Knowledge Representation and Machine Learning

Die Forschungsfragen der Arbeitsgruppe Wissensrepräsentation und Maschinelles Lernen sind: Wie können wir maschinelles Lernen durch menschliches Vorwissen verbessern? Wie können wir Modelle und Entscheidungen des maschinellen Lernens für Menschen verständlich machen? Und: Wie können wir maschinelles Lernen dazu einsetzen, menschliches Wissen zu mehren? Um menschliches Wissen maschinenlesbar zu machen, repräsentieren wir menschliches Wissen als strukturierte Daten, wie Grammatiken und Wissensgraphen. Unser Haupt-Anwendungsfeld ist die Bildung, da Wissensverarbeitung und -mehrung dort besonders zentral ist. Allerdings ist der Bereich Bildung auch besonders sensitiv, sodass wir besonderen Wert auf Methoden des maschinellen Lernens legen, die verantwortungsvoll, transparent und fair sind.

Im Einzelnen sind unsere Forschungsschwerpunkte:

• Educational Data Mining, learning analytics und maschinelles Lernen für die Bildung
• Intelligente Tutoring-Systeme
• Maschinelles Lernen auf strukturierten Daten (z.B. Graph neural networks, Autoencoder für Strukturen, edit-Distanzen)
• Maschinelles Lernen mit Vorwissen und datensparsames maschinelles Lernen (z.B. few-shot learning, transfer learning)
• Interpretierbares und erklärbares maschinelles Lernen
• Fairness im maschinellen Lernen

Intelligentes Tutoring System

Im Auftrag der Technischen Fakultät entwickelt Alina Deriyeva ein intelligentes Tutoring-System, das die Programmierlehre an der technischen Fakultät (zusätzlich zu Vorlesung und Tutorien) unterstützen soll. Eine initiale Version wurde im Wintersemester 2023/2024 bereits für die Kurse Introduction to Machine Learning und Introduction to Data Mining eingesetzt. Das System soll allerdings nicht nur die Lehre unterstützen, sondern auch als Forschungsplattform dienen, um neue Methoden der künstlichen Intelligenz für die Programmierlehre zu erforschen.

Kognitive Unterstützung durch erklärbare künstliche Intelligenz in Tutoring-Systemen

Im Rahmen des Subprojekts 3.5 des Forschungsverbunds SAIL forscht Jesper Dannath an Strategien der erklärbaren künstlichen Intelligenz und des maschinellen Lernens, um das menschliche Lernen zu unterstützen. Dabei baut das Projekt auf dem Intelligenten Tutoring-System als Forschungsplattform auf.

Labor für Interaktives Maschinelles Lernen

Gefördert von der Technischen Fakultät führt Dr. Adia Khalid das Labor für interaktives maschinelles Lernen. Im Labor sollen Studien dazu durchgeführt werden, wie Menschen mit Systemen des maschinellen Lernens interagieren, insbesondere bei der Lösung kognitiv anspruchsvoller Aufgaben und beim Treffen von Entscheidungen. Zentrale Frage ist, ob Methoden des erklärbaren maschinellen Lernens die tatsächliche Problemlösungs- und Entscheidungskompetenz von Menschen verbessern.

Datemsparsames maschinelles Lernen für biomedizinische Zeitreihen

Rui Liu forscht an Methoden des maschinellen Lernens, die mit wenig Trainingsdaten in der Lage sind, biomedizinische Zeitreihen (insbesondere Elektromyogramme) auszuwerten. Hauptanwendung sind bionische Prothesen: Patient*innen sollen in die Lage versetzt werden, nur durch Aktivierung der Muskeln im Armstumpf eine robotische Handprothese zu steuern.

Entwicklung eines Chatbots zur Unterstützung der studentischen Studienberatung

Im Rahmen eines Forschungsprojekts der technischen Fakultät arbeiten Liliana Sanfilippo und Jasper Matzat daran, ein interaktives Beratungssystem (einen Chatbot) zu entwickeln, der Studierenden und Studieninteressierten an der technischen Fakultät rund um die Uhr zur Verfügung steht und häufige Fragen beantworten kann. Dabei soll der Chatbot keineswegs die studentische Studienberatung ersetzen, sondern dient als Ergänzungsangebot und soll auf persönliche Beratungstermine überleiten, wenn der Beratungsbedarf über einfache Fälle hinaus geht.

Einsatz und Limitationen von Sprachmodellen in den Sozialwissenschaften

Im Rahmen des Forschungsverbundes SAIL arbeitet Aida Kostikova an der Erforschung des Einsatzes und der Grenzen von Sprachmodellen in den Sozialwissenschaften. Insbesondere wird erforscht, ob Sprachmodelle in der Lage sind, politische Reden so zu annotieren, wie auch menschliche Expert*innen es tun würden.

Extern: Sprachmodelle für die berufliche Bildung

Im Rahmen einer externen Promotion am Educational Technology Lab des Deutschen Forschungszentrums für künstliche Intelligenz arbeitet Alonso Garibay am Einsatz von Sprachmodellen für die berufliche Bildung. Insbesondere sollen Sprachmodelle dabei helfen, passgenaue Lerninhalte für Lernende und Lehrende zu finden und zu erzeugen.

Extern: Generative Erklärungsmethoden für Bilder

Im Rahmen einer externen Promotion am Forschungszentrum CAIRO der Technischen Hochschule Würzburg-Schweinfurt arbeitet Philipp Väth an Methoden des maschinellen Lernens, die Bilder so verändern können, dass sie Entscheidungen von Bild-Klassifikatoren erklären. Das Haupt-Anwendungsfeld ist die Medizin, wo häufig diagnostische Entscheidungen anhand von Bildern erklärt werden müssen (etwa: Röntgenaufnahmen oder Gewebeschnitte).