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

Projektleitung

Prof. Dr. Eyke Hüllermeier

Mehr zur Person

Prof. Dr. Kirsten Thommes

Mehr zur Person

Mitarbeiter*innen

Stefan Heid, M.Sc.

Mehr zur Person

Jaroslaw Kornowicz, M.Sc.

Mehr zur Person

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).


Towards a Computational Architecture for Co-Constructive Explainable Systems

M. Booshehri, H. Buschmeier, P. Cimiano, S. Kopp, J. Kornowicz, O. Lammert, M. Matarese, D. Mindlin, A.S. Robrecht, A.-L. Vollmer, P. Wagner, B. Wrede, in: Proceedings of the 2024 Workshop on Explainability Engineering, ACM, 2024, pp. 20–25.



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.


Alle Publikationen anzeigen