Projekt C02: Interaktives Lernen von erklärbaren, situationsangepassten Entscheidungsmodellen
Je nach Situation sind verschiedene Strategien für die maschinelle Entscheidungsfindung nötig. Diese sind beispielsweise abhängig von verfügbarer Zeit und vorliegender Informationsmenge. Die Forscher*innen aus Informatik und Wirtschaftswissenschaften erarbeiten im Projekt C02 eine Methode, die es ermöglicht, an unterschiedliche Situationen angepasste Modelle zu entwickeln. Dafür werden Expert*innen und Anwender*innen in den Konstruktionsprozess integriert. Das Ziel: Entscheidungsträger*innen sollen dazu befähigt werden, das am besten geeignete Modell zu wählen sowie die maschinelle Entscheidung im Nachhinein überprüfen zu können.
Forschungsgebiete: Informatik, Wirtschaftswissenschaften
Hilfskräfte
Nils Bojack, Universität Paderborn
Julia Rustemeier, Universität Paderborn
Luca Manuel Siekermann, Universität Paderborn
Publikationen
The Role of Response Time for Algorithm Aversion in Fast and Slow Thinking Tasks
A. Lebedeva, J. Kornowicz, O. Lammert, J. Papenkordt, in: Artificial Intelligence in HCI, 2023.
Aggregating Human Domain Knowledge for Feature Ranking
J. Kornowicz, K. Thommes, Artificial Intelligence in HCI (2023).
Probabilistic Scoring Lists for Interpretable Machine Learning
J.M. Hanselle, J. Fürnkranz, E. Hüllermeier, in: Discovery Science, Springer Nature Switzerland, Cham, 2023.
Comparing Humans and Algorithms in Feature Ranking: A Case-Study in the Medical Domain
J.M. Hanselle, J. Kornowicz, S. Heid, K. Thommes, E. Hüllermeier, in: M. Leyer, J. Wichmann (Eds.), LWDA’23: Learning, Knowledge, Data, Analysis. , 2023.
Learning decision catalogues for situated decision making: The case of scoring systems
S. Heid, J.M. Hanselle, J. Fürnkranz, E. Hüllermeier, International Journal of Approximate Reasoning 171 (2024).
Learning decision catalogues for situated decision making: The case of scoring systems
S. Heid, J.M. Hanselle, J. Fürnkranz, E. Hüllermeier, International Journal of Approximate Reasoning 171 (2024).
Human-AI Co-Construction of Interpretable Predictive Models: The Case of Scoring Systems
S. Heid, J. Kornowicz, J.M. Hanselle, E. Hüllermeier, K. Thommes, in: PROCEEDINGS 34. WORKSHOP COMPUTATIONAL INTELLIGENCE, 2024, p. 233.
Towards a Computational Architecture for Co-Constructive Explainable Systems
H. Buschmeier, P. Cimiano, S. Kopp, J. Kornowicz, O. Lammert, M. Matarese, D. Mindlin, A.S. Robrecht, A.-L. Vollmer, P. Wagner, B. Wrede, M. Booshehri, in: Proceedings of the 2024 Workshop on Explainability Engineering, ACM, 2024, pp. 20–25.
Algorithm, expert, or both? Evaluating the role of feature selection methods on user preferences and reliance
J. Kornowicz, K. Thommes, PLOS ONE 20 (2025).
Algorithm, expert, or both? Evaluating the role of feature selection methods on user preferences and reliance
J. Kornowicz, K. Thommes, Plos One (2025).
Alle Publikationen anzeigen
