2010.10.hbrs.ir2

Information Retrieval 2

Dr.-Ing. Martin Wolpers

© Fraunhofer-Institut für Angewandte Informationstechnik FIT

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


1. ORGANISATORISCHES


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.) (????)


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 (????)


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)


Thema der Vorlesung

Information Retrieval 2
Anwendungen des Information Retrieval


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


2. VORSTELLUNG UND
KONTEXT DER DOMAINE
O O


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


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 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


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


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.


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


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.


Gilt das auch für Lernumgebungen jenseits des
Computerarbeitsplatzes?

LogiAssist

Aus-
Aus und Fortbildung für
Fahrer in der Logistik-
branche

Arbeitsplatz LKW


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.


Lernziel
Nutzer
(Aufgabe,
(Nutzerprofil)
Aufgabenprofil)

PLE
Weitere
(Lernobjekte, Tools,
(Lernobjekte Tools
Kontextparameter
Partner)


Dynamisches
y a sc es
PLE
Nutzerprofil
(Lernobjekte, Tools,
incl. Lernziel(e) und
Partner)
Lernsituation(en)
( )

Fundus an Ressourcen, charakterisiert durch Profile


PLEs heute

Firma sonst. Fortbildung

privat

Firmen LMS, blogs,
Firmen-LMS -blogs Kurse und Lerninhalte
-ressourcen Institute, Services


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


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


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


MACE: Metadata for Architectural Contents in Europe

portal.mace project.eu
portal.mace-project.eu


Faceted Search


ALOE


Real World Objects

Renzo Piano

Centre Pompidou Lloyd‘s Building

Richard Rogers

Millennium Dome


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


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


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


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


3. Interaktion jenseits des PC

http://portal.mace-project.eu/maeve/
http://portal mace project eu/maeve/


4. Interoperabilität und die Erschließung von Werkzeugen


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


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.)


Contextualized Attention Metadata (CAM)

Themen? Suchanfragen?
g

Wieder- Was? Wann?
sammeln, assoziieren,
verwendung? In welchem
destillieren,
,
Kontext?
kumulieren

Wann? Mit wem?
Worüber?


CAMera-Tool zur Reflexionsunterstützung


Kommunikationsanalyse: soziale Netzwerke


Themen im Netzwerk


Themen in Beziehungen


Handlungsketten: Key Action Extraction


Nussbaumer et al. 2009


Remote Services, Zeitgeist


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?


6. Nutzer- und kontextsensitive Empfehlungen


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


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


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


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

Zusammenfassung: Zentrale Themen des TEL

 Informationsinfrastrukturen
 Interoperabilität von Ressourcen
 Individualisierung/ Personalisierung
 Kontextualisierung
 Kooperationsunterstützung
 Reflexionsunterstützung: Bewusstmachung des (eigenen) Tuns, Aufklärung
 Nutzer- und kontextsensitive Empfehlungen


Kontakt

Dr. Martin Wolpers
martin.wolpers@fit.fraunhofer.de
+49 (0)2241 14 -2128
49 2128

http://www.fit.fraunhofer.de/services/mobile/caple.html
http://www fit fraunhofer de/services/mobile/caple html


3. REPETITORIUM
INF. RETRIEVAL 1


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


Anwendungen

• Bibliothekssysteme
• Suchsysteme aller Art
• Lernsysteme
• Personalisierung
• Online Handel
• Etc.


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.).


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.


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


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


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.


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


4. GRUPPENBILDUNG UND
AUFGABE
G


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.


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.


Vielen Dank.
Weitere Fragen?

Nächste Vorlesung am 27 10 um 14 00
Nä h t V l 27.10. 14:00.


2010.10.hbrs.ir2

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Andere mochten auch

Andere mochten auch (9)

Ähnlich wie 2010.10.hbrs.ir2

Ähnlich wie 2010.10.hbrs.ir2 (20)

2010.10.hbrs.ir2