Refine
Document Type
- conference proceeding (article) (3)
- Report (3)
- Part of a Book (1)
Reviewed
Keywords
Institute
In vielen Unternehmen werden heutzutage Chatbots eingesetzt, um Standard-Anfragen von Kunden effizient zu beantworten. Auch im psychosozialen Beratungsumfeld können natürlichsprachliche digitale Assistenzen eine sinnvolle Ergänzung zu menschlichen Beratern sein, denn sie sind jederzeit verfügbare, anonyme Ansprechpartner. Die Hürden für den Einsatz in der psychosozialen Beratung sind allerdings hoch, da die Entwicklung und der Betrieb von Chatbots zunächst Kosten verursacht und systematische Studien zum Mehrwehrt derartiger Systeme in diesem Anwendungsfeld bisher nicht vorliegen.
Ziel des Projekts DIA (Digitale Assistenz) war die prototypische Entwicklung eines lernfähigen Chatbots für die psychosoziale Beratung. Dabei wurde insbesondere die Frage untersucht, wie aufwändig es ist, einen KI-basierten Chatbot ausschließlich mit Open-Source-Technologie zu entwickeln. Das von der Staedtler-Stiftung geförderte Projekt lief von September 2019 bis Februar 2021. Die Arbeiten wurden in einer interdisziplinären Kooperation vom Institut für E-Beratung mit der Fakultät Informatik der TH Nürnberg durchgeführt. Als Anwendungsdomäne diente die Bildungsberatung für den Zertifikatskurs Online-Beratung, die bisher hauptsächlich über E-Mail-Kommunikation erfolgt.
Ziel des Forschungsprojektes war die Erforschung der Einsatzmöglichkeiten computerlinguistischer Methoden und maschineller Lernverfahren zur automatisierten Analyse sozialwissenschaftlicher Texte. Die Datengrundlage bildeten digital vorliegende Beiträge aus moderierten, sozialen Beratungsforen. Anhand konkreter sozial-wissenschaftlicher Fragestellungen zu Wirkungszusammenhängen in der Onlineberatung sollte untersucht werden, inwiefern Computer-Linguistik und maschinelle Lernverfahren qualitative Analysen unterstützen bzw. ergänzen können, wo die Grenzen der Verfahren liegen und wie bei deren Einsatz vorzugehen ist. Im Projekt wurden erste konkrete Erkenntnisse generiert, der Forschungsverbund vergrößerte sich, Praxis-Forschungsprojekte wurden beantragt und es entstanden weitere Überlegungen zu größeren Forschungsprojekten. Die aktuellen Ergebnisse sind vielversprechend. Überwachte Lernverfahren können mit ausreichend vielen und gut vorbereiteten Trainingsdaten interpretierbare und verwertbare Erkenntnisse liefern.
Statistical databases in general and data warehouses in particular are used to analyze large amounts of business data in pre-defined as well as ad-hoc reports. Operators of statistical databases must ensure that individual sensitive data, e.g., personal data, medical data, or business-critical data, are not revealed to unprivileged users while making use of these data in aggregates. Business rules must be defined and enforced to prevent disclosure. The unsupervised nature of ad-hoc reports, defined by the user and unknown to the database operator upfront, adds to the complexity of keeping data secure. Storing sensitive data in statistical databases demands automated methods to prevent direct or indirect disclosure of such sensitive data. This document describes a rule-based approach to local recoding of sensitive data. It introduces the notion of exclusivity to describe quasiidentifiers with local rules based on the multidimensional data model. It further defines options to treat exclusive entities that may disclose sensitive data. The local anonymization minimizes information loss and works well even with very large data sets.
Ein Einsatzfeld Künstlicher Intelligenz im Bereich der Sozialen Arbeit ist die automatische Inhaltsanalyse von Konversationen aus der psychosozialen Onlineberatung. Mögliche Anwendungen sind die statistische Untersuchung von Wirkzusammenhängen sowie die Entwicklung KI-basierter Dialog-und Unterstützungssysteme. Die Grundlage für das Training entsprechender Modelle sind aussagekräftige und realistische Trainingsdaten. Im Rahmen des Projektes GeCCo (German e-Counseling Conversation Dataset) wurde ein erster deutschsprachiger Datensatz für die Analyse psychosozialer Beratungskonversationen erstellt und veröffentlicht. Wesentlicher Bestandteil ist ein neu entwickeltes Kategoriensystem, das eine feingranulare inhaltliche Klassifikation in 40 Berater-und 28 Klienten-Kategorien ermöglicht. Basierend auf dem Datensatz konnten erfolgreich verschiedene Modelle mithilfe maschineller Lernverfahren trainiert und für die wissenschaftliche Nutzung bereitgestellt werden.
Ein Datensatz aus mehreren deutschsprachigen Onlineberatungsforen wurde mit verschiedenen maschinellen Lernverfahren untersucht. Dabei können unüberwachte Lernverfahren nur in Bezug auf die linguistische Gestaltung der Beiträge relevante Ergebnisse zeigen. Überwachte maschinelle Lernverfahren zeigen ein sehr großes Potenzial zur Klassifikation von Textstellen analog zur qualitativen Inhaltsanalyse. Damit eignen sich maschinelle Lernverfahren prinzipiell für die qualitative Analyse großer Textmengen, wie sie z. B. in der Onlineberatung vorliegen.
Qualitative content analysis is a systematic method commonly used in the social sciences to analyze textual data from interviews or online discussions. However, this method usually requires high expertise and manual effort because human coders need to read, interpret, and manually annotate text passages. This is especially true if the system of categories used for annotation is complex and semantically rich. Therefore, qualitative content analysis could benefit greatly from automated coding. In this work, we investigate the usage of machine learning-based text classification models for automatic coding in the area of psycho-social online counseling. We developed a system of over 50 categories to analyze counseling conversations, labeled over 10.000 text passages manually, and evaluated the performance of different machine learning-based classifiers against human coders.