Skip to main content Skip to main navigation

Publication

Zur Analyse fallbasierter Problemlöse- und Lernmethoden in Abhängigkeit von Charakteristika gegebener Aufgabenstellungen und Anwendungsdomänen

Klaus-Dieter Althoff; Agnar Aamodt
In: Brigitte Bartsch-Spörl; Stefan Wess (Hrsg.). KI - Künstliche Intelligenz, German Journal on Artificial Intelligence - Organ des Fachbereiches "Künstliche Intelligenz" der Gesellschaft für Informatik e.V. (KI), Vol. "Fallbasiertes Schließen", No. 1, Pages 10-15, BöttcherIT, 1996.

Abstract

Fallbasiertes Schließen (case-based reasoning; CBR) hat – gegenüber anderen Methoden – den Vorteil der inhärenten Kombination von Problemlösen und kontinuierlichem Lernen aus Erfahrung. Diese Kombination ist ein außerordentlich interessantes Thema, zu dem genügend Erfahrung vorliegt, um es systematisch zu untersuchen. Hierzu haben wir begonnen, ein Instrumentarium (framework) zur Analyse von CBR-Methoden zu entwickeln. Es beinhaltet eine explizite Ontologie grundlegender CBR-Aufgabentypen, Domänencharakteristika sowie Problemlöse- und Lern-Methodentypen. Die mit unserem Ansatz verbundene Methodologie kombiniert eine top-down Knowledge-Level-Analyse mit einer bottom-up „fallgetriebenen“ Analyse. Wir beschreiben neben der zugrunde liegenden Sichtweise unseres analytischen Instrumentariums seine Hauptkomponenten, die eingebettete Methodologie sowie Beispielstudien und ihre Beziehung zu unserem Ansatz.