DE / EN

Informed Machine Learning für nutzerzentrierte Erklärbarkeit

Der Aufsatz " User-Centric Explainability in Healthcare: A Knowledge-Level Perspective of Informed Machine Learning " wurde kürzlich zur Veröffentlichung im Journal “IEEE Trans­actions on Artificial Intelligence” (IEEE TAI) akzeptiert.

Luis Oberste und Armin Heinzl haben ein Forschungs­papier über nutzerzentrierte Erklärbarkeit im Gesundheitswesen erfolgreich im Journal „IEEE Trans­actions on Artificial Intelligence“ veröffentlicht. Der Artikel unter­sucht den State of the Art des hybriden, d.h. wissensgestützten maschinellen Lernens im Bereich klinischer Informations­systeme. In ihrer Synopse konsolidieren die Autoren Forschungs­ergebnisse aus den Bereichen Informatik, Mensch-Computer-Interaktion und Wirtschafts­informatik zusammen, um das Potenzial zur Über­windung rein datengetriebener Erklärungen für medizinische künstliche Intelligenz zu unter­suchen. Auf Basis eines Frameworks zur Charakterisierung des in Erklärungen enthaltenen Wissens sowie des Nutzerwissens werden in der Studie die Arten und Kontexte von Wissen erläutert, um auf einen Fit zwischen Ansätzen des hybriden maschinellen Lernens und Nutzern von Erklärungen zu schließen. Die Studie zeigt, dass hybrides maschinelles Lernen ein vielversprechendes Paradigma ist, um einst ausschließlich datengetriebene Systeme zu bereichern und Erklärungen zu liefern, die das formale Verständnis verbessern, nützliches medizinisches Wissen vermitteln und intuitiver sind.Luis Oberste und Armin Heinzl haben ein Forschungs­papier über nutzerzentrierte Erklärbarkeit im Gesundheitswesen erfolgreich im Journal „IEEE Trans­actions on Artificial Intelligence“ veröffentlicht. Der Artikel unter­sucht den State of the Art des hybriden, d.h. wissensgestützten maschinellen Lernens im Bereich klinischer Informations­systeme. In ihrer Synopse konsolidieren die Autoren Forschungs­ergebnisse aus den Bereichen Informatik, Mensch-Computer-Interaktion und Wirtschafts­informatik zusammen, um das Potenzial zur Über­windung rein datengetriebener Erklärungen für medizinische künstliche Intelligenz zu unter­suchen. Auf Basis eines Frameworks zur Charakterisierung des in Erklärungen enthaltenen Wissens sowie des Nutzerwissens werden in der Studie die Arten und Kontexte von Wissen erläutert, um auf einen Fit zwischen Ansätzen des hybriden maschinellen Lernens und Nutzern von Erklärungen zu schließen. Die Studie zeigt, dass hybrides maschinelles Lernen ein vielversprechendes Paradigma ist, um einst ausschließlich datengetriebene Systeme zu bereichern und Erklärungen zu liefern, die das formale Verständnis verbessern, nützliches medizinisches Wissen vermitteln und intuitiver sind.

Zurück