen Gruppen Zugang zu weiteren relevanten Dokumenten. In seiner Weiterentwicklung können durch Nutzerbeobachtung automatische Suchen durchgeführt und die Ergebnisse aktiv und situationsspezifisch bereitgestellt werden. Forschungsfrage Diskussion Welchen Beitrag leistet die semantische Suche im Rahmen der Wissensentwicklung und wo liegen die Grenzen bzw. Entwicklungsmög-lichkeiten der Technologie ? (F-7)

• Knowledge Creation Framework • Auswirkungen auf die Diskussionsbereiche

(Wissen, Wissensentwicklung, wissensintensi-ve Prozesse und semantische Technologien)

Ergebnis Das Knowledge Creation Framework beschreibt die Erkenntnisse aus der Theorie und den technologi-schen Tests. Mit seiner Hilfe lassen sich die Erkenntnisse auf andere aktivitätsorientierte, wissensin-tensive Prozesse übertragen. Die semantische Suche unterstützt und ersetzt den Analyzer und Reconciler aus dem KCF. Der Semantic Desktop lässt sich in seinen Funktionalitäten und seiner Wirkungstiefe auf Content-Ebene zu einer service- oder agentenorientierten Architektur weiterentwickeln. Dabei wäre zu klären, welche Technologien sich für den Umgang mit mit vagen Objekten, wie Text, und vagen Kontexten, wie Storylines, eignen.


Literaturverzeichnis

Aamodt, A., Plaza, E. (1994) Case-Based Reasoning: Foundational Issues, Methodological Variations, and Sys-tem Approaches. In: AI Communications, Vol. 7 Nr. 1, March 1994, pp 39-59, http://www.idi.ntnu.no/emner/it3704/lectures/papers/Aamodt_1994_Case.pdf

Abdecker, A., Bernardi, A., Sintek, M. (2000) Proactive Knowledge delivery for enterprise Knowledge Man-agement (Deutsches Forschungszentrum für Künstliche Intelligenz), in: Ruhe, G., Bomarius F. (Hrsg.) Learning Software Organizations, Springer Verlag, 2000

Abecker, A. Bernardi, A., Sintek. M. (1999) Proactive knowledge delivery for enterprise knowledge manage-ment. In: SEKE-99. Proceedings of the 11th Conference on Software Engineering and Knowledge Engineer-ing. Kaiserslautern, Germany, June 17-19 1999, 1999, pp. 103-117, http://citeseer.ist.psu.edu/abecker99proactive.html

Abecker, A., Bernardi, A., Elst. L.v. (2003) Agent technology for distributed organisational memories. In: Pro-ceedings of the 5th International Conference On Enterprise Information Systems, Vol. 2, pp. 3–10, 2003. Zitiert in: Elst et al. (2004)

Adomavicius, G., Tuzhilin, A. (2005) Toward the next generation of recommendersystems: a survey of the state of the Art and possible extensions. In: IEEE Transactions on knowledge and data engineering, Vol 17, No. 6, June 2005

Aebli, H. (1981) Denken: das Ordnen des Tuns. Bd. 2: Denkprozesse, Stuttgart: Klett-Cotta, 1981 Ahmed, K. et al. (2001) Professional XML Meta Data. Wrox Press Ltd., Birmingham, 2001 Alber, K. (2000) Kognitive Verarbeitung von Dimensionsadjektiven - ein konstruktivistisch-konnektionistisches

Modell zur Produktion von Äußerungen mit dem Dimensionsadjektiv "groß". Diss., Universität Bielefeld, 2000

Al-Laham, A. (2003) Organisationales Wissensmanagement. Vahlen, 2003 Allweyer, T (1998) Modellbasiertes Wissensmanagement. In: IM Information Management & Consulting, Nr. 1,

1998, pp. 37-45. Althoff, K.-D., Weß, S. (1991) Case-Based Knowledge Acquisition, Learning and Problem Solving for Diagnos-

tic Real World Tasks. – Universität Kaiserslautern, 1991, http://citeseer.ist.psu.edu/203885.html Aken, J.E.v. (2004) Management Research based on the Paradigm of the Design Sciences: The Quest for Field-

Tested and Grounded Technological Rules. In: Journal of Management Studies, 41:2, March 2004, pp. 219 - 246

Aschoff, F.-R., Elst, L.v. (2001) Empirical Evaluations of Organisational Memory Information Systems: A Lit-erature Overview. FRODO Discussion paper, 2001, http://www.dfki.uni-kl.de/~elst/papers/Evaluation%20of%20OMIS.htm

Axelrod, R. (Hrsg. 1976) Structure of Decision. Princeton, Princeton, 1976 Barreau, D., Nardi, B.A. (1995) Finding and reminding : File organization from the desktop. 1995 Baumeister, J., Seipe, D. (2005) Anfragesprachen für das Semantic Web. In: Informatiklexikon, Gesellschaft für

Informatik e.V., Springer, 2005, http://www.gi-ev.de/service/informatiklexikon/informatiklexikon-detailansicht/meldung/23/

Becker J. et al. (2003) Forschungsmethodische Positionierung in der Wirtschaftsinformatik – epistemologische, ontologische und linguistische Leitfragen. Arbeitsberichte des Instituts für Wirtschaftsinformatik, Arbeitsbe-richt Nr. 93, Westfälische Wilhelms-Universität Münster, Institut für Wirtschaftsinformatik, 2003, www.wi.uni-muenster.de/inst/arbber/ab93.pdf

Belhumeur, P.N., Hespanha, J. P., Kriegman, D.J. (1997) Eigenfaces vs. Fisherfaces: Recognition using class specific linear projection. In: IEEE Transactions on pattern analysis and machine intelligence, Vol 12, No. 7, July 1997

Bergenti, F., Poggi, A., Rimassa, G. (2000) Agent architectures and interaction protocols for corporate manage-ment systems. In: Proceedings of the ECAI Workshop on Knowledge Management and Organisational Memories, pp. 39–47, Berlin, 2000

Bergius, R. (1971) Psychologie des Lernens. Kohlhammer, Stuttgart, 1971 Bergmann, R. (2002) Experience Adaptation. In: Experience Management: Foundations, Development Methodo-

logy, and Internet-Based Applications, Lecture Notes in Computer Science, Springer, Berlin , Heidelberg, ISSN 0302-9743 (Print) 1611-3349 (Online), Volume 2432/ 2002

Berners-Lee, T., Hendler, J., Lassila, O. (2001) The semantic web - a new form of web content that is meaning-ful to computers will unleash a revolution of new possibilities, in: Scientific American, 284 (5), 2001, pp. 28-37

Bernus, P., Schmidt, G. (1998) Architectures of Information systems. In: Bernus, P.; Mertins, K.; Schmidt, G (Hrsg., 1998) Handbook on Architectures of Information Systems. Springer, Berlin, Heidelberg, 1998

Best, J. B. (1992) Cognitive Psychology. Third Edition, New York


Birbaumer, N.; Schmidt, R.F. (1997) Lernen und Gedächnis. In: Schmidt, R.F.; Thews, G. (1997) In: Schmidt R.F., Thews G. (Hrsg) Physiologie des Menschen, Springer, Berlin Heidelberg New York, 27. Auflage, 1997, S. 154-166

Bizer, C., Seaborne, A. (2004) D2rq-treating non-rdf databases as virtual rdf graphs. In: Proceedings of the 3rd International Semantic Web Conference , ISWC2004, Japan, 2004. Zitiert in: Sauermann et al. (2005)

Bochenski, I.M. (1993) Die zeitgenössischen Denkmethoden, UTB 6, 10. Auflage, Tübingen, 1993. Zitiert in: Teich (1996), S. 5

Boisot, M.H. (1999) Knowledge Assets: Securing Competitive Advantage in the Information Economy, Oxford University Press, New York, 1999

Boland, J., Tenkasi, R.V. (1995) Perspective Making and Perspective Taking in Communities of Knowing. In: Organization Science, 6(4), pp. 350-372, 1995

Bonifacio, M., Bouquet, P., Mameli, G. Nori, M. (2002) Kex: a peer-to-peer solution for distributed knowledge management. In: Proceedings of the Fourth International Conference on Practical Aspects of Knowledge Management (PAKM02), volume 2569 of Lecture Notes in AI, pp. 490–500. Springer, 2002. Zitiert in: Elst et al. (2004)

Bontis, N., Crossan, M.M. (1999) Managing an Organizational Learning System by Aligning Stocks and Flows of Knowledge. In: Conference on Organizational Learning, UK, Lancaster, 1999. Zitiert in: Al-Laham (2003)

Bortz, J., Döring, N. (2002) Forschungsmethoden und Evaluation für Human- und Sozialwissenschaftler, 3. Auf-lage, Springer-Verlag, Berlin, 2002

Bradford, J. (1999) New dimensions of international security: Information vulnerabilities. In: International secu-rity challenges in a changing world, Spillmann et al. (Hrsg.), Bern et al loc., 1999

Brand-Haushofer, R. (2005) Recommender Systeme in digitalen Bibliotheken. Dissertation, Universität Wien, 2005, http://epub.wu-wien.ac.at/dyn/openURL?id=oai:epub.wu-wien.ac.at:epub-wu-01_93d

Brüning, H., Trenkler, G. (1994) Nichtparametrische, statistische Methoden, 1994 Brünken, R. (1998) Automatische Rekonstruktion von Inhaltsbeziehungen zwischen Dokumenten. Benutzer-

adaptives Informations-Retrieval in Wissensbasen. Shaker, 1998 Bryson, J. (2000) Cross-paradigm analysis of autonomous agent architecture. In: Journal of Experimental and

Theoretical Artificial Intelligence, 12(2), pp.165-190, 2000, http://citeseer.ist.psu.edu/bryson00crossparadigm.html

Bullinger, H.-J., Wörner, K., Prieto, J. (1998) Wissensmanagement – Modelle und Strategien für die Praxis. In: Bürgel, H.D. (1998) Wissensmanagement – Schritte zum intelligenten Unternehmen, Springer, Berlin, Hei-delberg, S. 21-39, 1998

Burkhard, H-D (2003) Software-Agenten. In: Görz, G. (Hrsg., 2003) Handbuch der künstlichen Intelligenz, Ol-denboug, 2003 S. 943 – 1017

Buttlar, J.v. (1992) Gottes Würfel: Schicksal oder Zufall, Weltbild, 1992, ISBN: 3776617497 Carlsson, S.A. (2006) Towards an Information Systems Design Reasearch Framework: A Critical Realist Per-

spective. In: First International conference on Design Science Research in Information Systems and Technology, 2006, http://wesrac.usc.edu/wired/bldg-7_file/6B_1.pdf

Cherkaoui, S. Desrochers, A., Habhouba, D. (2003) A Multi-Agent Architecture For Automated Product Techni-cal Specifications Verification In CAD Environments. In: Journal of Integrated Design & Process Science archive, Volume 7, Issue 2, pp. 21-38, April 2003

Chirita, P.A., Gavriloaie, R., Ghita, S., Nejdl, W., Paiu, R. (2004) Activity based metadata for semantic desktop search. 2004

Chomsky, N. (1996) The minimalist program. 2. Aufl., MIT Press., Cambridge, Mass. Zitiert in: Alber (2000) Chroust, G. (1992) Modelle der Software-Entwicklung. Oldenbourg, 1992 Cimiano, P. (2004) ORAKEL: A Natural Language Interface to an F-Logic Knowledge Base. In: Proceedings of

the 9th International Conference on Applications of Natural Language to Information Systems, pp. 401–406, 2004. Zitiert in: Lei (2006), S. 3

Cohen, W.M., Levinthal, D. (1990) Absorptive Capacity: A Perspective and Learning an Innovation. In:Administrative Science Quarterly, Jg. 35 Heft 1, pp. 128-152, 1990

Corby, O., Dieng-Kuntz, R. Faron-Zucker, C. (2004) Querying the Semantic web with Corese Search Engine. In: Proceedings of 15th ECAI// PAIS, Valencia (ES), 2004. Zitiert in: Lei (2006), S. 3

Damasio A.R. (2005) Der Spinoza-Effekt. Wie Gefühle unser Leben bestimmen. List, 2005 Danner, H. (1979) Methoden geisteswissenschaftlicher Pädagogik. UTB, München, Basel, 1979 Davenport, T. (2005) Thinking for a Living, Harvard Business School Press, 2005 Debenham, J. (2000) Three Intelligent Architectures for Business Process Management. In: Proceedings of 12th

International Conference on Software Engineering and Knowledge Engineering, SEKE2000, Chicago, 6-8 July 2000, Sydney, 2000, http://citeseer.ist.psu.edu/debenham00three.html

Decker, S., Frank, M. (2004) The social semantic desktop. WWW2004 Workshop Application Design, Devel-opment and Implementation Issues in the Semantic Web, 2004. In: Sauermann et al. (2005)


Delp, M., et al. (2004) Pre-built information space: some observartions on the challenges of process-oriented Knowledge Management. In: Proceedings of I-KNOW 04, Graz, pp. 416-423, 2004

Dengel, A. (2006) Six thousand words about multi-perspective personal document management. In: Proceedings of First IEEE International Workshop on Electronic Document Management in an Enterprise Environment. IEEE International Enterprise Computing Conference (EDOC), HongKong, 2006

Dengel, A. (2007) Knowledge Technologies for the Social Semantic Desktop. In: Zhang, Z. und Siekmann, J. (Hrsgs.) Proceedings of International Conference on Knowledge Science Engineering and Management, Lecture Notes in Artificial Intelligence, LNAI 4798, Springer, 2007, pp. 2-9, http://www.springerlink.com/content/x74543973m0561t4/

Dengel, A. (2008) Methods and Models on AI, Lecture Script, University of Kaiserslautern, CS Dept., 2008 Dengel, A., Abecker, A., Bernardi, A., Elst, L. v., Maus, H., Schwarz, S., Sintek, M. (2002) Konzepte zur Ges-

taltung von Unternehmensgedächtnissen. In: KI- Künstliche Intelligenz, No. 1, arendtap Verlag, Bremen, 2002, pp. 5-11

Dengel, A., Abecker, A., Bahr, J.T., Bernardi, A., Dannenmann, P., van Elst, L., Klink, S., Maus, H., Schwarz, S., Sintek, M. (2002) Epos - evolving personal to organizational knowledge spaces, 2002, Project Proposal, DFKI GmbH

Diederich, J. (1989) Instruction and High-level Learning in Connectionist Networks.Connection Science, 1, 1989, pp. 161-180. Zitiert in: Alber (2000)

Dilger, W. (2004) Künstliche Immunsysteme, Vorlesungsskript, Technischen Universität Chemnitz, Sommerse-mester 2004, http://www.tu-chemnitz.de/informatik/KI/scripts/ss06/AIS-06-1-skr.doc, Abgerufen: 07. Juni 2006, 10:19 Uhr GMT+2

Dodero, J.M., Aedo, I., Díaz-Pérez, P. (2002) A Multi-Agent Architecture and Protocol for Knowledge Produc-tion: A Case Study for Participative Development of Learning Objects. In: Where Parallels Intersect, In-forming Science InSITE, June 2002, pp. 357-370

Dorffner G.(1991) Konnektionismus. Teubner, Stuttgart, 1991 Dou, D., McDermott, D. Qi, P. (2002) Ontology Translation by Ontology Merging and Automated Reasoning,

http://citeseer.ist.psu.edu/611915.html Drescher, G. L. (1988) Learning from Experience Without Prior Knowledge in a Complicated World, In: Pro-

ceedings of the AAAI Symposium on Parallel Models. AAAI Press, 1988. Zitiert in: Franklin (1997) Dreyfus, H.L., Dreyfus, S.E. (1986a) Mind over machine – The power of human intuition and expertise in the

era of the computer, New York, 1986 Eberl, U., Theis, D. (2002) Siemens Pictures of the future, Siemens AG Corporate Communications und Corpo-

rate Technology, Herbst 2002, http://www.siemens.com/index.jsp?sdc_p=t15l0s5o1184101i1147359cd1187140fmu20n1184101pFEz2&sdc_sid=14235195103&

Eckes, T. (1991) Psychologie der Begriffe. Hogrefe, Göttingen. Zitiert in: Alber (2000) Edelmann, G.M. , Tononi, G. (2000) Gehirn und Geist - Wie aus Materie Bewußtsein entsteht, C.H. Beck, Mün-

chen Ekström, M., Björnsson, H. (2000) Automation of AEC bidding using itelligent agents. In: Proceedings of Com-

puting in Civil and Building Engineering, pp. 558-565, 2000 Elst L.v., Aschoff F.R., Bernardi A., Maus H., Schwarz, S. (2003) Weakly-structured workflows for knowledge-

intensive tasks: An experimental evaluation. In: IEEE WETICE Workshop on Knowledge Management for Distributed Agile Processes: Models, Techniques, and Infrastructure (KMDAP 2003), IEEE Computer Press, 2003, http://www.dfki.uni-kl.de/~schwarz/docs/ElstAschoffBernardiMausSchwarz2003.pdf (213)

Elst, L.v., Kiesel, M. Shadbolt, N. (Hrsg.), Motta, E. (Hrsg. 2004) Generating and Integrating Evidence for On-tology Mappings. In: 14th International Conference on Knowledge Engineering and Knowledge Manage-ment, EKAW 2004, 5--8th October 2004, Springer, Heidelberg, Berlin, 2004

Eraßme, R. (2002) Mensch und Künstliche Intelligenz, Diss., Universität Hannover, 2002 Firby, J. (1987) An investigation into reactive planning in complex domains. In: Proceedings of the National

Conference on Artificial Intelligence (AAAI), pp. 202–207, 1987. Zitiert in: Bryson (2000) Fischer, H.P. (1991) Von der Herausforderung das Verlernen und Umlernen zu organisieren. In: Sattelberger, T.

(Hrsg.) Die lernende Organisation, Wiesbaden, 1991, pp. 229-244 Fodor, J.A., Pylyshyn, Z.W. (1988) Connectionism and cognitive architecture: A critical analysis. Cognition, 28,

pp. 3 – 71. Zitiert in: Alber (2000) Forbus, K.D., Gentner, D., Markmanoe, A.B., Ferguson, R.W. (1997) Analogy just looks like high level percep-

tion: why a domain-general approach to analogical mapping is right. In: J. Expt. Theoretical Artificial Intel-ligence, 10(1998), pp. 231-257, 1997

Förster, H.. (1993) KybernEthik, Merve, Berlin, 1993. Zusammengefasst in: Beats Biblionetz, http://beat.doebe.li/bibliothek/b00036.html, Aktualisiert am 18.10.2002, Abgerufen am: 03.06.2007, 17:47 Uhr GMT+2

Franklin, S. (1997) Autonomous Agents as Embodied AI. In: Cybernetics and Systems, 28:6 (1997), pp. 499-520


Gabriel, G. (1993) Grundprobleme der Erkenntnistheorie. Von Descartes zu Wittgenstein. Paderborn, 1993. Zit-iert in: www.uni-koblenz.de/~odsjgroe/konstruktivismus/wahrheit.htm

Gagné, Robert M. (1965). The Conditions of Learning. Holt, New York, 1965 Gemmell, J., Bell, G., Lueder, R., Drucker, S., Wong, C. (2002) Mylifebits: Fulfilling the memex vision. In:

ACM Multimedia December 1-6, Juan-les-Pins, France, 2002, pp. 235–238. Zitiert in: Sauermann et al. (2005)

Gentner, D. (1989). The Mechanisms of Analogical Learning. In: Vosniadou , S., Ortony, A. (Eds., 1989): Simi-larity and Analogical Reasoning. Cambridge University Press, Cambridge, pp. 199-241, 1989

Georgeff, M.P., Lansky, A.L. (1987) Reactive reasoning and planning. In: Proceedings of the Sixth National Conference on Artificial Intelligence (AAAI-87), pp. 677–682, Seattle, 1987. Zitiert in: Bryson (2000)

Glaser, B. G., Strauss, A.L. (1998) Grounded Theory. Bern, Göttingen, 1998 (150) Glasersfeld, E.v. (1978) Die erfundene Wirklichkeit. Zusammengefasst in: Beats Biblionetz,

http://beat.doebe.li/bibliothek/pd00027.html, Aktualisiert am 21.05.07, Abgerufen am: 03.06.2007, 16:36 Uhr GMT+2

Glasersfeld, E.v. (1984) An introduction to radical constructivism, in Watzlawick, P. (Hrsg.) The invented reali-ty, pp. 17-40, New York, 1984. Zitiert in Peschl (2001) und in deutsch zusammengefasst in: http://beat.doebe.li/bibliothek/t00057.html, Aktualisiert am 05.10.2003, Abgerufen am: 03.06.2007, 17:51 Uhr GMT+2

Glasersfeld, E.v. (1987) Wissen, Sprache und Wirklichkeit.: Arbeiten zum radikalen Konstruktivismus. Autori-sierte dt. Fassung von Wolfram K. Köck. Braunschweig/ Wiesbaden: Vieweg, 1987

Glasersfeld, E.v. (1991) Knowing without metaphysics. Aspects of the radical constructivist poisition. In: Steiner F. (Hrsg.) Reasearch and reflexivity, pp. 12-29, SAGE, London, CA, 1991. Zitiert in: Peschl (2001)

Glasersfeld, E.v. (1995) Radical Constructivism. A way of knowing and learning, Falmer Press, London, 1995. Zitiert in: Peschl (2001)

Glasersfeld, E.v. (1996) Über Grenzen des Begreifens, Benteli, 1996, Zusammengefasst in: Beats Biblionetz, http://beat.doebe.li/bibliothek/b00663.html, Aktualisiert am 10.04.2001, Abgerufen am: 03.06.2007, 17:57 Uhr GMT+2

Goesmann, T. (2002) Ein Ansatz zur Unterstützung wissensintensiver Prozesse durch Workflow-Management-Systeme. Dissertation, Technische Universität Berlin, 2002, http://edocs.tu-berlin.de/diss/2002/goesmann_thomas.pdf

Goldstone, R. L, Son, J. (2005) Similarity. In: Holyoak K., Morrison, R. (Hrsg.) Cambridge Handbook of Think-ing and Reasoning. Cambridge: Cambridge University Press, pp. 13-36, 2005, http://cognitrn.psych.indiana.edu/rgoldsto/pdfs/similarity2004.pdf

Goldstone, R.L. (1993) The role of similarity in categorization: providing a groundwork. In: Cognition, Interna-tional Journal of Cognitive Sciences, 52, 1994, pp.125-157, http://cognitrn.psych.indiana.edu/rgoldsto/pdfs/sim&cat.pdf

Goodman, N. (1972) Seven strictures on similarity. In: Goodmann, N. (1972) Problems and projects. Bobbs-Merill, New York. Zitiert in: Goldstone (1993)

Gordon, M.; Pathak, P. (1999) Finding information on the World Wide Web: the retrieval effectiveness of search engines. In: Information Processing & Management, 35(2), 1999, pp. 141-180

Goshen-Gottstein, Y. (2003) Learning and Memory. In: Encyclopedia of life sciences, John Wiley & Sons, Ltd, Chichester, 2003, http://www.els.net/ [doi: 10.1038/ npg.els.0000172 ]

Govindaraju, V., Xue, H. (2004) Fast Handwriting recognition for indexing historical documents. In: Proceed-ings of the first International Workshop on Document Image Analysis for libraries (DIAL 04), 2004

Guha, R., McCool, R., Miller, E. (2003) Semantic Search. In: Proceedings of the 12th international conference on World Wide Web, pp. 700–709, 2003. Zitiert in Lei (2006), S. 3

Grochowiak, K. (2001) Philosophische Grundrichtungen und ihre Bedeutung für die Psychotherapie, 05.2001, Fachartikel der Creative NLP Academy, Wiesbaden, 2001, http://www.cnlpa.de/presse/philo-grund.html

Gronau, N., Uslar, M., Winkler, T. (2005), M-Wise: Modellierung wissensintensiver Prozesse im Software En-gineering. In: Wissensmanagement in der Softwareentwicklung (WMSE05), 35. Jahrestagung der Gesell-schaft für Informatik (GI) in Bonn, 2005, http://www.mwise.de/blog/wp-content/bibtex/11_bmbf_2004.pdf

Gruber, T.R. (1993) A translation approach to portable ontology specifications. KnowledgeAquisition, (5):199.220, 1993, in: Moench (2003)

Grundy, J. (2000) Multi-perspective specification, design and implementation of software components using as-pects. In: International Journal of Software Engineering and Knowledge Engineering, Vol 10, No. 6, 2000, pp. 713-734

Guha, R., McCool, R. und Miller, E. (2003) Semantic search. WWW ’03. Proceedings of the Twelth Interna-tional Conference on World Wide Web, Budapest, Hungary, May 2003

Hagen, S. (1995) Face Recognition—A Novel Technique. Master thesis, University of Heidelberg, 1995. Zitiert in: Khuwaja (2002)


Hansen, T.H., Nohria, N., Tierney, T. (1999) What’s your strategy for Managing Knowledge ?. In: Harward Business Review, March-April, S. 106-116, 1999

Harmann, D.K. (Hrsg.) (1995) Proceedings of the Third Text Retrieval Conference (TREC 3), NIST Special Publication, pp. 200-225, 1995. Zitiert in: Junker, M., Abecker, A. (1996) Einsatz Maschineller Lernverfah-ren für die Dokumentklassifikation. In: Dilger, W. Schlosser, M. Zeidler, J. und Ittner A. (eds.) FGML-96 Fachgruppentreffen Maschinelles Lernen. Chemnitzer Informatik-Berichte CSR-96-06, TU Chemnitz-Zwickau, 1996

Hars, A. (2002) Wissenschaftstheorie für Wirtschaftsinformatiker. Tutorial bei der Multi-Konferenz Wirtschafts-informatik, Nürnberg, 2002. Zitiert in: Becker et al. (2003)

Harth, A. (2004) Seco: mediation services for semantic web data. In: Intelligent Systems, IEEE Volume 19, 2004, pp. 66 – 71. Zitiert in: Sauermann et al. (2005)

Hebb, D.O. (1949) The organization of behavior. Wiley, New York, 1949, in: Alber (2000) Heflin J., Hendler, J. (2000) Searching the Web with SHOE. In: Proceedings of the AAAI Workshop on AI for

Web Search, pp. 35 – 40, AAAI Press, 2000. Zitiert in Lei (2006), S. 3 Hees, H. (2004). Nextbot knowledge framework. brainbot Technologies AG, 2004,

http://brainbot.com/resources/dokumente/nextbot_knowledge_framework_whitepaper.pdf Helscher, R.J. (1991) Über die Praktikabilität der Verfremdung. In: Peschl, M. (Hrsg., 1991) Formen des Kon-

struktivismus in Diskussion. Materialien zu den "Acht Vorlesungen über den Konstruktiven Realismus". WUV, Wien, pp. 166—183, 1991

Herbert, S. (1964) Information Processing in Computer and Man. In: Ruggles (1997) S. 11-29 Herbst, D. (2000) Erfolgsfaktor Wissensmanagement. Berlin, 2000 Herlocker, J.L., Konstan J.A., Terveen, L.G., Riedl, J. (2004) Evaluating Collaborative Filtering Recommender

Systems. In: ACM Transactions on Information Systems, Vol. 22, No. 1, January 2004, pp 5-53 Herrmann, T., Grabowski, J. (1994) Sprechen. Psychologie der Sprachproduktion. Spektrum Akademischer Ver-

lag, Heidelberg, 1994. Zitiert in: Alber (2000) Herweg, M. (Hrsg. 1992) Hamburger Arbeitspapiere zur Sprachproduktion – I,

http://www.informatik.uni-hamburg.de/GRK/Schriften/HerwegHrsg1992.pdf Heutte, L., Nosary, A., Paquet, T. (2004) A multiple agent architecture for handwritten text recognition. In: Pat-

tern recognition 37, University of Rouen, pp. 665-674, 2004 Hevner, A.R., March, S. T., Park, J. Ram, S. (2004) Design Science Research in Information Systems. In: Man-

agement Information Systems Quarterly, Vol. 28, No. 1, March 2004, pp. 75-105, http://proquest.umi.com/pqdlink?did=581599791&sid=1&Fmt=2&clientId=20178&RQT=309&VName=PQD

Heylighen, F. (1993). Epistemology, introduction. Principia Cybernetica. Online-Artikel, verfügbar in: http://pespmc1.vub.ac.be/EPISTEMI.html. Zitiert in: Murphy, E., Constructivist epistemology. Online-article, 1997, http://www.cdli.ca/~elmurphy/emurphy/cle2.html (abgerufen am: 03.06.2007, 13:01 Uhr GMT+2)

Hildebrand M., Ossenbruggen J.R. v., Hardman L. (2007) An analysis of search-based user interaction on the Semantic Web. CWI Report, INS-E0706, ISSN 1386-3681

Hilgard E.R., Bower G.H. (1970) Theorien des Lernens I. Stuttgart, 1970, http://www.erzwiss.uni-hamburg.de/personal/grotlueschen/lernsite/seminar1.html

Hinterhuber, H.H. (1992) Strategische Unternehmensführung. de Gruyter, Berlin, New York, 1992 Ho. T.K. (1992) A Theory of Multiple Classifier Systems and Its Application to Visual Word Recognition. PhD

thesis, State University of New York at Buffalo, 1992. Zitiert in: Maus (2005), S. 99ff. Hofer-Alfeis, J (2003) Measuring Knowledge and KM in an organization with an explicit top-down Knowledge

Strategy. in: Positionspapier Evaluation of KM projects. Für WM2003-Konferenz, Luzern, April 2003, http://wm2003.aifb.uni-karlsruhe.de/

Höhn, R. (1979) Die Technik der geistigen Arbeit: Bewältigen der Routine - Steigerung der Kreativität. Bad Harzburg, 1979

Holsapple, C.W. (2003) Handbook on Knowledge Management,Volume 2: Knowledge directions. Springer, Berlin, Heidelberg, 2003

Holyoak, K.J. (1985) The pragmatics of analogical transfer. In: Psychology of Learning and Motivation, No. 19, pp. 59–87, 1985

Honegger, B. D. (2007) Konstruktivismus. Zusammengefasst in: Beats Biblionetz, http://beat.doebe.li/bibliothek/w00101.html, Aktualisiert am 23.01.07, Abgerufen am: 03.06.2007, 11:54 Uhr GMT+2

Hopperdietzel, H. (2005) Kognitive Leistungsdifferenzen nach Frontal- und Gruppenorientierten Unterrichtsse-quenzen. Dissertation, Universität Erlangen-Nürnberg, 2005, http://deposit.ddb.de/cgi-bin/dokserv?idn=976176556&dok_var=d1&dok_ext=pdf&filename=976176556.pdf

Horster, B.; Schneider, B.; Siedentopf, J. (1993) Kriterien zur Auswahl konnektionistischer Verfahren für be-triebliche Probleme. Arbeitsbericht Nr. 15, in: Becker, J. (Hrsg.). Arbeitsberichte des Instituts für Wirt-schaftsinformatik, Münster, 1993, http://www.wi.uni-muenster.de/inst/arbber/ab15.pdf


Howe, J. (2006) The Rise of Crowdsourcing, 2006 Huang, W.H., Beevers, K.R. (2004) Topological Map Merging. In: Proceedings of the 7th Intl. Symp. on Dis-

tributed Autonomous Robotic Systems (DARS 2004) Järvinen, P. (2007) Action Researh is Similar to Design Science. In: Quality & Quantity, No 41, Springer, 2007,

pp. 37 - 54 Johnson, P., Johnson, H. (1992) Human Computer Interaction: Psychology, Task Analysis, and Software Engi-

neering. London, McGraw-Hill, 1992 Jonassen, D. (1991). Objectivism vs. Constructivism. Educational Technology Research and Development,

39(3), 5-14, 1991. Zitiert in: Murphy, E., Constructivist epistemology. Online-article, 1997, http://www.cdli.ca/~elmurphy/emurphy/cle2.html (abgerufen am: 03.06.2007, 16:51 Uhr GMT+2)

Josuttis, N.M. (2008) SOA in der Praxis. System-Design für verteilte Geschäftsprozesse, Dpunkt Verlag, 2008 Jung, C.G. (1998) Emergent Mental Attitudes in Layered Agents. In: Lecture Notes In Computer Science; Vol.

1555. In: Proceedings of the 5th International Workshop on Intelligent Agents V, Agent Theories, Architec-tures, and Languages, pp. 195-209, 1998

Jung, C.G., Fischer, K. (1998) Methodological Comparison of Agent models. Reasearch report, RR-98-01, Deut-sches Forschungszentrum für Künstliche Intelligenz, Kaiserslautern 1998, http://citeseer.ist.psu.edu/jung98methodological.html

Kagolovsky, Y., Moehr J.R. (2000) Evalution of Information Retrieval: old problems and new perspectives. IN: Proceedings of 8th International Congress on Medical Librarianship. Zitiert in Aschoff und v. Elst (2001)

Kakabadse, N. K. (2001) From Tacit Knowledge to Knowledge Management: Leveraging invisible assets. In: Knowledge and Process Management, Vol 8, Nr. 3, 2001, pp. 137-154

Kalfoglou, Y., Schorlemmer, M. (2003) Ontology mapping: the state of the art. In: The Knowledge Engineering Review 18:1.31, 2003

Karagiannis, D. (2001)WissensManagement: Konzepte der KI und des Softcomputings. Wien, 2001 Kenny, A. (1989) Wittgenstein, 4. Aufl., Frankfurt a.M., 1989 Kenny V., Boxer, P. (1990) The Economy of discourses: a third order cybernetics, in: Human Systems Manage-

ment, Volume 9, Number 4, pp205-224, 1990 http://www.oikos.org/discourses.htm Khuwaja, G.A. (2002) An Adaptive Combined Classifier System for Invariant Face Recognition. In: Digital Sig-

nal Processing 12, pp. 21–46, 2002, doi:10.1006/ dspr.2001.0413, http://www.idealibrary.com Kiczales, G. et al. (1997) Aspect-Oriented Programming. In: proceedings of the European Conference on Object-

Oriented Programming (ECOOP), Finland, Springer, Berlin, 1997. Kiefl W. und Lamnek S. (1984) Qualitative Methoden in der Marktforschung. In: Planung und Analyse, 11/

12,1984, pp. 474-480 Kikawada, K. (2001) Knowledge Revolution in Quest of Knowledge Dynamics- How Japanese KM Leading

Companies Learn in the Knowledge Community. In Next-generation Knowledge Management: Enabling business processes; Proceedings from APQC's Sixth Knowledge Management Conference, 2001, p. 95 ff.

Kim, D.H. (1993) The link between Individual and Organisational Learninig. In: Sloan Management Review, Fall 1993; pp. 37-50

Klix, F. (1992) Die Natur des Verstandes. Hogrefe, Göttingen. Zitiert in: Alber (2000) Knauf, R. (2004) Künstliche Intelligenz, Fakultät für Informatik & Automatisierung, Lehrveranstaltung Künstli-

che Intelligenz, Technische Universität Ilmenau, 2004, http://www.theoinf.tu-ilmenau.de/ki/ki/PDF/KI-Inf-4.pdf

Kneer, G., Nassehi, A. (1997) Niklas Luhmanns Theorie sozialer Systeme. München, 1997 Kohonen, T. (1984) Self-Organization and Associative Memory. Springer, Berlin, 1984. Zitiert in: Franklin

(1997) König, W. (Hrsg. 2003) Taschenbuch der Wirtschaftsinfomatik und Wirtschaftsmathematik, 2. Auflage, 2003 Koriche, F. (1998) Approximate Reasoning about combined knowledge, LIRMM, University of Montpellier,

http://citeseer.ist.psu.edu/cache/papers/cs/22630/http:zSzzSzwww.lirmm.frzSz~korichezSzW-DocszSzK98-1.pdf/koriche98approximate.pdf

Kotis, K., Vouros, G. (2004) The HCONE Approach to Ontology Merging. In: The Semantic Web: Research and Applications. First European Semantic Web Symposium (ESWS 2004), pp. 137-151, 2004 http://citeseer.ist.psu.edu/kotis04hcone.html

Krause, O. (2005) Performance Measurement. Diss., Technische Universität Berlin, 2005 (1000) Kreßel, U., Schürmann, J. (1995) Universelle Approximatoren in der Musterklassifikation am Beispiel der

Schriftzeichenerkennung, In: tm - Technisches Messen, 62, 1995, 3, Oldenbourg Verlag, S. 95 ff. Krogh, G.F.v., Ichijo, K., Nonaka, I. (2000) Enabling Knowledge Creation, Oxford university Press, New York,

2000 Kruse, H., Mangold, R., Mechler, B., Penger, O. (1991) Programmierung Neuronaler Netze. Eine Turbo Pascal

Toolbox. Addison-Wesley , Bonn 1991. Zitiert in: Alber (2000) Lambrix P., Edberg, A. (2003) Evaluation of ontology merging tools in bioinformatics. In: Proceedings of Pa-

cific Symposium on Biocomputing, Kauai, Hawaii, 2003, pp. 589-600, http://citeseer.ist.psu.edu/563040.html


Lamnek, S. (1988) Qualitative Sozialforschung, Band 1, München, 1988 Lang, I. (1999) Strategic Knowledge Management, Higher Level Systems Ltd., 1999

http://www.assistum.com/2002/solutions/knowledge_management/knowledge_management.htm Lefrancois, G.R. (1994) Psychologie des Lernens, Springer, 1994 Lei, Y., Uren, V., Motta, E. (2006) SemSearch: A Search Engine for the Semantic Web. In: Proceedings EKAW

2006, Managing Knowledge in a World of Networks, POdebrady, Czech Republic, pp. 238-245, 2006 Leong, T. Y. (1998) Multiple perspective dynamic decision making. IN: Artificial Intelligence, Vol. 105,

pp.209-261, 1998 Levelt, W.J. (1989) Speaking: From Intention to Articulation. MIT Press, Cambridge, Mass, 1989. In: Herweg,

M. (Hrsg. 1992) Lewis, C.I. (1991) Mind and the World Order. Outline of a Theory of Knowledge. Charles Scribner's sons, New

York, 1991 (Nachdr.). Liaw, S.-S., Geeng-Neng, Y. (2003) How search engines can facilitate individual knowledge construction. In:

Adavnces in Technology-based Education: Towards a knowledge-based society, Proceedings of the II Inter-national Conference on Multimedia and Information & Communication Technologies in Education, m-ICTE2003, Badajoz, Spain, December 3-6th 2003, pp. 350-355, http://www.todowebextremadura.com/papers/190.pdf

Liaw, S.-S., Huang, H.-M., Chen, S.-B. (2007) Building a Mobile Learning System for Individual Knowledge Construction, In: Proceeding of Internet and Multimedia Systems and Applications, 2007, http://www.actapress.com/PaperInfo.aspx?PaperID=30068

Littlejohn, S.W. , Foss K. A. (1996) Theories of human communication, 5th edition, Wadsworth, 1996, verfüg-bar in Google Books: http://books.google.de/books?id=0Ndt6F_G6vsC&pg=PA3&dq=littlejohn+Theories+of+human+communication&psp=1&sig=hDI0Jef-URwQA6QPY-sh7lXaXnk#PPA3,M1

Lopez, V., Pasin, M., Motta, E. (2005) AquaLog: An Ontology-portable Question Answering System for the Semantic Web. In Proceedings of European Semantic Web Conference (ESWC 2005), 2005. Zitiert in: Lei (2006), S. 3

Lorenz, S. (2006) Konzeption und prototypische Realisierung einer begriffsbasierten Texterschließung. Disserta-tion, Universität Trier, Fachbereich 4 Wirtschaftswissenschaften, 2006, urn:nbn:de:hbz:385-3770, http://ubt.opus.hbz-nrw.de/volltexte/2006/377/index.html

Luck, M., McBurney, P., Preist, C. (2004) A Manifesto for Agent Technology: towards Next Generation Com-puting. In: Autonomous Agents and Multi-Agent Systems, 9, Kluwer, 2004, pp. 203-252

Luhmann, N. (1995) Soziologische Aufklärung 6. Die Soziologie und der Mensch. Opladen, 1995 Madhvanath, S., Govindaraju, V. (2001) The role of holistic paradigms in handwritten word recognition. In:

IEEE Transactions of pattern analysis and machine intelligence, Vol. 23, No. 2, 2001 Maes, P. (1994) Agents that Reduce Work and Information Overload. In: Communications of the ACM, Vol. 37,

No. 7, pp. 31-40, ACM Press, 1994. Zitiert in: Franklin (1997) Magnini, B., Serafini, L., Speranza, M. (2002) Using NLP Techniques for Meaning Negotiation. In: Proceedings

of VIII Convegno AI*IA, Siena, 11-13 September 2002, http://edamok.itc.it/documents/papers/meanNeg.pdf, und http://citeseer.ist.psu.edu/526412.html

Maiden, N.A.M., Spanoudakis, G., Nissen, H.W. (1996) Multi-perspective requirements engineering within NATURE. In: Requirements Eng, 1996, pp. 157-169, Springer, London, 1996

Maier, R. (2002) Knowledge Management Systems. Information and Communication Technologies for Knowl-edge Management. Habilitationsschrift, Springer, Berlin, Heidelberg, 2002 (190)

Maier, R. (2005) Modeling Knowledge Work for the Design of Knowledge Infrastructures. In: Journal of Uni-versal Computer Science, vol. 11, no. 4, pp. 429-451, 2005, http://www.jucs.org/jucs_11_4/modeling_knowledge_work_for/Maier_R.pdf

Mandl, H. (2001) Wissensmanagement lernen. Folienpräsentation, 1. Konferenz ProfessionellesWissensmana-gement 2001, WM 2001, http://wm2001.aifb.uni-karlsruhe.de/InvitedTalks/Mandl-WM-lernen.ppt (Zugriff am 28.9.02). Zitiert in: Becker, T. (2003) Knowledge-Management – ein Instrument für Öffentliche Biblio-theken?. In: Bibliothek 27.2003, Nr. 3, http://www.bibliothek-saur.de/2003_3/181-188.pdf

Mangold, C. (2007) A survey and classification of semantic search approaches. In: International Journal of Metadata, Semantics and Ontology, Vol. 2, No. 1, 2007, pp. 23-34

Mangold-Allwinn, R. (1993) Flexible Konzepte. Experimente, Modelle, Simulationen. Lang, Frankfurt a.M. 1993. Zitiert in: Alber (2000)

Manning, C., Schütze, H. (1999) Foundations of Statistical Natural Language Processing, MIT Press, 1999 March, S.T., Smith, G.F. (1995), Design and natural science research on information technology. In: Decision

Support Systems, 15, 1995, pp. 251-266 Maresch, R. (1998) Ein Mehr von Unterscheidbarkeit-Gespräch mit Sozioloigen Baecker, D. 1998, in:

http://www.heise.de/tp/deutsch/inhalt/co/2522/1.html Maturana, H. R. und Varela, F. J. (1987) Der Baum der Erkenntnis - Die biologischen Wurzeln menschlichen

Erkennens, Goldmann-Verlag, Bern, München, 1987


Maus, H. et al. (2005) EPOS - Evolving Personal to Organisational Knowledge Spaces, BMBF Abschluss-bericht, FKZ 01 IW C01, 2005

McClelland, J. L., Kawamoto, A. H. (1986) Mechanisms of Sentence Processing: Assigning Roles to Constitu-ents. In: McClelland, J.L., Rumelhart, D.E. (Hrsg.), Parallel Distributed Processing. Explorations in the Mi-crostructure of Cognition. Volume 2, Psychological and Biological Models, MIT Press, pp. 272-325, Cam-bridge, MA, .1986. Zitiert in: Alber (2000)

Melnik, S., Garcia-Molina, H., Rahm, E. (2002) Similarity Flooding:AVersatile Graph Matching Algorithm and ist Application to Schema Matching. In: Proceedings 18th ICDE, San Jose, CA, February 2002. Zitiert in: Elst, L.v., Kiesel, M. (2004) Generating and Integrating Evidence for Ontology Mappings. In: Motta E. et al. (Eds.): EKAW 2004, LNAI 3257, Springer, Heidelberg, pp. 15–29, 2004.

Melzer, I. (2007) Service-orientierte Architekturen mit Web Services. Konzepte - Standards – Praxis, Spektrum Akademischer Verlag, 2007

Merk, S.L. (2001) Softwareagenten – mobile Agenten – Aglets. Hauptseminar Client-Server Programmierung, Informatik, Universität München, 2001

Meyer, A., Seibert, G., Wendelberger, E. (1969) Enzyklopädie 2000. Das moderne Farb-Lexikon in Folgen. Wissen Verlag. Stuttgart, Zürich, http://www.fb12.uni-dortmund.de/wtheorie/JPEG/GLOSSAR.HTM

Michael, C., Nowak, F. (1975) Kleines psychologisches Wörterbuch. Herder, Freiburg, 1975 Miller, T., Agne, S., Dengel, A. (2005) eFISK – eine aufmerksamkeitsbasierte Schlüsselwort-Extraktions- und

Information Retrieval-Maschine. Abschlussbericht 15202-386261/ 659, Stiftung Rheinland-Pfalz für Inno-vation, 2005

Mitchell, T. (1997) Machine Learning. McGraw Hill, 1997 Moench, E. (2003) SemanticMiner: Ein Integratives Ontologie-basiertes Knowledge Retrieval System. In: Pro-

ceedings of the 2nd Conference on Professional Knowledge Management. Experiences and Visions, Luzern 2.-4. April 2003, Lecture Notes in Informatics, http://sunsite.informatik.rwth-aachen.de/Publications/CEUR-WS/Vol-68/WOW2003_Moench.pdf

Moghaddam, B., Wahid, W., Pentland. A. (1998) Beyond eigenfaces: Probabilistic matching for face recogni-tion. In: Proceedings of Int'l Conference. on Automatic Face and Gesture Recognition, Nara, Japan, pp. 30—35, April 1998. http://citeseer.ist.psu.edu/moghaddam98beyond.html

Möhrle, M.G., Kellerhals, R.A. (1992) Wissenschaftliches Arbeiten mit SOKRATARIS: interaktives Erstellen von Definitionen am Personal-Computer, München; Wien, Oldenbourg Verlag, 1992. Zitiert in: Teich (1996), S. 9f.

Müller, H.F.J. (2000) Begriffs-Dynamik und geschichtliche Auffassungen von Realität, Subjekt und dem Um-greifenden, Karl Jaspers Forum, Deutsche Übersetzung zum englischen Originalartikel aus der Diskussion des Karl Jaspers Forums im Internet (http://www.mcgill.ca/douglas/fdg/kjf/); in: http://helmutwal-ther.privat.t-online.de/ta24_dt.htm

Müller, J.P. (1996) The Design of Intelligent Agents: A Layered Approach. In: Lecture Notes in Computer Sci-ence, Vol. 1177, Springer, Heidelberg, Berlin, 1996

Müller, K.-R., et al. (2001) An Introduction to kernel-based learning algorithms. In: IEEE Transactions on neural networks, Vol. 12, No. 2, March, 2001, pp. 181-202

Müller, R.K. (1988) Betriebliche Netzwerke: Kontra Hierarchie und Bürokratie. Haufe, Freiburg i.Br., 1988 Müller-Koch, U. (2007) Bewusstsein. In: Microsoft Encarta Online-Enzyklopädie, 2007,

http://de.encarta.msn.com/encyclopedia_761595678/Bewusstsein.html, abgerufen am: 11.04.2008, 13:07 Uhr, GMT+1

Myers, P. (Hrsg.) (1996) Knowledge Management and Organisational Design. Butterworth-Heinemann, Oxford, 1996. Zitiert in: Kakabadse, N. K. (2001), S. 141

Nelson, R., Winter, S. G. (1982) An Evolutionary Theory of Economic Change. Cambridge, Mass, Belknap Press of Harvard University, 1982

Nielsen J., Molich, R., Snyder, C., Farrell, S. (2001) E-Commerce User Experience. Nielsen Norman Group, 2001

Nonaka, I. , Takeuchi, H. (1995) The knowledge creating company, Oxford University Press, New York, 1995 Nonaka, I., Konno, N. (1998) The Concept of `Ba': Building a Foundation for Knowledge Creation. In: Califor-

nia Management Review, 40(3), pp. 40-54, 1998 Nonaka, I.; Takeuchi, H. (1997) Die Organisation des Wissens. Frankfurt; New York, 1997 North, K. (2005) Wissensorientierte Unternehmensführung. Wertschöpfung durch Wissen. Gabler, Wiesbaden,

2005 Novak, J., Cuel, R., Sarini, M., Wurst, M. (2004) A tool for supporting knwoledge creation and exchange in

knowledge intensive organisations. In: Proceedings of I-KNOW 04, Graz, 2004, pp. 311-319 Novy A., Jäger, J. (2003) Internationale Politische Ökonomie, Online-Skript. Projekt Lateinamerika-Studien On-

line im Österreichischen Lateinamerika-Institut, Wien, 2003, http://www.lateinamerika-studien.at/content/wirtschaft/ipo/pdf/wisstheorie.pdf

O’Reilly, T. (2005), What Is Web 2.0: Design Patterns and Business Models for the Next Generation of Soft-ware, Online-article, http://www.oreillynet.com/pub/a/oreilly/tim/news/2005/09/30/what-is-web-20.html


Ofek, E.; Sarvary, M (2002) Knowledge Exchange and Knowledge Creation: Should the emphasis shift in a competitive environment; INSEAD Working paper, Fountainbleau, Februar 2002, http://ged.insead.edu/fichiersti/inseadwp2002/2002-21.pdf

Ogston, E., Vassiliadis, S. (2001) Matchmaking Among Minimal Agents Without a Facilitator. In: Proceedings of the Fifth International Conference on Autonomous Agents, pp. 608-615, 2001, http://citeseer.ist.psu.edu/ogston01matchmaking.html

Opielka, M. (2006) Gemeinschaft in Gesellschaft: Soziologie nach Hegel und Parsons, VS Verlag, 2006 Ostwald J. (1996) Knowledge Construction in Software Development: The Evolving Artifact Approach”, Diss,

1996, University of Colorado; http://l3d.cs.colorado.edu/~ostwald/thesis/theory.html Parunak, H., et al. (1998) The AARIA Agent Architecture: From Manufacturing - Requirements to Agent-Based

System Design. In: Workshop on Agent-Based Manufacturing, ICAA’98, Minneapolis, MN, 10 May 1998. Pawlowsky, P. (1994) Wissensmanagement in der lernenden Organisation. Habilitationsschrift, Universität Pa-

derborn, Paderborn, 1994 Pedersen, K.V. (2004) Context-based support for linical reasoning. In: Proceedings of I-KNOW 04, Graz, 2004,

S.397-404 Peirce, C.S. (1976) Schriften zum Pragmatismus und Pragmatizismus. Frankfurt, Suhrkamp, 1976 Peirce, C.S. (1966) Collected Papers. Belknap Press of Harvard University Press, Cambridge 1958-1966

(Nachdr.) Peschl, F.-M. (2001) Constructivism, Cognition and Science - an investigation of its links and possible short-

comings, in: Foundations of Science, special issue on The impact of radical constructivism on science, ed-ited by A. Riegler, vol. 6, no 1-3, pp. 125-161, 2001

Piaget, J. (1967) Psychologie der Intelligenz. Zürich, 1967 Piaget, J. (1973). Einführung in die genetische Erkenntnistheorie, Aus dem Amerikanischen von Friedhelm Her-

borth, Suhrkamp, 1973. Zusammengefasst in: Beats Biblionetz, http://beat.doebe.li/bibliothek/pd00027.html, Aktualisiert am 21.05.07, Abgerufen am: 03.06.2007, 16:36 Uhr GMT+2

Pipek, V., Nuderscher, P., Won, M. (2003) Periphere Wahrnehmung von Expertise. In: Tagungsband: Mensch und Computer 2003, Stuttgart, pp. 219-228, 2003 (165)

Pitasi, A. (2002) Constructing Communication. Interview with Ernst v. Glasersfeld, Published for the Radical Constructivism Homepage, by Alex Riegler, 2002, http://www.univie.ac.at/constructivism/papers/glasersfeld/glasersfeld01-interview.html

Plato (1953) Phaedo. Zitiert in: Plato I (translated by Cowler H.N.). Harvard University Press, Cambridge, MA, pp. 117-124. Zitiert in: Kakabadse, N. K. (2001), S. 138

Pörksen B. (2001) Abschied vom Absoluten. Gespräche zum Konstruktivismus. Carl-Auer-Systeme Verlag, 2001

Prawat, R. (1996) Constructivisms, modern and postmodern. In Educational Psychology, 31(3/4), pp. 215-225. Zitiert in: Murphy, E., Constructivist epistemology. Online-article, 1997, http://www.cdli.ca/~elmurphy/emurphy/cle2.html (abgerufen am: 03.06.2007, 13:01 Uhr GMT+2)

Preece, A.D., Hui,L. Gray, W.A. Marti, P., Bench-Capon, T.J.M. Jones, D.M. Cui, Z. (2000) The KRAFT archi-tecture for knowledge fusion and transformation. In: Knowledge Based Systems, 13(2-3):113–120, 2000. Zi-tiert in: Elst et al. (2004)

Primio, F. (1998) Roboterkognition, GMD Report 16, Sankt Augustin, 1998 Probst, G., Raub, S., Romhardt, K. (1997): Wissen managen: Wie Unternehmen ihre wertvollste Ressource op-

timal nutzen, Wiesbaden, 1997 Quan, D., Huynh, D., Karger, D.R. (2003) Haystack: A platform for authoring end user semantic web applica-

tions. In: International Semantic Web Conference, 2003, pp. 738–753. Zitiert in: Sauermann et al. (2005) Ramhorst, D. (2001) A Guided Tour through the Siemens Business Services Knowledge Management Frame-

work. In: Journal of Universal Computer Science, vol. 7, no. 7, 2001, pp. 610-622 Ratzinger, J. (1968) Einführung in das Christentum; München, 1968, Kapitel der Einführung, Ich glaube -

Amen, ISBN 3-466-20455-0 Rehäuser, J., Krcmar, H. (1996) Wissensmanagement einer Unternehmung. In: Schreyögg, G., Conrad, P.

(Hrsg.) Managementforschung 6, Berlin, New York, 1996, S. 1-40 Reidsma D., Kuper J., Declerck, T., Saggion H., Cunningham.H. (2003) Cross Document Ontology based In-

formation Extraction for Multimedia Retrieval, http://citeseer.ist.psu.edu/reidsma03cross.html Reilly, T. (2002) Value-Added Selling: How to Sell More Profitably, Confidently, and Professionally by Com-

peting on Value, Not Price, McGraw-Hill, New York, 2002 Reimer, U. Novotny, B. Staudt. M. (2001) Micro–modeling of business processes for just–in–time knowledge

delivery. In: Roy, R. (Hrsg. 2001) Industrial Knowledge Management: A Micro–Level Approach. Springer, Heidelberg, Berlin, 2001. Zitiert in: Elst et al. (2004)

Reinmann-Rothmeier, G. (2001) Wissen managen: Das Münchener Modell. Forschungsberichte Nr. 131, Lehr-stuhl für Empirische Pädagogik und Pädagogische Psychologie, Ludwigs-Maximilians-Universität Mün-chen, 2001, http://www.wissensmanagement.net/download/muenchener_modell.pdf


Reinmann-Rothmeier, G., Mandl, H. (1996) Lernen auf der Basis des Konstruktivismus. Wie Lernen aktiver und anwendungsorientierter wird. In: Computer und Unterricht, 23, 1996, pp. 41-44

Rickheit, G., Strohner, H. (1993) Grundlagen der kognitiven Sprachverarbeitung.Francke, Tübingen, 1993. Zi-tiert in: Alber (2000)

Riedl, R. (2000) Strukturen der Komplexität, Springer, Berlin, Heidelberg, New York, 2000. Zusammengefasst in: Beats Biblionetz, http://beat.doebe.li/bibliothek/pd00178.html, Aktualisiert am 22.04.07, Abgerufen am: 03.06.2007, 16:25 Uhr GMT+2

Rieger B.B. (2002) Bedeutungskonstitution und semantische Granaluation. In: Pohl, I. (Hrsg., 2002) Prozesse der Bedeutungskonstruktion. Frankfurt u.a., pp. 407-444, 2002, http://www.ldv.uni-trier.de/ldv_archiv/http/www/public_html/ldvpage/rieger/pub/aufsaetze/landau00/landau00.pdf.gz

Riempp, G. (2004). Integrierte Wissensmanagement-Systeme. Architektur und praktische Anwendung (Business Engineering). Springer, Berlin, Heidelberg 2004 (179)

Roche Lexikon Medizin (2003), 5.Aufl., Elsevier - Urban und Fischer, München, Jena 2003 Romhard, K. (1995) Das Lernanenakonzept – ein Ansatz zum Management organisatorischer Lernprozesse in

der Unternehmenspraxis. Cahier de recherche, HEC, Genf, 1995 Roth G. (2001) Fühlen - Denken - Handeln. Wie das Gehirn unser Verhalten steuert, Suhrkamp, Frankfurt, 2001 Roth, G. (1994) Das Gehirn und seine Wirklichkeit. Kognitive Neurobiologie und ihre philosophischen Konse-

quenzen, Suhrkamp, Frankfurt, 1994 Routledge Encyclopedia of Philosophy (1998) Learning. Version 1.0, London, 1998 Ruggles, R.L. (1997) Knowledge Management Tools. Newton, 1997 Rumelhart, D. E., McClelland, J. L. (1986) On Learning the Past Tenses of English Verbs. In: J. L. McClelland

& D. E. Rumelhart (Hrsg.), Parallel Distributed Processing. Explorations in the Microstructure of Cognition. Volume 2, Psychological and Biological Models (S. 216-271). MIT Press, Cambridge, MA, 1986. Zitiert in Alber (2000)

Rumelhart, D. E., Smolensky, P., McClelland, J. L., Hinton, G. E. (1986) Schemata and Sequential Thought Processes in PDP Models. In: McClelland, J.L., Rumelhart, D.E. (Hrsg.), Parallel Distributed Processing. Explorations in the, Microstructure of Cognition. Volume 2, Psychological and Biological Models, MIT Press, pp. 272-325, Cambridge, MA, .1986. Zitiert in: Alber (2000)

Runte, M. (2000) Personalisierung im Internet - Individualisierte Angebote mit Collaborative Filtering, Disserta-tion, Universität Kiel, Deutscher Universitätsverlag, Wiesbaden. http://www.runte.de/matthias/publications/personalisierung_im_internet.pdf

Sachs, L. (1997) Angewandte Statistik, 1997, 8.Auflage, Springer, Berlin, Heidelberg. Salton, G. (1968) Automatic information organization and retrieval. McGraw Hill, New York, 1968. Zitiert in:

Maus et al. (2005) Samaria, A. S. (1994) Face Recognition Using Hidden Markov Models. Ph.D. Dissertation, Trinity College,

Cambridge University, Cambridge, UK, 1994. Zitiert in: Khuwaja (2002) Sauermann, L. (2003) The Gnowsis – using semantic web technologies to build a semantic desktop. Diploma

thesis, Technical University of Vienna, 2003 Sauermann, L., Bernardi, A., Dengel, A. (2005). Overview and outlook on the semantic desktop, in: Stefan

Decker, Jack Park, D.Q., Sauermann, L., eds.: Proceedings of the 1st Workshop on The Semantic Desktop at the ISWC 2005 Conference. Available: http://www.Gnowsis.org

Sauermann, L., Dengel, A., van Elst, L., Lauer, A. Maus, H., Schwarz S. (2006) Personalization in the EPOS project. In: Proceedings of the Semantic Web Personalization Workshop at the ESWC Conference, 2006

Sauermann, L., van Elst, L., Dengel, A. (2007) PIMO – a Framework for Representing Personal Information Models. In: Pellegrini, T. und Schaffert, S. (2007) Proceedings of I-Semantics ’07, pp. 270-277, http://www.dfki.uni-kl.de/auermann/papers/sauermann+2007b.pdf

Schamanek, A. (1998) Management & Umwelt, Skriptum zu Vorlesung des Intituts für Statistik, OR & Compu-terverfahren am BWZ der Universität Wien zum Thema Umwelt Management Austria: Einführung in Kom-plexe Dynamische Systeme, 26.01.1998, http://www.ams.smc.univie.ac.at/~schamane/kds/sth/sthov.htm, Abgerufen: 03. Juni, 11:46 Uhr GMT+2

Schischkoff, G. (1991) Philosophisches Wörterbuch. Alfred Kröner Verlag, 22. Aufl., Stuttgart 1991, in: http://www.fb12.uni-dortmund.de/wtheorie/JPEG/GLOSSAR.HTM

Schlimmer, J, Granger R. (1996) Incremental learning from noisy data. In: Machine Leanring, 1(3), 1996, pp. 317-354. Zitiert in: Harries, M., Horn, K., Sammut, C. (1998). Extracting hidden context. In: Machine Learning, 32(2), August 1998, http://citeseer.ist.psu.edu/harries98extracting.html

Schmid, U. (2002) Aus Erfahrung schlau. In: Gehirn und Geist, Nr. 3, 2002, pp.50-52 Schmidt, S. J. (1996) Kognitive Autonomie und soziale Orientierung. Konstruktivistische Bemerkungen zum

Zusammenhang von Kognition, Kommunikation, Medien und Kultur. Frankfurt a.M., 1996 Schmidt, S. J.; Feilke, H. (1995) Denken und Sprechen: Anmerkung zur strukturellen Kopplung von Kommuni-

kation und Kognition. In: Trabant, I. (Hrsg. 1995) Sprache denken. Positionen aktueller Sprachphilosophie. Frankfurt a.M., S. 269-297, 1995


Schmidt, S.J. (1995) (Radikaler) Konstruktivismus - Wie Wirklichkeit wirklich wird. In: Der blaue Reiter, Jour-nal für Philosophie, Nr. 2, 1995, S. 30-33

Schmidt, S.J. (1998) Die Zähmung des Blicks. Konstruktivismus – Empirie – Wissenschaft. Suhrkamp, Frank-furt, 1998. Zitiert in: Peschl (2001)

Schmidt-Salomon, M. (1997) Erkenntnis aus Engagement, Online-Artikel, Butzweiler/ Trier, 1997, http://www.schmidt-salomon.de/erk5.htm (abgerufen am: 03.06.2007, 12:47 Uhr GMT+2

Schnapp, K-U. (2004) Einführung in die Wissenschaftstheorie. Vorlesungsskript, Universität Halle-Wittenberg, Lehrbereich Methoden der Politikwissenschaft, 2004, http://www.politik.uni-halle.de/schnapp/lehre/M1/SkripteFolien/A_Einf_WissTheo/2_EinfWissTheorie.pdf

Scholl, W. (1990) Die Produktion von Wissen zur Bewältigung komplexer orgnisatorischer Situationen. In: Fisch R., Boos, M. (Hrsg, 1990) Vom Umgang mit Komplexität in Organisationen, Universitätsverlag Kon-stanz, Konstanz, pp. 107-128, 1990

Schukat-Talamazzini, E.G. (1995) Automatische Spracherkennung - Grundlagen, statistische Modelle und effi-ziente Algorithmen. Vieweg, 1995, ISBN 3-528-05492-1

Schwarz, M. (1992) Einführung in die Kognitive Linguistik. Francke, Tübingen, 1992. Zitiert in: Alber (2000) Schwarz, S. (2006) A Context Model for Personal Knowledge Management Applications. In: Roth Berghofer,

T., Schulz, S. und Leake, D.B. (2006) Modeling and Retrieval of Context. Lecture Notes in Computer Sci-ences, Second International Workshop MRC 2005, Springer, Edingurgh, UK, July 31 – August 1, 2005, pp. 18-33, http://www.springerlink.com/content/4526400657457v8t/

Shadbolt, N., O'Hara, K. Crow, L. (1999). The experimental evaluation of knowledge acquisition techniques and methods: history, problems and new directions. In: International Journal of Human-Computer Studies, 51, pp. 729-755. Zitiert in: Aschoff und van Elst (2001)

Siebert, M. (2005) Knowledge Creation Framework enabling just-in-time information delivery. In: Althoff, K.D., Dengel, A., Bergmann, R., Nick, M., Roth-Berghofer, T., eds.: Wissensmanagement, DFKI, Kaiser-slautern, pp. 642-647, 2005

Siebert, M., Smits P., Sauermann, L., Dengel, A. (2006) Increasing Search Quality with the Semantic Desktop in Proposal Development. In: Proceedings of the Practical Aspects of Knowledge Management (PAKM) con-ference, Wien, Springer, Berlin und Heidelberg, 2006

Siebert, M., Smits P., Sauermann, L., Dengel, A. (2006a) Personalized document retrieval in multi-party envi-ronments with the Semantic Desktop. In: Proceedings EDM, 10th IEEE Int. Workshop on the Electronic Document Management in an Enterprise Computing Environment, Hong Kong, China, 2006 http://doi.ieeecomputersociety.org/10.1109/EDOCW.2006.55

Siegel, S. (2001) Nichtparametrische statistische Methoden. Eschborn, 2001 Smith, R. G. (1980) The Contract Net Protocol: High-Level Communication and Control in a Distributed Prob-

lem Solver. In: IEEE Trans. On Computers, 29(12), pp. 1104-1113, December 1980. Zitiert in: Ogston und Vassiliadis (2001)

Smith, R.G., Farquhar, A. (2000) The Road ahead for Knwoledge Management: An AI Perspective. In: AI Magazine, Vol 21; Nr. 4; Winter 2000, pp 17-40

Smolensky P. (1988) On the proper Treatment of Connectionism, Behavioral and Brain Sciences 11(88), 1988, S.1-74

Smolensky, P. (1986) Information Processing in Dynamical Systems: Foundations on Harmony Theory. In: Ru-melhart D.E., McClelland, J.L. (Hrsg. 1986) Parallel Distributed Processing. Explorations in the Microstruc-ture of Cognition. Volume 1, Foundations, pp. 194-281, MIT Press, Cambridge, MA. Zitiert in: Alber (2000)

Smolnik, S., Riempp G. (2006) Google vs. Semantic Web: Nutzenbetrachtungen von Technologien zur Struktu-rierung und zum Retrieval von Informationen. In: Mit Wissensmanagement besser im Wettbewerb!, Ta-gungsband zur KnowTech 2006, 8. Konferenz zum Einsatz von Wissensmanagent in Wirtschaft und Ver-waltung, München, 25./ 26. Oktober 2006, S. 101-108, http://www.knowtech.net

Smyth, M. M. et al. (1994) Cognition in Action, Second Edition, Hove Sowa, J.F (1984) Conceptual Structures. Addison-Wesley, Reading, 1984. Zitiert in: Lorenz (2006) Stahl, G. (1993) Interpretation in Design: The Problem of Tacit and Explicit Understanding in Computer Support

of Cooperative Design. University of Colorado at Boulder, Ph.D. dissertation, 1993. Zitiert in: Ostwald (1996)

Stangl, W. (1997) Grundformen des Lernens, Arbeitsblätter, Universität Linz, 1997, http://paedpsych.jk.uni-linz.ac.at/INTERNET/ARBEITSBLAETTERORD/LERNTECHNIKORD/Lernen.html

Starke, G., Tilkov, S. (Hrsgs. 2007) SOA-Expertenwissen, Dpunkt Verlag, 2007 Steffe, L., Gale, J. (Hrsg., 1995) Constructivism in education. New Jersey, Lawrence Erlbaum Associates. Zit-

iert in: Murphy, E., Constructivist epistemology. Online-article, 1997, http://www.cdli.ca/~elmurphy/emurphy/cle2.html (abgerufen am: 03.06.2007, 13:01 Uhr GMT+2)

Steward T.A. (2001) The role of intellectual capital in economic success. in Next-generation knowledge Man-agement: Enabling business processes. Proceedings from APQC's Sixth Knowledge Management Confer-ence, 2001, p. 32ff. (12)


Stormer, H., Knorr, K. (2001) AWA-eine Architektur eines agenten-basierten Workflow-systems, Universität Zürich, 2001, http://www.ifi.unizh.ch/~knorr/documents/p_wi2001.pdf

Strauss, A., Corbin, J. (1990) Basics of Qualitative Research: Grounded Theory Procedures and Techniques. Newbury Park, CA: Sage Publications, 1990

Strecker, S., Schwickert, A.C. (2000) Künstliche Neuronale Netze. Arbeitspapiere WI, Lehrstuhl für allg. BWL und Wirtschaftsinfomatik, Universität Mainz, 2000

Studer, R. et al. (2001) Arbeitsgerechte Bereitstellung von Wissen - Ontologien für das Wissensmanagement. Technical Report , Institut AIFB, Universität Karlsruhe, 2001, http://www.aifb.uni-karlsruhe.de/WBS/ysu/publications/2001_wiif.pdf (abgerufen am: 07.06.2007, 19:15 Uhr GMT+2)

Stumme, G. (2005) Ontology Marging with Formal Concept Analsis. In: Dagstuhl Seminar Proceedings 04391, http://drops.dagstuhl.de/opus/volltexte/2005/49

Stumme, G., and Maedche, A. (2001) FCA-MERGE: Bottom-up merging of ontologies. In IJCAI, 225.234, 2001. Zitiert in: Hitzler, P., Krцtzsch, M., Ehrig, M., Sure, Y. (2006) What is ontology merging ? - a cate-gory-theoretical perspective using pushouts. In: Proceedings of C&O'06 Contexts and ontologies: theory, practice and applications', 2006 (705)

Sweats, J.A. (1969) Effectiveness of Information Retrieval methods. In: Amer Doc. 20, 1969, pp. 72-89 Tani, J., Nolfi, S. (1999) Learning to perceive the world articulated: an approach for hierarchical learning in sen-

sory-motor systems. In: Neural Networks 12, 1999, pp. 1131-1141. Zitiert in: Herlocker et al. (2004, S. 25) Tefas, A., Kotropoulos C., Pitas, I. (1998) Face verification based on morphological shape decomposition. In:

Proceedings of 3rd Int. Workshop on Face and Gesture Recognition, pp. 36-41, 1998, http://citeseer.ist.psu.edu/tefas98face.html

Teich, I. (1996) Wege zu lernenden Organisation: eine Literaturstudie auf Basis der Grounded Theory, Diss., Universität Erlangen-Nürnberg, 1996

Thomas, R. K. (1993) Squirrel Monkeys, Concepts and Logic. In Burton, R. G. (Hrsg.) Natural and Artificial Minds, State University of New York Press, 1993. Zitiert in: Franklin (1997)

Trochim, W. (1985). Pattern matching, validity and conceptualization in program evaluation. In: Evaluation Re-view, Vol. 9, No. 5, 1985, pp. 575-604, http://www.socialresearchmethods.net/research/Pattern%20Matching,Validity,%20and%20Conceptualization.PDF

Turban, E.(1992) Experts Systems and applied artificial intelligence, McMillan, New York, 1992. Zitiert in: Ka-kabadse, N. K. (2001), S. 141

Uexküll, J.v. (1928) Theoretische Biologie. Springer, Berlin 1928. Zitiert in Ziemke (2000), S.7 Van der Spek R. und Spijkervet, A. (1997) Knowledge management dealing intelligently with knowledge. In

Knowledge managemet and its integrative elements, Liebowitz J., Wilcox, L. (Hrsg.) CRC Press London, 1997, pp. 114-123. Zitiert in: Kakabadse, N. K. (2001), S. 141

Varnholt, A. (2004) semantikbrowser. mediaDIALOG, Siegen, 2004 Vierecke, A. (2007) Konstruktivismus (Philosophie). In: Microsoft Encarta Online-Enzyklopädie, 2007,

http://de.encarta.msn.com/encyclopedia_721543633/Konstruktivismus_(Philosophie).html, abgerufen: 11.April 2008, 12:22 Uhr, GMT

Vollmer G. (2002) Evolutionäre Erkenntnistheorie, 8. Aufl., Stuttgart, 2002 Vulkan, N., Jennings, N.R. (2000) Efficient Mechanisms for the Supply of Services in Multi-Agent Environ-

ments. In: Int. Journal of Decision Support Systems, 28(1-2), pp. 5-19, 2000. Zitiert in: Ogston und Vassili-adis (2001)

Wadsworth, Y. (1998) What is Participatory Action Research ? in: Action research international, Southern Cross Institute of Action Research and Southern Cross University Press, ISSN 1445-6125, 1998, http://www.uq.net.au/action_research/ari/p-ywadsworth98.html

Wagner, T., Göhner P., Paulo G. Urbano, A. de. (2003) Softwareagenten - Einführung und Überblick über eine alternative Art der Softwareentwicklung. Teil I: Agentenorientierte Softwareentwicklung. In: atp - Automa-tisierungstechnische Praxis 45, Heft 10, 2003

Watson, I., Marir, F. (1994) Case-Based Reasoning: A Review. In: The Knowledge Engineering Review, Vol. 9, No. 4, Cambridge University Press, pp. 355-381, 1994

Watzlawick, P., Beavin, J., Jackson, D. (1985) Menschliche Kommunikation. Bern, Stuttgart, Wien, 1985 Weick, K.E. (1985) Cosmos vs. Chaos: Sense and Nonsense in electronic contexts. In: Organisational Dynamics,

New York, pp. 247-260, 1985. Zitiert in: Ruggles (1997) Wiig, K. (1993) Knowledge Management Foundation, Schema Press, New York, 1993. Zitiert in: Kakabadse, N.

K. (2001), S. 141 Wilber, K. et al. (Hrsg. 1982) Das holographische Weltbild - Wissenschaft und Forschung auf dem Weg zu ei-

nem ganzheitlichen Weltverständnis - Erkenntnisse der Avantgarde der Naturwissenschaftler, 1982 Will, M., Lech, T., Klein, B. (2004) Pervasive Knowledge Discovery: continuous Lifelong Learning by Match-

ing Needs, Requirements and Resources. In: Proceedings of I-KNOW 04, Graz, 2004, pp.361-377 Willke, H (2001) Wissensmanagement als Geschäftsprozess - Eine Einführung mit Beispielen aus der Finanz-

wirtschaft. In: Roßbach, H. (2001) Management der Ressource Wissen in Banken, 2001, pp. 13-30


Wilson, E.O. (1998) Die Einheit des Wissens, Siedler Verlag, Berlin, 1998 Wilson, G. (2001) Proposal Automation Tools, in: Proposal Management Journal, Spring 2001, pp. 67-73 Woitsch, R., Karagiannis, D. (2004) Process-oriented Knowledge Management: A service based approach. In:

Proceedings of I-KNOW 04, Graz, 2004, pp. 408-415, http://www.know-center.tugraz.at/previous/i-know04/papers/woitsch.pdf

Woolf, H. (1990) Webster’s New World Dictionary of the American Language. G. und C. Merriam, New York, 1990, in: Kakabadse, N. K. (2001), S. 141

Womser-Hacker, C. (1989) Der PADOK Retrievaltest. Zur Methode und Verwendung statistischer Verfahren bei der Bewertung von Information-Retrieval-Systemen. Hildesheim, 1989

Yin, R.K. (2003) Case study research – Design and methods, 3. Auflage, London, New Dehli, 2003 Zeilbeck, R., Franz , J. (2005) Siemens Scenarios. Semantically Enabled Knowledge Technologies. In: EU-IST

Project IST-2003-506826 SEKT, September 2005 Zell, A. (1994) Simulation Neuronaler Netze, Addison-Wesley, 1994 - ISBN 3-89319-554-8 Zhang, P., (2000) Neural Networks for Classification: A Survey. In: IEEE Transactions on systems, man, and

cybernetics – part C Applications and reviews, Vol. 30, No. 4, November 2000, pp. 451-462 Ziemke, T. (2000) Construction of reality in the robot: Constructivist Perspective on situated artificial intelli-

gence and adaptive robotics. In Foundations of Science, special issue on The impact of radical contrcutivism on science, Riegler, A. (Hrsg.), vol. 6, no. 1-3, pp. 163-233

Zöfel, S. (2001) Statistik verstehen. 2001


Anhang: Einzelne Testergebnisse

Suche mit Livelink

Tabelle: Ergebnisse für „Cost Reduction“

Tabelle: Ergebnisse für „Business Efficiency“

Cost ReductionGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 14 141 14 10 4 4 137 0,71 0,71 0,03 0,71 6S1 81 7 74 8 7 1 0 73 0,88 1,00 0,01 0,93 6S1 (PM) 89 9 80 10 9 1 0 79 0,90 1,00 0,01 0,95S2 140 11 129 13 10 3 1 126 0,77 0,91 0,02 0,83 7S3 96 10 86 12 9 3 1 83 0,75 0,90 0,03 0,82 6S4 155 14 141 17 12 5 2 136 0,71 0,86 0,04 0,77 7LiveLink (Gesamt) 4327 11 9 -11 -9 0,00 45,10 2brainFiler (Gesamt) 1337 200 12 8 -12 1329 0,06 39,00 4

Business EfficiencyGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 5 150 12 5 7 0 143 0,42 1,00 0,05 0,59 -2S1 81 4 77 6 4 2 0 75 0,67 1,00 0,03 0,80 2S1 (PM) 89 4 85 6 4 2 0 83 0,67 1,00 0,02 0,80 2S2 140 5 135 7 5 2 0 133 0,71 1,00 0,01 0,83 3S3 96 4 92 8 4 4 0 88 0,50 1,00 0,04 0,67 0S4 155 5 150 9 5 4 0 146 0,56 1,00 0,03 0,71 1LiveLink (Gesamt) 10505 9 11 -9 -11 0,00 54,90 -2brainFiler (Gesamt) 1337 122 9 11 -9 1326 0,07 54,90 -2


Tabelle: Ergebnisse für „Callcenter“

Tabelle: Ergebnisse für „Helpdesk“

Tabelle: Ergebnisse für „Infrastructure“

CallcenterGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 3 152 12 3 9 0 143 0,25 1,00 0,06 0,40 -6S1 81 3 78 4 3 1 0 77 0,75 1,00 0,01 0,86 2S1 (PM) 89 3 86 5 3 2 0 84 0,60 1,00 0,02 0,75 1S2 140 3 137 5 3 2 0 135 0,60 1,00 0,01 0,75 1S3 96 3 93 5 3 2 0 91 0,60 1,00 0,02 0,75 1S4 155 3 152 6 3 3 0 149 0,50 1,00 0,02 0,67 0LiveLink (Gesamt) 971 13 7 -13 -7 0,01 32,50 6brainFiler (Gesamt) 1337 160 12 8 -12 1329 0,08 39,00 4

HelpdeskGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 4 151 6 3 3 1 148 0,50 0,75 0,02 0,60 0S1 81 2 79 4 2 2 0 77 0,50 1,00 0,03 0,67 0S1 (PM) 89 2 87 4 2 2 0 85 0,50 1,00 0,02 0,67 0S2 140 4 136 5 3 2 1 134 0,60 0,75 0,01 0,67 1S3 96 2 94 5 2 3 0 91 0,40 1,00 0,03 0,57 -1S4 155 4 151 6 3 3 1 148 0,50 0,75 0,02 0,60 0LiveLink (Gesamt) 1184 15 5 -15 -5 0,01 19,50 10brainFiler (Gesamt) 1337 96 17 3 -17 1334 0,18 8,50 14

InfrastructureGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure



Tabelle: Ergebnisse für „Communication“

Tabelle: Ergebnisse für „SAP R3“

Tabelle: Ergebnisse für „RFID“

CommunicationGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 8 147 15 4 11 4 136 0,27 0,50 0,07 0,35 -7S1 81 5 76 5 4 1 1 75 0,80 0,80 0,01 0,80 3S1 (PM) 89 6 83 6 4 2 2 81 0,67 0,67 0,02 0,67 2S2 140 8 132 10 6 4 2 128 0,60 0,75 0,03 0,67 2S3 96 5 91 7 4 3 1 88 0,57 0,80 0,03 0,67 1

S4155 8 147 12 6 6 2 141 0,50 0,75 0,04 0,60 0

LiveLink (Gesamt) 16989 7 13 -7 -13 0,00 59,50 -6brainFiler (Gesamt) 1337 129 15 5 -15 1332 0,12 19,50 10

SAP R3Gesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL155 9 146 18 4 14 5 132 0,22 0,44 0,10 0,30 -10

S1 81 7 74 5 5 0 2 74 1,00 0,71 0,00 0,83 5S1 (PM) 89 8 81 6 5 1 3 80 0,83 0,63 0,01 0,71 4S2 140 8 132 10 6 4 2 128 0,60 0,75 0,03 0,67 2S3 96 8 88 11 7 4 1 84 0,64 0,88 0,05 0,74 3S4 155 9 146 16 8 8 1 138 0,50 0,89 0,05 0,64 0LiveLink (Gesamt) 18206 10 10 -10 -10 0,00 50,50 0brainFiler (Gesamt) 1337 22 17 3 -17 1334 0,77 8,50 14

RFIDGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 6 149 18 4 14 2 135 0,22 0,67 0,09 0,33 -10S1 81 2 79 2 2 0 0 79 1,00 1,00 0,00 1,00 2S1 (PM) 89 2 87 2 2 0 0 87 1,00 1,00 0,00 1,00 2S2 140 6 134 7 5 2 1 132 0,71 0,83 0,01 0,77 3S3 96 2 94 3 2 1 0 93 0,67 1,00 0,01 0,80 1S4 155 6 149 8 5 3 1 146 0,63 0,83 0,02 0,71 2LiveLink (Gesamt) 5906 9 11 -9 -11 0,00 54,90 -2brainFiler (Gesamt) 1337 185 16 4 -16 1333 0,09 13,60 12


Tabelle: Ergebnisse für „Voice Data Solution“

Tabelle: Ergebnisse für „Outsourcing“

Tabelle: Ergebnisse für „Financial Market“

Voice Data SolutionGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 4 151 7 3 4 1 147 0,43 0,75 0,03 0,55 -1S1 81 2 79 3 2 1 0 78 0,67 1,00 0,01 0,80 1S1 (PM) 89 3 86 4 2 2 1 84 0,50 0,67 0,02 0,57 0S2 140 3 137 3 2 1 1 136 0,67 0,67 0,01 0,67 1S3 96 3 93 4 3 1 0 92 0,75 1,00 0,01 0,86 2S4 155 4 151 4 3 1 1 150 0,75 0,75 0,01 0,75 2LiveLink (Gesamt) 4234 13 7 -13 -7 0,00 32,50 6brainFiler (Gesamt) 1337 170 7 13 -7 1324 0,04 59,50 -6

OutsourcingGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 41 114 46 30 16 11 98 0,65 0,73 0,14 0,69 14S1 81 13 68 15 12 3 1 65 0,80 0,92 0,04 0,86 9S1 (PM) 89 18 71 21 17 4 1 67 0,81 0,94 0,06 0,87 13S2 140 32 108 31 25 6 7 102 0,81 0,78 0,06 0,79 19S3 96 22 74 25 20 5 2 69 0,80 0,91 0,07 0,85 15S4 155 41 114 41 33 8 8 106 0,80 0,80 0,07 0,80 25LiveLink (Gesamt) 20828 11 9 -11 -9 0,00 45,10 2brainFiler (Gesamt) 1337 127 19 1 -19 1336 0,15 1,90 18

Financial MarketGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure



Tabelle: Ergebnisse für „Kunde1“

Konzeptsuche mit Ontologien

Suche über Gnowsis unter Einbeziehung der organisatorischen Ontologie.


Kunde1Gesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision

(p) (Ma/P)

Recall (r)

(Ma/M)

Fallout

(f) (Qa/Q)F-Wert

c/b

measure

LL 155 17 145 13 10 3 7 135 0,77 0,59 0,02 0,67 7S1 81 6 75 9 6 3 0 72 0,67 1,00 0,04 0,80 3S1 (PM) 89 7 82 10 7 3 0 79 0,70 1,00 0,04 0,82 4S2 140 15 125 17 13 4 2 121 0,76 0,87 0,03 0,81 9S3 96 8 88 11 8 3 0 85 0,73 1,00 0,03 0,84 5S4 155 17 138 19 15 4 2 134 0,79 0,88 0,03 0,83 11LiveLink (Gesamt) 14 11 3 -11 -3 0,79 7,86 8brainFiler (Gesamt) 1337 20 15 5 -15 1332 0,75 19,50 10


menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 19 367 11 9 2 10 365 0,818181818 0,473684211 0,005449591 0,6 7S2 445 23 422 16 12 4 11 418 0,75 0,52173913 0,009478673 0,61538462 8S3 401 22 379 15 11 4 11 375 0,733333333 0,5 0,01055409 0,59459459 7S4 460 26 434 20 14 6 12 428 0,7 0,538461538 0,013824885 0,60869565 8Gnowsis Ges 1642 26 16 10 -16 1632 0,615384615 0 6






menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 13 373 11 7 4 6 369 0,636363636 0,538461538 0,010723861 0,58333333 3S2 445 14 431 12 8 4 6 427 0,666666667 0,571428571 0,009280742 0,61538462 4S3 401 13 388 13 7 6 6 382 0,538461538 0,538461538 0,015463918 0,53846154 1S4 460 14 446 14 8 6 6 440 0,571428571 0,571428571 0,013452915 0,57142857 2Gnowsis Ges 1642 30 12 18 -12 1624 0,4 0 -6

CallcenterGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 18 368 6 5 1 13 367 0,833333333 0,277777778 0,002717391 0,41666667 4S2 445 18 427 7 5 2 13 425 0,714285714 0,277777778 0,004683841 0,4 3S3 401 18 383 7 5 2 13 381 0,714285714 0,277777778 0,005221932 0,4 3S4 460 18 442 8 5 3 13 439 0,625 0,277777778 0,00678733 0,38461538 2Gnowsis Ges 1642 24 14 10 -14 1632 0,583333333 0 4

HelpdeskGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 19 367 7 5 2 14 365 0,714285714 0,263157895 0,005449591 0,38461538 3S2 445 21 424 8 6 2 15 422 0,75 0,285714286 0,004716981 0,4137931 4S3 401 19 382 8 5 3 14 379 0,625 0,263157895 0,007853403 0,37037037 2S4 460 21 439 9 6 3 15 436 0,666666667 0,285714286 0,006833713 0,4 3Gnowsis Ges 1642 26 23 3 -23 1639 0,884615385 0 20






menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 10 376 8 4 4 6 372 0,5 0,4 0,010638298 0,44444444 0S2 445 12 433 10 5 5 7 428 0,5 0,416666667 0,011547344 0,45454545 0S3 401 12 389 9 5 4 7 385 0,555555556 0,416666667 0,010282776 0,47619048 1S4 460 14 446 11 6 5 8 441 0,545454545 0,428571429 0,011210762 0,48 1Gnowsis Ges 1642 22 13 9 -13 1633 0,590909091 0 4


menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 17 369 9 7 2 10 367 0,777777778 0,411764706 0,005420054 0,53846154 5S2 445 20 425 14 9 5 11 420 0,642857143 0,45 0,011764706 0,52941176 4S3 401 17 384 11 7 4 10 380 0,636363636 0,411764706 0,010416667 0,5 3S4 460 20 440 16 9 7 11 433 0,5625 0,45 0,015909091 0,5 2Gnowsis Ges 1642 28 21 7 -21 1635 0,75 0 14

SAP R3Gesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 17 369 9 8 1 9 368 0,888888889 0,470588235 0,002710027 0,61538462 7S2 445 18 427 14 9 5 9 422 0,642857143 0,5 0,011709602 0,5625 4S3 401 18 383 15 10 5 8 378 0,666666667 0,555555556 0,01305483 0,60606061 5S4 460 19 441 20 11 9 8 432 0,55 0,578947368 0,020408163 0,56410256 2Gnowsis Ges 1642 28 20 8 -20 1634 0,714285714 0 12





RFIDGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 7 379 3 3 0 4 379 1 0,428571429 0 0,6 3S2 445 11 434 8 6 2 5 432 0,75 0,545454545 0,004608295 0,63157895 4S3 401 7 394 4 3 1 4 393 0,75 0,428571429 0,002538071 0,54545455 2S4 460 11 449 9 6 3 5 446 0,666666667 0,545454545 0,006681514 0,6 3Gnowsis Ges 1642 22 15 7 -15 1635 0,681818182 0 8


menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 5 381 4 3 1 2 380 0,75 0,6 0,002624672 0,66666667 2S2 445 6 439 4 3 1 3 438 0,75 0,5 0,002277904 0,6 2S3 401 6 395 5 4 1 2 394 0,8 0,666666667 0,002531646 0,72727273 3S4 460 7 453 5 4 1 3 452 0,8 0,571428571 0,002207506 0,66666667 3Gnowsis Ges 1642 22 15 7 -15 1635 0,681818182 0 8

OutsourcingGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 29 357 17 14 3 15 354 0,823529412 0,482758621 0,008403361 0,60869565 11S2 445 48 397 33 27 6 21 391 0,818181818 0,5625 0,01511335 0,66666667 21S3 401 38 363 27 22 5 16 358 0,814814815 0,578947368 0,013774105 0,67692308 17S4 460 57 403 43 35 8 22 395 0,813953488 0,614035088 0,019851117 0,7 27Gnowsis Ges 1642 24 24 0 -24 1642 1 0 24





menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 19 367 11 11 0 8 367 1 0,578947368 0 0,73333333 11S2 445 29 416 23 20 3 9 413 0,869565217 0,689655172 0,007211538 0,76923077 17S3 401 21 380 14 13 1 8 379 0,928571429 0,619047619 0,002631579 0,74285714 12S4 460 31 429 26 22 4 9 425 0,846153846 0,709677419 0,009324009 0,77192982 18Gnowsis Ges 1642 22 14 8 -14 1634 0,636363636 0 6

Kunde1Gesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 29 357 13 10 3 19 354 0,769230769 0,344827586 0,008403361 0,47619048 7S2 445 38 407 21 17 4 21 403 0,80952381 0,447368421 0,00982801 0,57627119 13S3 401 31 370 15 12 3 19 367 0,8 0,387096774 0,008108108 0,52173913 9S4 460 40 420 23 19 4 21 416 0,826086957 0,475 0,00952381 0,6031746 15Gnowsis Ges 1642 28 18 10 -18 1632 0,642857143 0 8


Semantische Suche

Zusätzliche Einbeziehung von Inferenzen in die Suche zur Ermittlung des Suchergebnisses.





menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 19 367 22 18 4 1 363 0,818181818 0,947368421 0,010899183 0,87804878 14S2 445 23 422 27 21 6 2 416 0,777777778 0,913043478 0,014218009 0,84 15S3 401 22 379 26 20 6 2 373 0,769230769 0,909090909 0,015831135 0,83333333 14S4 460 26 434 31 23 8 3 426 0,741935484 0,884615385 0,01843318 0,80701754 15Gnowsis Ges 1642 37 25 12 -25 1630 0,675675676 0 13


menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 13 373 16 12 4 1 369 0,75 0,923076923 0,010723861 0,82758621 8S2 445 14 431 17 13 4 1 427 0,764705882 0,928571429 0,009280742 0,83870968 9S3 401 13 388 18 12 6 1 382 0,666666667 0,923076923 0,015463918 0,77419355 6S4 460 14 446 19 13 6 1 440 0,684210526 0,928571429 0,013452915 0,78787879 7Gnowsis Ges 1642 35 17 18 -17 1624 0,485714286 0 -1

CallcenterGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 18 368 24 18 6 0 362 0,75 1 0,016304348 0,85714286 12S2 445 18 427 25 18 7 0 420 0,72 1 0,016393443 0,8372093 11S3 401 18 383 25 18 7 0 376 0,72 1 0,018276762 0,8372093 11S4 460 18 442 26 18 8 0 434 0,692307692 1 0,018099548 0,81818182 10Gnowsis Ges 1642 42 27 15 -27 1627 0,642857143 0 12





HelpdeskGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 19 367 25 18 7 1 360 0,72 0,947368421 0,019073569 0,81818182 11S2 445 21 424 26 19 7 2 417 0,730769231 0,904761905 0,016509434 0,80851064 12S3 401 19 382 26 18 8 1 374 0,692307692 0,947368421 0,020942408 0,8 10S4 460 21 439 27 19 8 2 431 0,703703704 0,904761905 0,018223235 0,79166667 11Gnowsis Ges 1642 44 36 8 -36 1634 0,818181818 0 28


menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 10 376 16 9 7 1 369 0,5625 0,9 0,018617021 0,69230769 2S2 445 12 433 18 10 8 2 425 0,555555556 0,833333333 0,018475751 0,66666667 2S3 401 12 389 17 10 7 2 382 0,588235294 0,833333333 0,017994859 0,68965517 3S4 460 14 446 19 11 8 3 438 0,578947368 0,785714286 0,01793722 0,66666667 3Gnowsis Ges 1642 30 18 12 -18 1630 0,6 0 6


menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 17 369 28 15 13 2 356 0,535714286 0,882352941 0,035230352 0,66666667 2S2 445 20 425 33 17 16 3 409 0,515151515 0,85 0,037647059 0,64150943 1S3 401 17 384 30 15 15 2 369 0,5 0,882352941 0,0390625 0,63829787 0S4 460 20 440 35 17 18 3 422 0,485714286 0,85 0,040909091 0,61818182 -1Gnowsis Ges 1642 47 29 18 -29 1624 0,617021277 0 11





SAP R3Gesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 17 369 15 14 1 3 368 0,933333333 0,823529412 0,002710027 0,875 13S2 445 18 427 20 15 5 3 422 0,75 0,833333333 0,011709602 0,78947368 10S3 401 18 383 21 16 5 2 378 0,761904762 0,888888889 0,01305483 0,82051282 11S4 460 19 441 26 17 9 2 432 0,653846154 0,894736842 0,020408163 0,75555556 8

Gnowsis Ges 1642 34 26 8 -26 1634 0,764705882 0 18

RFIDGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 7 379 11 6 5 1 374 0,545454545 0,857142857 0,013192612 0,66666667 1S2 445 11 434 16 9 7 2 427 0,5625 0,818181818 0,016129032 0,66666667 2S3 401 7 394 12 6 6 1 388 0,5 0,857142857 0,015228426 0,63157895 0S4 460 11 449 17 9 8 2 441 0,529411765 0,818181818 0,017817372 0,64285714 1Gnowsis Ges 1642 30 18 12 -18 1630 0,6 0 6


menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 5 381 7 4 3 1 378 0,571428571 0,8 0,007874016 0,66666667 1S2 445 6 439 7 4 3 2 436 0,571428571 0,666666667 0,006833713 0,61538462 1S3 401 6 395 8 5 3 1 392 0,625 0,833333333 0,007594937 0,71428571 2S4 460 7 453 8 5 3 2 450 0,625 0,714285714 0,006622517 0,66666667 2Gnowsis Ges 1642 25 16 9 -16 1633 0,64 0 7





OutsourcingGesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 29 357 40 27 13 2 344 0,675 0,931034483 0,036414566 0,7826087 14S2 445 48 397 56 40 16 8 381 0,714285714 0,833333333 0,040302267 0,76923077 24S3 401 38 363 50 35 15 3 348 0,7 0,921052632 0,041322314 0,79545455 20S4 460 57 403 66 48 18 9 385 0,727272727 0,842105263 0,044665012 0,7804878 30Gnowsis Ges 1642 47 37 10 -37 1632 0,787234043 0 27


menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 19 367 19 17 2 2 365 0,894736842 0,894736842 0,005449591 0,89473684 15S2 445 29 416 31 26 5 3 411 0,838709677 0,896551724 0,012019231 0,86666667 21S3 401 21 380 22 19 3 2 377 0,863636364 0,904761905 0,007894737 0,88372093 16S4 460 31 429 34 28 6 3 423 0,823529412 0,903225806 0,013986014 0,86153846 22

Gnowsis Ges 1642 30 20 10 -20 1632 0,666666667 0 10

Kunde1Gesamt-

menge NM Q

P

(found)

Ma

(correct accept)

Qa

(false accept)

(correct reject)

(false reject)

Precision (p)

(Ma/P)

Recall (r)

(Ma/M)

Fallout (f)

(Qa/Q)F-Wert

c/b

measure

S1 386 29 357 36 28 8 1 349 0,777777778 0,965517241 0,022408964 0,86153846 20S2 445 38 407 44 35 9 3 398 0,795454545 0,921052632 0,022113022 0,85365854 26S3 401 31 370 38 30 8 1 362 0,789473684 0,967741935 0,021621622 0,86956522 22S4 460 40 420 46 37 9 3 411 0,804347826 0,925 0,021428571 0,86046512 28Gnowsis Ges 1642 51 36 15 -36 1627 0,705882353 0 21


Referenztabelle Wilcoxon-Test (Grenzwerte)

Test zweiseitig einseitig

n 5% 1% 0,1% 5% 1%

6 0 2

7 2 3 0

8 3 0 5 1

9 5 1 8 3

10 8 3 10 5

11 10 5 0 13 7

12 13 7 1 17 9

13 17 9 2 21 12

14 21 12 4 25 15

15 25 15 6 30 19

16 29 19 8 35 23

17 34 23 11 41 27

18 40 27 14 47 32

19 46 32 18 53 37

20 52 37 21 60 43

21 58 42 25 67 49

22 65 48 30 75 55

23 73 54 35 83 62

24 81 61 40 91 69

25 89 68 45 100 76

26 98 75 51 110 84

27 107 83 57 119 92

28 116 91 64 130 101

Quelle: http://www.forst.tu-dresden.de/Biometrie/formeln/form07_2.html


Refernztabelle Wilcoxon-Test (explizite Signifikanzniveaus)

Stichprobe: N = 12

Niedrigere

Rangsumme Explizites

Signifikanzniveau 0 0.0002441 1 0.0004883 2 0.0007324 3 0.001221 4 0.001709 5 0.002441 6 0.003418 7 0.004639 8 0.006104 9 0.008057

10 0.01050 11 0.01343 12 0.01709 13 0.02124 14 0.02612 15 0.03198 16 0.03857 17 0.04614 18 0.05493 19 0.06470 20 0.07568 21 0.08813

Quelle: http://comp9.psych.cornell.edu/Darlington/wilcoxon/wilcox51.htm


Screenshots

Screenshot (schematisch) Gnowsis für Szenario 1, eigene Darstellung

Semantische Suche für die Wissensentwicklung in ... · 4 Semantische Suche für die...

Documents

Transcript of Semantische Suche für die Wissensentwicklung in ... · 4 Semantische Suche für die...