Search (2 results, page 1 of 1)

0.004273365 = product of:
  0.025640188 = sum of:
    0.025640188 = weight(_text_:der in 2380) [ClassicSimilarity], result of:
      0.025640188 = score(doc=2380,freq=10.0), product of:
        0.09292302 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.04159925 = queryNorm
        0.27592933 = fieldWeight in 2380, product of:
          3.1622777 = tf(freq=10.0), with freq of:
            10.0 = termFreq=10.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.0390625 = fieldNorm(doc=2380)
  0.16666667 = coord(1/6)

Abstract

Das Internet birgt schier endlose Informationen. Ein zentrales Problem besteht heutzutage darin diese auch zugänglich zu machen. Es ist ein fundamentales Domänenwissen erforderlich, um in einer Volltextsuche die korrekten Suchanfragen zu formulieren. Das ist jedoch oftmals nicht vorhanden, so dass viel Zeit aufgewandt werden muss, um einen Überblick des behandelten Themas zu erhalten. In solchen Situationen findet sich ein Nutzer in einem explorativen Suchvorgang, in dem er sich schrittweise an ein Thema heranarbeiten muss. Für die Organisation von Daten werden mittlerweile ganz selbstverständlich Verfahren des Machine Learnings verwendet. In den meisten Fällen bleiben sie allerdings für den Anwender unsichtbar. Die interaktive Verwendung in explorativen Suchprozessen könnte die menschliche Urteilskraft enger mit der maschinellen Verarbeitung großer Datenmengen verbinden. Topic Models sind ebensolche Verfahren. Sie finden in einem Textkorpus verborgene Themen, die sich relativ gut von Menschen interpretieren lassen und sind daher vielversprechend für die Anwendung in explorativen Suchprozessen. Nutzer können damit beim Verstehen unbekannter Quellen unterstützt werden. Bei der Betrachtung entsprechender Forschungsarbeiten fiel auf, dass Topic Models vorwiegend zur Erzeugung statischer Visualisierungen verwendet werden. Das Sensemaking ist ein wesentlicher Bestandteil der explorativen Suche und wird dennoch nur in sehr geringem Umfang genutzt, um algorithmische Neuerungen zu begründen und in einen umfassenden Kontext zu setzen. Daraus leitet sich die Vermutung ab, dass die Verwendung von Modellen des Sensemakings und die nutzerzentrierte Konzeption von explorativen Suchen, neue Funktionen für die Interaktion mit Topic Models hervorbringen und einen Kontext für entsprechende Forschungsarbeiten bieten können.

Footnote

Masterthesis zur Erlangung des akademischen Grades Master of Science (M.Sc.) vorgelegt an der Fachhochschule Köln / Fakultät für Informatik und Ingenieurswissenschaften im Studiengang Medieninformatik.

0.0022933283 = product of:
  0.013759969 = sum of:
    0.013759969 = weight(_text_:der in 4294) [ClassicSimilarity], result of:
      0.013759969 = score(doc=4294,freq=2.0), product of:
        0.09292302 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.04159925 = queryNorm
        0.14807922 = fieldWeight in 4294, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.046875 = fieldNorm(doc=4294)
  0.16666667 = coord(1/6)

Abstract

Computerprogramme können menschliche Gesichter zuverlässiger erkennen als Menschen. Sie schlagen uns im Brettspiel Go, das strategisches Denken und Intuition erfordert, und sie bluffen besser als die besten Pokerspieler der Welt. Maschinen treffen komplexe Entscheidungen - oft besser und schneller als wir. Thomas Ramge erklärt sachkundig und verständlich, wie Maschinen dabei sind, das Lernen zu lernen und diskutiert die Frage: Was wird aus uns Menschen, wenn smarte Maschinen immer intelligenter werden?