@inproceedings{WeidlBerresMadsenetal.2024, author = {Weidl, Galia and Berres, Stefan and Madsen, Anders L. and Daxenberger, Johannes and Aulbach, Anegret}, title = {Exploring Argument Mining and Bayesian Networks for Assessing Topics for City Project Proposals}, series = {Proceedings of Machine Learning Research}, volume = {2024}, booktitle = {Proceedings of Machine Learning Research}, number = {246}, pages = {438 -- 451}, year = {2024}, abstract = {The digital transformation of cities inspired the city administration of Aschaffenburg, Germany, to apply artificial intelligence to reduce the significant amount of manual administrative effort needed to evaluate citizens' ideas for potential future projects. This paper introduces a methodology that combines argument mining with Bayesian networks to evaluate the relative eligibility of city project proposals. The methodology involves two main steps: (1) clustering arguments extracted from public information available on the Internet, and (2) assessing and comparing selected urban issues, planning topics, and citizens' ideas that have been widely discussed to measure public interest in potential candidate projects. The results of the clustering are fed into a Bayesian network, along with scores for several evaluation criteria, to generate a relative eligibility score. The framework was applied to three candidate projects, resulting in the selection of one of them, while the other two were rejected with a given explanation. The latter motivates the decision and provides transparency to all parties involved in the decision process. The methodology is applicable to other cities after adjustments of criteria.}, subject = {Projektplanung}, language = {en} } @incollection{MadsenWeidl2024, author = {Madsen, Anders L. and Weidl, Galia}, title = {Bayes'sche Netze als Methode zur Implementierung transparenter, erkl{\"a}rbarer und vertrauensw{\"u}rdiger K{\"u}nstlicher Intelligenz}, series = {Vertrauen in K{\"u}nstliche Intelligenz - Eine multi-perspektivische Betrachtung}, booktitle = {Vertrauen in K{\"u}nstliche Intelligenz - Eine multi-perspektivische Betrachtung}, publisher = {Springer Verlag}, pages = {139 -- 162}, year = {2024}, abstract = {Dieser Beitrag betrachtet die Verwendung von Bayes'schen Netzen als Methode zur Implementierung von transparenter, erkl{\"a}rbarer und vertrauensw{\"u}rdiger K{\"u}nstlicher Intelligenz (KI). Er beginnt mit einer Darstellung und Diskussion von Schl{\"u}sselkonzepten im Zusammenhang mit der Verwendung von Methoden der K{\"u}nstlichen Intelligenz und der Implementierung von erkl{\"a}rbarer und vertrauensw{\"u}rdiger KI. Der Beitrag diskutiert mehrere Konzepte aus dem Bereich der Bayes'schen Netze, die f{\"u}r die praktische Anwendung dieser Modelle in Systemen mit KI relevant sind. Zu den betrachteten Konzepten geh{\"o}ren unter anderem der Bayes-Faktor, die wahrscheinlichste Erkl{\"a}rung und die relevanteste Erkl{\"a}rung. Der Beitrag endet mit einem Fallbeispiel aus dem Bereich des automatisierten Fahrens, das veranschaulicht, wie transparente und erkl{\"a}rbare KI mithilfe von Bayes'schen Netzen umgesetzt werden kann, um eine vertrauensw{\"u}rdige L{\"o}sung zu schaffen.}, subject = {K{\"u}nstliche Intelligenz}, language = {de} }