Die Modellierung von akademischen Wissensdomänen, deren Wissensinhalte sich schnell verändern, ist wegen des großen Aufwandes, ständiger Anpassungen und großer Datenmengen eine Herausforderung. Dieser Artikel stellt eine Lösung für eine neue, epistemologische Domänenmodellierung vor, die auf der Theorie menschlicher mentaler Modellbildung basiert und es erlaubt, akademische Wissensdomänen abzubilden, die ständigen Veränderungen unterworfen sind. Diese neue Art der Domänenmodellierung erweitert das vorhandene technologische Spektrum der Wissensmodellierung (knowledge engineering) um eine neue Methodenklasse und schließt die bisher bestehende konzeptuelle Lücke in der Vermittlung zwischen maschineller Wissensaufbereitung und der menschlichen Nutzung. Menschliches Wissen zeichnet sich durch eine kontextabhängige Vernetzung von Informationen aus. Diese Vernetzungen sind assoziativer Natur. Entsprechend dieser grundlegenden Funktionsweise menschlichen Wissens analysiert das validierte Textanalyseprogramm T-MITOCAR (Text Model Inspection Trace of Concepts and Relations) die in Text enthaltenen semantischen Wissensstrukturen computerlinguistisch und bildet sie als Assoziationsnetze (Landkarten des Wissens) ab. Die resultierenden Wissenslandkarten ähneln in ihrem Erscheinungsbild einer Mindmap. Ziel dabei ist es, eine adäquate Re-Repräsentation menschlichen Wissens auf der Grundlage von Text bereitzustellen. Die Methoden können ebenfalls ganze Textkorpora in einem zweiten Schritt zu einer Wissensdomänenlandkarte aggregieren. Mittels dieser Technologien kann eine vollständige akademische Wissensdomäne automatisch als Wissenslandkarte abgebildet werden. Solche Wissensdomänenmodelle können von Institutionen mit schnelllebigen Wissensdomänen, wie z. B. Universitäten und Fachinformationsdiensten (FDI), als Instrumente des innovativen Wissens- und Informationsmanagements eingesetzt werden. Die Methoden ermöglichen Bibliotheken beispielsweise, aus verschiedenen Textkorpora automatisch je eine Wissenslandkarte zu generieren, diese zu vergleichen und inhaltliche Überschneidungen der zugrunde liegenden Wissensdomänen zu identifizieren. Veränderungen an der Wissensdomäne werden überblicksartig analysierbar und Literaturempfehlungen lassen sich auf der Grundlage von bereits Geschriebenen ausgeben.
%0 Journal Article
%1 kampmann_automatisierte_2020
%A Kampmann, Inga
%A Hähnlein, Inka
%A Pirnay-Dummer, Pablo
%D 2020
%J Information - Wissenschaft & Praxis
%K automatisches_indexieren
%N 1
%P 28--38
%R 10.1515/iwp-2019-2071
%T Automatisierte Modellierung von akademischen Wissensdomänen als Methode zum innovativen Wissensmanagement
%U https://www.degruyter.com/view/j/iwp.2020.71.issue-1/iwp-2019-2071/iwp-2019-2071.xml
%V 71
%X Die Modellierung von akademischen Wissensdomänen, deren Wissensinhalte sich schnell verändern, ist wegen des großen Aufwandes, ständiger Anpassungen und großer Datenmengen eine Herausforderung. Dieser Artikel stellt eine Lösung für eine neue, epistemologische Domänenmodellierung vor, die auf der Theorie menschlicher mentaler Modellbildung basiert und es erlaubt, akademische Wissensdomänen abzubilden, die ständigen Veränderungen unterworfen sind. Diese neue Art der Domänenmodellierung erweitert das vorhandene technologische Spektrum der Wissensmodellierung (knowledge engineering) um eine neue Methodenklasse und schließt die bisher bestehende konzeptuelle Lücke in der Vermittlung zwischen maschineller Wissensaufbereitung und der menschlichen Nutzung. Menschliches Wissen zeichnet sich durch eine kontextabhängige Vernetzung von Informationen aus. Diese Vernetzungen sind assoziativer Natur. Entsprechend dieser grundlegenden Funktionsweise menschlichen Wissens analysiert das validierte Textanalyseprogramm T-MITOCAR (Text Model Inspection Trace of Concepts and Relations) die in Text enthaltenen semantischen Wissensstrukturen computerlinguistisch und bildet sie als Assoziationsnetze (Landkarten des Wissens) ab. Die resultierenden Wissenslandkarten ähneln in ihrem Erscheinungsbild einer Mindmap. Ziel dabei ist es, eine adäquate Re-Repräsentation menschlichen Wissens auf der Grundlage von Text bereitzustellen. Die Methoden können ebenfalls ganze Textkorpora in einem zweiten Schritt zu einer Wissensdomänenlandkarte aggregieren. Mittels dieser Technologien kann eine vollständige akademische Wissensdomäne automatisch als Wissenslandkarte abgebildet werden. Solche Wissensdomänenmodelle können von Institutionen mit schnelllebigen Wissensdomänen, wie z. B. Universitäten und Fachinformationsdiensten (FDI), als Instrumente des innovativen Wissens- und Informationsmanagements eingesetzt werden. Die Methoden ermöglichen Bibliotheken beispielsweise, aus verschiedenen Textkorpora automatisch je eine Wissenslandkarte zu generieren, diese zu vergleichen und inhaltliche Überschneidungen der zugrunde liegenden Wissensdomänen zu identifizieren. Veränderungen an der Wissensdomäne werden überblicksartig analysierbar und Literaturempfehlungen lassen sich auf der Grundlage von bereits Geschriebenen ausgeben.
@article{kampmann_automatisierte_2020,
abstract = {Die Modellierung von akademischen Wissensdom{\"a}nen, deren Wissensinhalte sich schnell ver{\"a}ndern, ist wegen des gro{\ss}en Aufwandes, st{\"a}ndiger Anpassungen und gro{\ss}er Datenmengen eine Herausforderung. Dieser Artikel stellt eine L{\"o}sung f{\"u}r eine neue, epistemologische Dom{\"a}nenmodellierung vor, die auf der Theorie menschlicher mentaler Modellbildung basiert und es erlaubt, akademische Wissensdom{\"a}nen abzubilden, die st{\"a}ndigen Ver{\"a}nderungen unterworfen sind. Diese neue Art der Dom{\"a}nenmodellierung erweitert das vorhandene technologische Spektrum der Wissensmodellierung (knowledge engineering) um eine neue Methodenklasse und schlie{\ss}t die bisher bestehende konzeptuelle L{\"u}cke in der Vermittlung zwischen maschineller Wissensaufbereitung und der menschlichen Nutzung. Menschliches Wissen zeichnet sich durch eine kontextabh{\"a}ngige Vernetzung von Informationen aus. Diese Vernetzungen sind assoziativer Natur. Entsprechend dieser grundlegenden Funktionsweise menschlichen Wissens analysiert das validierte Textanalyseprogramm T-MITOCAR (Text Model Inspection Trace of Concepts and Relations) die in Text enthaltenen semantischen Wissensstrukturen computerlinguistisch und bildet sie als Assoziationsnetze (Landkarten des Wissens) ab. Die resultierenden Wissenslandkarten {\"a}hneln in ihrem Erscheinungsbild einer Mindmap. Ziel dabei ist es, eine ad{\"a}quate Re-Repr{\"a}sentation menschlichen Wissens auf der Grundlage von Text bereitzustellen. Die Methoden k{\"o}nnen ebenfalls ganze Textkorpora in einem zweiten Schritt zu einer Wissensdom{\"a}nenlandkarte aggregieren. Mittels dieser Technologien kann eine vollst{\"a}ndige akademische Wissensdom{\"a}ne automatisch als Wissenslandkarte abgebildet werden. Solche Wissensdom{\"a}nenmodelle k{\"o}nnen von Institutionen mit schnelllebigen Wissensdom{\"a}nen, wie z. B. Universit{\"a}ten und Fachinformationsdiensten (FDI), als Instrumente des innovativen Wissens- und Informationsmanagements eingesetzt werden. Die Methoden erm{\"o}glichen Bibliotheken beispielsweise, aus verschiedenen Textkorpora automatisch je eine Wissenslandkarte zu generieren, diese zu vergleichen und inhaltliche {\"U}berschneidungen der zugrunde liegenden Wissensdom{\"a}nen zu identifizieren. Ver{\"a}nderungen an der Wissensdom{\"a}ne werden {\"u}berblicksartig analysierbar und Literaturempfehlungen lassen sich auf der Grundlage von bereits Geschriebenen ausgeben.},
added-at = {2020-01-18T18:31:49.000+0100},
author = {Kampmann, Inga and H{\"a}hnlein, Inka and {Pirnay-Dummer}, Pablo},
biburl = {https://www.bibsonomy.org/bibtex/293f1358e3163a5eb9a9ddd2b467d878d/lepsky},
doi = {10.1515/iwp-2019-2071},
interhash = {22e0b13b7899f58d86d023420eae1508},
intrahash = {93f1358e3163a5eb9a9ddd2b467d878d},
issn = {1619-4292},
journal = {Information - Wissenschaft \& Praxis},
keywords = {automatisches_indexieren},
number = 1,
pages = {28--38},
timestamp = {2020-01-18T18:33:00.000+0100},
title = {Automatisierte Modellierung von akademischen Wissensdom{\"a}nen als Methode zum innovativen Wissensmanagement},
url = {https://www.degruyter.com/view/j/iwp.2020.71.issue-1/iwp-2019-2071/iwp-2019-2071.xml},
urldate = {2020-01-18},
volume = 71,
year = 2020
}