Forschungsfelder
Data Science
Der Begriff Data Science umfasst einen breiten Bereich von Datenauswahl und -verknüpfung über Analytik, technische Realisierung, Unternehmensbezug bis hin zu ethischen Fragen.
Informationen und Wissen sind die Rohstoffe in jedem Unternehmen, die, richtig genutzt, einen entscheidenden Wirtschaftsvorsprung bieten können. Wir unterscheiden strukturierte Daten, die in einer definierten und festgelegten Form gespeichert werden (wie z.B. in Datenbanken und Tabellen), unstrukturierte Daten (Daten, die in allen möglichen Formaten und Plattformen zur Verfügung stehen, wie z.B. E-Mails, Audio und Video Dateien etc.), und semi-strukturierte Daten, wie z.B. HTML und XML.
Recommender Systems
Recommender Systeme lassen sich in drei grosse Klassen einteilen:
- Content-Based: Durch Analyse bereits konsumierter Inhalte, Services etc. eines Benutzers, berechnet das System die Wahrscheinlichkeit, dass ein noch nicht konsumiertes Objekt für den entsprechenden Benutzer interessant ist.
- Collaborative-Filtering: Durch Analyse des Konsumverhaltens aller Beteiligten eines Systems generiert das System durch Projektion eines bipartiten Graphs ein User-User oder Objekt-Objekt Netzwerk. Auf Basis dieses Netzwerkes werden den Benutzern dann Empfehlungen abgegeben.
- Netzwerk basierend: Im Gegensatz zu Collaborative-Filtering wird der bipartite Graph direkt analysiert. Dies hat den Vorteil, dass keine Informationen durch die Projektion verloren gehen. (siehe: B-Rank: A top N Recommendation Algorithm).
Das Anwendungsgebiet von Recommender Systems ist schier unerschöpflich. Von Online-Plattformen bis zu Expertensystemen in der medizinalen Diagnostik. Die Methoden zur Erforschung und Entwicklung solcher Systeme kommen vor allem aus dem Feld “Statistical Learning”.
Das Laboratory for Web Science entwickelt neue Algorithmen und Systemarchitekturen und überprüft deren Anwendbarkeit mittels Projekten in der Industrie. Neben den anwendungsorientierten Entwicklungen werden auch theoretische Modelle entworfen. Diese Modelle sollen ein tieferes Verständnis dafür liefern, welcher Algorithmus bei gegebener Datenbasis geeignet ist.
Machine Learning
Durch die Entwicklung der Informationstechnologie sind immer grössere Datenmengen verfügbar. Diese enthalten oft implizites Wissen, welches, wenn es bekannt wäre, grosse wirtschaftliche oder wissenschaftliche Bedeutung hätte. Data Mining ist ein Forschungsgebiet, das sich mit der Suche nach potentiell nützlichem Wissen in grossen Datenmengen beschäftigt, und Maschinelles Lernen gehört zu den Schlüsseltechnologien innerhalb dieses Gebiets.
Ziel des Maschinellen Lernens ist die Entwicklung von Methoden zur Realisierung lernfähiger technischer Systeme. Machinelles Lernen lässt sich in zwei grosse Klassen verteilen: Beim überwachten Lernen werden basierend auf vorhandenen Beispieldaten Systeme zur Klassifikation und zur Modellierung funktionaler Abhängigkeiten trainiert. Das Ziel des unüberwachten Lernens ist es, autonom relevante Strukturen in Daten zu finden.
Das LWS bewertet interne sowie externe Daten mit Verfahren des Maschinellen Lernens.
Learning Analytics
Als „Learning Analytics” wird die Interpretation verschiedenster Daten bezeichnet, „die von Studierenden produziert oder für sie erhoben werden, um Lernfortschritte zu messen, zukünftige Leistungen vorauszuberechnen und potenzielle Problembereiche aufzudecken” (Horizon Report 2012). Der Zugriff auf die Daten wird möglich, da Lernangebote und -prozesse in vielen Fällen mittels elektronischer Systeme unterstützt werden und dabei Daten über das Nutzungsverhalten erhoben werden können. Ziel ist es, mit Hilfe der Auswertung der Daten die Studierenden besser in ihrem Lernprozess zu unterstützen und letztendlich den Lehr-Lernprozess und Lehr-Lernerfolg insgesamt zu verbessern.
Durch die Auswertung von Daten soll die Wirksamkeit von Massnahmen und Methoden im Voraus eingeschätzt werden können. Auf diese Weise soll es möglich werden, den Lernprozess besser zu verstehen sowie das Lernen und den Lernkontext zu optimieren. Ziel ist eine personalisierte Unterstützung des einzelnen Lernenden, indem die Ergebnisse der Auswertung zurückgespiegelt werden und der Lernende somit mehr über sein eigenes Lernverhalten erfährt. Was die Datenerhebung leisten kann, hängt natürlich erheblich von den eingesetzten Werkzeugen und Analysemethoden ab, die stetig weiterentwickelt werden.
Das LWS entwickelt Methoden, um den Lernprozess der Studierenden zu analysieren und Applikationen, welche den Lernprozess unterstützen. Der Lernkontext und die Analysen des Lernverhaltens der Studierenden geben Aufschluss darüber, wie die Applikationen einem bestimmten Lernkontext angepasst werden können.