Weitere ähnliche Inhalte
Ähnlich wie 2010.10.hbrs.ir2
Ähnlich wie 2010.10.hbrs.ir2 (20)
2010.10.hbrs.ir2
- 2. Gliederung
1. Organisatorisches 8. Nutzer- und kontextsensitive
2. Vorstellung Martin Wolpers Empfehlungen
1. Fraunhofer, FIT, CAPLE 9. Nutzergesteuerte Konfiguration
von Lernumgebungen
2.
2 Autonomes Lernen mit
Persönlichen Lernumgebungen 10.Iterative Entwicklung und
(PLEs) Evaluation in Testbeds
3. Erschließung von Lernobjekten 11.Zusammenfassung
11 Zusammenfassung zu TEL
4. Interaktion jenseits des PC 3. Repetitorium Inf. Retrieval 1
5.
5 Interoperabilität und die 4. Gruppenbildung und Aufgabe
pp g g
Erschließung von Werkzeugen
6. Autonomes Lernen und Reflexion
7. Nutzer- und kontextsensitive
Empfehlungen
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 4. Organisatorisches zur Vorlesung
2h Vorlesung + 1h Übung
2 Pausen à 10min.
Sicher: Keine Vorlesungen am 13.10., 20.10. und 17.11.
Evtl.:
Evtl : Keine Vorlesungen am 24 11 und 9 12
24.11. 9.12.
Ersatztermine??
Folienbasierte Vorlesung (pdf-Format), die nach der Vorlesung im Netz stehen:
http://www.fit.fraunhofer.de/~wolpers/ir2/
Prüfung: Klausur (26.1.) (????)
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 5. Organisatorisches zu den Übungen
Vorlesung und Übung sind miteinander integriert.
Zeitl. Trennung von Vorlesung und Übung oft undeutlich.
Übungsaufgaben sollen in der Übung und Zuhause bearbeitet werden.
Bearbeitung in Gruppen wobei Lösungen in den Übungen vorgestellt werden
Gruppen,
Programmiersprache soll Java sein.
Der Lösungsweg ist nicht das Ziel.
Sie bekommen Zugriff auf das Labor Wissens- und Informationsmanagement:
ux-2e00.inf.fh-bonn-rhein-sieg.de (????)
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 6. Modulzuordnung und Studienleistung
Computer Science:
• Modulgruppe: Wahlpflicht (WP), 5. Semester
• Prüfung in der letzten Semesterwoche
• Klausur über Vorlesung und Übung
Business Information Systems:
• Modulgruppe: Wahlpflichtfächer der Informatik (INF wp)
• Klausur als Leistungsnachweis
Credits: 3 (mit Bestehen der Klausur)
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 7. Thema der Vorlesung
Information Retrieval 2
Anwendungen des Information Retrieval
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 8. Themenkatalog
• Einführung ins semantic web (rdf, rdf schema, web ontologies, OWL)
• NLP and text mining
• Social Information Retrieval: Web 2.0, Social Media
• Web Management (web structure, web usage, systems for managing)
• Recommender Systeme
• Nutzerzentrierte Models des Information Retrieval
• Multimedia Information Retrieval
• Trends in Informationssystemen
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 9. 2. VORSTELLUNG UND
KONTEXT DER DOMAINE
O O
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 10. Die Fraunhofer* Gesellschaft
gegründet 1949
gemeinnütziger Verein für angewandte Forschung
59 Forschungsinstitute
17 000 Angestellte
17.000
jährliches Budget ca. 1.600 Mio. €
Finanzierung: ~1/3 Industrieaufträge
1/3
~1/3 Forschungsprojekte
~1/3 Grundfinanzierung
*Joseph von Fraunhofer (1787 – 1826 )
Forscher, Erfinder und Unternehmer
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 11. Das Profil der Fraunhofer-Gesellschaft
7 Bereiche:
Informations- und Kommunikationstechnologie
Lebenswissenschaften
Mikroelektronik
Li ht und Ob flä h
Licht d Oberflächen
Produktion
Materialien und Komponenten - MATERIALS
Verteidigung und Sicherheit
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 12. Fraunhofer FIT
Institut fü A
I tit t für Angewandte Informationstechnologie
dt I f ti t h l i
Leitung: Prof. Dr. Matthias Jarke
Nutzer-zentrierte Informations- und Kooperationssysteme
Ziel: Optimierung der Nutzbarkeit und Nützlichkeit von IT-Systemen im
Zusammenspiel mit bestehenden Praktiken Strukturen und Prozessen
Praktiken,
Forschungsgruppe CAPLE: Context and Attention in Personalised Learning
g g pp g
Environments
ca.
ca 130 Wissenschaftler:
Informatiker, Soziologen,
Ökonomen, Psychologen,
(Computer-) Linguisten,
Biologen, Ingenieure
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 13. CAPLE: Projekte
ROLE – Responsive Open Learning Environments
MACE – Metadata for Architectural Contents in Europe
OpenScout – Skill based scouting of open user-generated and community-
improved content for management education and training
NaturalEurope – Natural History & Environmental Cultural Heritage in
European Digital Libraries for Education
LogiAssist – Mobile Aus- und Weiterbildung für Fahrer in der
Logistikbranche
g
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 14. 1. Autonomes Lernen mit PLEs
Autonomes Lernen
Selbstgesteuertes, autonomes Lernen (self-regulated learning) ist ein
Prozess, b i d
P bei dem d L
der Lernende selbst entscheidet, was er wann und wie
d lb t t h id t d i
lernt. Er entscheidet sich frei für seine Lernziele und wählt die Mittel, um sie
zu erreichen.
Autonomie ist kein binäres Merkmal. Es gibt Grade der Autonomie.
Autonomes Lernen schließt nicht die Anleitung und Förderung durch einen
Lehrenden aus. Auch autonom Lernende sind üblicherweise auf Ratschläge
angewiesen.
Autonomie steigert den Lernerfolg.
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 15. Computergestütztes, autonomes Lernen
Voraussetzung von computergestütztem, autonomen Lernen ist die
Verfügbarkeit von
Lernobjekten (Lerninhalten)
Anwendungsprogrammen, die den Zugriff und gg die Aufbereitung und
g p g , g ggf. g
Interaktion mit Lernobjekten ermöglichen
Lernpartnern
Die Menge der bereits verfügbaren Lernobjekte, Anwendungsprogramme und
potentiellen Lernpartner ist unüberschaubar groß.
Lernende sind angewiesen auf
g
Unterstützung bei der Suche
Empfehlungen
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 16. Personalisierte Lernumgebungen (PLEs)
Lernziele im Rahmen von lebenslangem Lernen werden durch berufliche
Anforderungen und persönliche Interessen gesetzt Sie erfordern weitgehend
gesetzt.
selbstgesteuertes, autonomes Lernen.
Arbeits-, Freizeit- und Lernaktivitäten können nicht immer klar unterschieden
werden. Wi l
d Wir lernen i Z
im Zuge unserer A b it und umgekehrt.
Arbeit d k ht
Computerbasierte Arbeits-, Freizeit- und Lernaktivitäten finden zu einem
g
großen Anteil in ähnlichen, wenn nicht denselben Umgebungen statt.
g g
Eine personalisierte Lernumgebung ist eine erweiterte
Arbeitsumgebung, die wenigstens die üblichen Anwendungen – wie
Webbrowser, Email-Tool
Webbrowser Email Tool, Textverarbeitungssoftware etc – umfasst
etc. umfasst.
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 17. Gilt das auch für Lernumgebungen jenseits des
Computerarbeitsplatzes?
LogiAssist
Aus-
Aus und Fortbildung für
Fahrer in der Logistik-
branche
Arbeitsplatz LKW
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 18. Kontextabhängige, dynamische Lernumgebungen
Bei der Konfiguration einer PLE sind die Eigenarten des Nutzers und seine
Lernsituation zu berücksichtigen.
berücksichtigen
Lernsituationen können sich ändern. PLEs müssen sich ihnen dynamisch
anpassen können.
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 19. Lernziel
Nutzer
(Aufgabe,
(Nutzerprofil)
Aufgabenprofil)
PLE
Weitere
(Lernobjekte, Tools,
(Lernobjekte Tools
Kontextparameter
Partner)
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 20. Dynamisches
y a sc es
PLE
Nutzerprofil
(Lernobjekte, Tools,
incl. Lernziel(e) und
Partner)
Lernsituation(en)
( )
Fundus an Ressourcen, charakterisiert durch Profile
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 21. PLEs heute
Firma sonst. Fortbildung
privat
Firmen LMS, blogs,
Firmen-LMS -blogs Kurse und Lerninhalte
-ressourcen Institute, Services
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 22. Aufgaben
Bereitstellung und Erschließung von Ressourcen
Herstellung von Interoperabilität
Erzeugen (dynamischer) Nutzerprofile
Unterstützung des Nutzers bei der Zusammenstellung seiner Lernumgebung:
Empfehlungen relevanter und adäquater Ressourcen
Aufklären des Nutzers über sein Profil/ sein Lernen
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 23. Responsive Open Learning Environments
p p g
• Empower the learner to build their
ROLE Vision
own responsive learning environment
• Awareness and reflection of own
Responsiveness learning process
l i
• Individually adapted composition of
User-Centred
personal learning environment
http://www.role-project.eu
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 24. 2. Erschließung von Lernobjekten
Objekte, die sich zum Lernen und zur Lehre eignen, sind vorhanden, müssen
j g
ggf. aber erschlossen werden.
Durch ihre Erschließung werden die Objekte auffindbar und nutzbar.
Erschließung b i h lt t B it t ll
E hli ß beinhaltet Bereitstellung und ( t d di i t ) B
d (standardisierte) Beschreibung.
h ib
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 25. MACE: Metadata for Architectural Contents in Europe
portal.mace project.eu
portal.mace-project.eu
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 32. Real World Objects
Renzo Piano
Centre Pompidou Lloyd‘s Building
Richard Rogers
Millennium Dome
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 34. Open Scout
Skill based scouting of open user-generated and community-
improved content for management education and training
Aus- und Fortbildung in Betriebswirtschaftslehre/ Management
Fokus auf lebenslangem Lernen
Erschließung und Bereitstellung entsprechender interoperabler, anpassbarer und
wiederverwendbarer Lernmaterialien
Validate
V lid t
Re-use / Validate
Search re- Re-publish
adapt solution
usability
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 35. Natural Europe
Natural History & Environmental Cultural Heritage in European Digital Libraries
for Education
Zusammenführung von Materialien naturgeschichtlicher Museen
Anbindung an die Europeana
Didaktische Erschließung für die Nutzung im Unterricht und zum Selbststudium
Aufbereitung zur Definition von Lernpfaden in Museen
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 36. Erschließung von Lernobjekten für zukünftige
Lernumgebungen
L b
Informelles Durchstreifen des Datenraums, freie Assoziation
Entwurf individueller Lernpfade
Verschmelzung von formalem und informellen Lernen
Lehre als Führung und Motivation
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 37. Informationsinfrastrukturen und externalisiertes Wissen
Wissen setzt Wissensrepräsentation (Daten) und deren Zugänglichkeit
voraus.
Wissenserwerb besteht im Aufbau oder der Veränderung von
Wissensrepräsentationen und/oder im Herstellen neuer Zugänge zu
g g
Wissensrepräsentationen.
Wenn Wissen auch auf externen Repräsentationen beruhen kann, dann kann
Wissenserwerb in einer Veränderung der Umgebung des Erwerbenden
(Lernenden) bestehen.
Der Lernende braucht sich nur noch bedingt aktiv am Lernprozess zu
beteiligen.
beteiligen
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 38. 3. Interaktion jenseits des PC
http://portal.mace-project.eu/maeve/
http://portal mace project eu/maeve/
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 39. 4. Interoperabilität und die Erschließung von Werkzeugen
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 40. 5. Autonomes Lernen und Reflexion
Autonomes Lernen verlangt die Reflexion des
eigenen Lernverhaltens.
g
Selbstbeobachtung – als Voraussetzung von
Reflexion – dient der effektiven
Lernunterstützung:
Sie ermöglicht dem Lernenden, seine
Lernstrategie zu erkennen und zu
optimieren.
ti i
Sie fördert die Motivation.
Selbstbeobachtung unterstützt sowohl
individuelle als auch kollaborative
Lernaktivitäten.
Um wirksam zu sein muss Selbstbeobachtung
sein,
fortlaufend stattfinden.
Nussbaumer et al. 2009
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 41. Nutzerbeobachtung
Nutzungsdaten müssen kontinuierlich aufgezeichnet werden.
Der Nutzer darf bei seinen Aktivitäten nicht gestört werden
werden.
Beobachtungsdaten müssen direkt vom Nutzer interpretiert werden können.
Beobachtungsdaten müssen verlässlich sein und dürfen nicht auf nur
wahrscheinlichen Schlussfolgerungen beruhen.
Die Daten sind zu destillieren, so dass sie leichter nachvollziehbar sind und
weitergehende Interpretationen anregen können.
Lokal erhobene Nutzungsdaten sind privat und stehen unter der Kontrolle des
jeweiligen Nutzers.
Nutzungsdaten können sowohl lokal auf dem Rechner des Nutzers als auch
auf Servern mit denen der Nutzer interagiert, gesammelt werden. (Letzteres
setzt die Einwilligung des Nutzers voraus.)
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 42. Contextualized Attention Metadata (CAM)
Themen? Suchanfragen?
g
Wieder- Was? Wann?
sammeln, assoziieren,
verwendung? In welchem
destillieren,
,
Kontext?
kumulieren
Wann? Mit wem?
Worüber?
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 48. Nussbaumer et al. 2009
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 49. Nussbaumer et al. 2009
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 51. Forschungsdesiderate
Wie erkennen wir Handlungen?
Wie können wir Aufgaben und Ziele spezifizieren?
Wie können Nutzungsdaten mit anderen Daten (aus Fragebögen, Metadaten,
…) optimal integriert werden?
Was sind adäquate, die Reflexion des Nutzers effektiv unterstützende
Datendestillationen?
Über welchen Zeitraum hinweg können Nutzungsdaten interessant und
interpretierbar für einen Nutzer sein?
Wie können Nutzungsdaten für die Reflexion und Planung von Lehre
verwendet werden?
Wie gewährleisten wir Datensicherheit?
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 52. 6. Nutzer- und kontextsensitive Empfehlungen
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 53. Empfehlung adäquater Ressourcen
Aufgabe des Nutzers: Konfiguration des PLE durch Auswahl relevanter und
adäquater Ressourcen
Unterstützung des Nutzers:
Befriedigung des Informationsbedürfnisses (Datensammlung und
Destillation)
Bereitstellung eines überschaubaren Fundus von Ressourcen,
Empfehlungen
Voraussetzung: ‚A priori‘-Wissen über (potentielle) Relevanz und
Adäquatheit von Ressourcen; Spezifikation und Operationalisierung eines
Adäquatheitsbegriffs
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 54. Adäquatheit
Adäquatheit als Ähnlichkeit:
Vergleich von Nutzerprofilen, Situationsprofilen etc. mit Ressourcenprofilen
Auswahl von Attributgruppen
Adäquatheit als Identität der Werte ausgewählter Attribute
Adäquatheit als Verschiedenheit:
Bestimmung von Lernzielen (ggf. Einsatz von goal-setting tools)
Berechnung der Differenz zwischen dem Ist-Zustand (u.a. spezifiziert
durch Beobachtungsdaten) und den Zielen
Empfehlungen zum Ausgleich der Differenz
Explizite Werturteile von Nutzern und Experten
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 55. 7. Nutzergesteuerte Konfiguration von PLEs
ROLE Intelligent Mediation and Recommendation
Mash-up within ROLE Interoperability Framework
Services (GUI mash up + mash-up on learning design level)
mash-up mash up
Activity‐ Manage-
Preference- Skill- Test- Resource-
driven ment-
driven driven driven driven
driven
Action
Action-
Mash-up
M h outcome- Personal
learning
Competency
C
profile driven
Planned
Learning
Content
Learning
progress
Rules tool style rules rules outcomes
rules
milestones
bindings
And
Principles Tool and Time and Rules to
learner
l Learning Peer
cost fulfill
progress Service rules educator
interaction constraints Compliance
driven rules given rules
patterns /preferences Tests
API to Content
API to User and Skill Profiles in OpenID, LMS API to Test
Repositories, LMS, LCMS,
etc. Systems
Soc. Networks
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 56. 8. Iterative Entwicklung und Evaluation in Testbeds
PLE-Experts Workshops Design
Scenarios Tryout
B iti h Institute f L
British I tit t for Learning and
i d
Development (BILD) Learners Specs
Scientists
RWTH
FESTO Lernzentrum
Components
Open University U Open FESTO
Rheinisch-Westfälische Learn Developers Externa‐
Technische Hochschule (RWTH) lisation
Aachen: Web 2.0 Knowledge BILD
Map for Academic Teaching World
W ld
Standards
Shanghai Jiao Tong University
(
(SJTU)
) SJTU Educators
Providers
U&I Learning
g Freeing
Evaluation methodologies
IMC AG
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 57. Zusammenfassung: Zentrale Themen des TEL
Informationsinfrastrukturen
Interoperabilität von Ressourcen
Individualisierung/ Personalisierung
Kontextualisierung
Kooperationsunterstützung
Reflexionsunterstützung: Bewusstmachung des (eigenen) Tuns, Aufklärung
Nutzer- und kontextsensitive Empfehlungen
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 59. 3. REPETITORIUM
INF. RETRIEVAL 1
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 60. Charakterisierung des Begriffs “Information Retrieval”
Weitgefaßt versteht man unter dem Begriff Information Retrieval (IR) jede Art der
Wiedergewinnung maschinell gespeicherter Daten.
• Im Vordergrund stehen dabei Anfragen mit vagen oder unvollständigen
Kriterien.
• “weiche” Daten im Gegensatz zu den “harten” Daten in klassischen DB
• Die Suche ist in erster Linie an inhaltlichen Kriterien ausgerichtet.
• E geht um das Wi d
Es ht d Wiederauffinden von I f
ffi d Informationen zu th
ti thematischen, also
ti h l
inhaltlichen Fragen.
Auf Basis der IR1 Folien: http://www2.inf.fh-bonn-rhein-sieg.de/~pbecke2m/retrieval/einfuehrung1.pdf
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 61. Anwendungen
• Bibliothekssysteme
• Suchsysteme aller Art
• Lernsysteme
• Personalisierung
• Online Handel
• Etc.
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 62. Verwendete Definition
Die Fachgruppe “Information Retrieval” der GI definiert (in Stichworten) den
Begriff wie folgt (siehe auch Fuhr, 1995):
Gegenstand des IR: Informationssysteme in Bezug auf ihre Rolle beim
Wissenstransfer vom menschlichen Wissensproduzenten zum
Informationsnachfragenden
Schwerpunkt sind Fragestellungen, die im Zusammenhang mit vagen Anfragen
und unsicherem Wissen entstehen. (Vage: Antwort ist a p
( g priori nicht eindeutig
g
definiert ist.)
Ein
Ei weiterer wichtiger Punkt ist die Bewertung der Qualität d A t
it i hti P kt i t di B t d Q lität der Antworten eines
t i
Informationssystems (Ranking, etc.).
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 63. Ansätze für IR Systeme
• Stringsuche: Die Suchanfragen sind Strings oder reguläre Ausdrücke. Nur
für kleine Bestände geeignet.
• Bool sches
Bool‘sches Retrieval: Mengenoperationen
• Vektorraummodell: Dokumente und Anfragen werden als Vektoren in einem
Vektorraum repräsentiert. Als Basis für das IR dient eine Ähnlichkeitsfunktion,
die f den Vektordarstellungen aufsetzt.
di auf d V kt d t ll f t t
• Probabilistisches Retrieval: Die Wichtigkeit eines Dokuments für eine
Anfrage wird über die Wahrscheinlichkeit der Relevanz g
g gemessen. Die
Berechnungen basieren dabei auf gewissen statistischen Annahmen.
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 64. Bool‘sches Retrieval
Antwortmenge basiert auf Auswertung der Eigenschaften (Attribute) eines
Dokuments.
Auswertung basiert auf wahr oder falsch eines logisches Ausdrucks (Anfrage)
(Anfrage).
Bool‘sche Mengenoperationen
• AND: Einschränkung
g
• OR: Ergänzung
• NOT: Ausschluss
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 65. Vektorraummodell
• Dokumente und Anfragen werden als Vektoren in einem Vektorraum
aufgefasst.
• Der Vektorraum wird durch die in der Datenbank enthaltenen Terme
aufgespannt (pro Term eine Dimension).
• Beim Retrieval wird nach Dokumenten gesucht, deren Dokumentvektor
ähnlich zum Anfragevektor ist
ist.
• Die Ähnlichkeit wird durch eine geeignete Funktion definiert.
g g
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 66. Vektorraummodell – Ähnlichkeitsmaß
Wesentlich: Cosinus Maß: Winkel zw. Anfrage und Dokumentenvektor:
Konsequenz aus Zipf‘schen Gesetz:
Alleine Terme mit mittlerer Häufigkeit sind geeignet für die Suche und
Indexierung.
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 67. Evaluierung der IR Systeme
Relevanz: Beziehung zw. Anfrage und Antwort-
Dokumentenmenge
Präzision (Precision) der Antwort = Anzahl der
relevanten Dokumente in der Antwortmenge /
Alle Dokumente i d D k
All D k t in der Dokumentenmenge
t
Vollständigkeit (Recall) der Antwort = Anzahl der
relevanten Dokumente in der Antwortmenge /
Alle relevanten Dokumente in der
Dokumentenmenge
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 69. Gruppenbildung
• Gruppen à 4 Personen
• Fest für die gesamte Zeit der Vorlesung
• Gemeinsame Bearbeitung der Aufgaben
• Gemeinsame Präsentation in den Übungen
• Jede Gruppe richtet sich eine Webpräsenz (blog?) ein auf der sich die
ein,
Gruppe vorstellt und die eigenen Ergebnisse vorstellt.
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 70. Aufgabe
Je Gruppe:
• Legen Sie eine web-basierte Gruppenpräsenz (zugangsgeschützt) an. Stellen
Sie sich dort kurz vor
vor.
• Desweiteren, bearbeiten Sie dort kurz folgende Aufgabenstellen:
• Benennen Sie 2 Beispiele für IR Systeme. Beschreiben Sie kurz, welcher IR
p y ,
Ansatz verwendet wird. Charakterisieren Sie die Systeme auf Basis der
jeweiligen Anwendung.
• Senden Sie die URL der Gruppenpräsenz bis zum 24 10 bitte an mich
24.10.
(martin.wolpers@fit.fraunhofer.de)
• Bereiten Sie sich auf eine adhoc Präsentation Ihres Ergebnisses mithilfe der
Webpräsenz während d nächsten V l
W b ä äh d der ä h t Vorlesung vor.
© Fraunhofer-Institut für Angewandte Informationstechnik FIT
- 71. Vielen Dank.
Weitere Fragen?
Nächste Vorlesung am 27 10 um 14 00
Nä h t V l 27.10. 14:00.
© Fraunhofer-Institut für Angewandte Informationstechnik FIT