Zum Inhalt springenÜbersicht: KI-Forschungsprojekte an der HHUProjekt 1Projekt 3Meinungsmonitor Künstliche Intelligenz (MeMo:KI)Projekt 4Projekt 5

KI-Forschung an der HHU

KI beeinflusst große Teile der Forschung und Lehre an der HHU jetzt schon erheblich. Der Bedarf an Weiterentwicklung von Methoden der KI und dem Einsatz von Algorithmen in aktuellen wissenschaftlichen Projekten wird in absehbarer Zeit weiter zunehmen und zur selbstverständlichen Forschungsmethode neben anderen werden – nicht nur in der Informatik.

An der HHU arbeiten zahlreiche Wissenschaftlerinnen und Wissenschaftler in allen Fakultät an Forschungsprojekten in den Bereichen Künstliche Intelligenz und Datenwissenschaften. Viele dieser Projekte zeichnen sich durch eine interdisziplinäre Arbeitsweise aus.

Übersicht: KI-Forschungsprojekte an der HHU

KI-basiertes Verstehen von Online Solidaritäts-Diskursen für evidenzbasierte Politikgestaltung

Für evidenzbasierte Politikgestaltung und deren adäquate öffentliche Vermittlung ist ein Verständnis gesellschaftlicher Diskurse sowie deren zeitlicher Entwicklung und Abhängigkeit von gesellschaftlichen und medialen Ereignissen notwendig. Gerade bei sich dynamisch entwickelnden politischen Handlungsfeldern wie der Corona-Pandemie, Migrations- oder Klimapolitik bieten Daten aus Social Media Diskursen Möglichkeiten, gesellschaftliche Trends, Meinungsbilder und Verhaltensintentionen zu erkennen. Das interdisziplinäre Projekt DiscourseData4Policy (DD4P) zielt darauf ab, mithilfe von Methoden aus KI und maschinellem Lernen gesellschaftliche Onlinediskurse auf Twitter versteh- und nutzbar zu machen, um ein besseres Verständnis dynamischer Wechselwirkungen zwischen gesellschaftlichen Ereignissen, politischen Maßnahmen und deren gesellschaftlicher Akzeptanz zu ermöglichen. Vor diesem Hintergrund untersucht das Projekt weiterhin, inwiefern solche Diskursdaten den politischen Prozess informieren können und welche Auswirkungen dies auf Wahrnehmungen der Bürger über Politik hat.

Leitung: Prof. Dr. Stefan Dietze
Beteiligt Wissenschaftler: Prof. Dr. Stefan Harmeling, Prof. Dr. Martin Mauve, Prof. Dr. Frank Marcinkowski, Jun.-Prof. Dr. Tobias Escher, Dr. des. Christopher Starke

Heinrich Heine Universität Düsseldorf (HHU)

Relevante Links:

Relevante Publikationen:

Die menschliche Wahrnehmung und damit die Reaktion auf dicht an der Wahrnehmungsgrenze liegende Stimuli variiert zwischen einzelnen Probanden. Das Forschungsprojekt stellt daher die Frage, ob intrinsische Aktivierungsmerkmale im Gehirn identifiziert werden können, die eine Vorhersage der Antwort auf Stimuli erlauben. Der Fokus liegt dabei auf der Dynamik vor Beginn der eigentlichen Aufgabe und auf der Interaktion zwischen Gehirnregionen. Die Gehirnnetzwerke, welche in der Zeit ohne Aufgabe aktiv sind, werden als Ruhenetzwerke bezeichnet. Um die Dynamik dieser Ruhenetzwerke zu untersuchen, werden die Probanden im Magnetoenzephalogram (MEG) gemessen. Mit Hilfe eines Hidden-Markov-Models sollen die Netzwerkstrukturen und deren zeitliche Veränderung bestimmt werden. Es wird untersucht werden, ob die jeweilige Netzwerksequenz und -konfiguration vor einer Stimulus-Präsentation eine Vorhersage der Wahrnehmung durch den Probanden erlaubt.  Die Identifizierung und Charakterisierung einer solchen Ruhe-Aufgaben-Interaktion wird zu einem besseren Verständnis der Ruhenetzwerke führen. Da sich in vielen neurologischen und psychiatrischen Erkrankungen eine Veränderung der Ruhenetzwerke zeigt, könnten die Ergebnisse dieses Projektes benutzt werden, um bestimmte Erkrankungen basierend auf Ruhenetzwerk Aufzeichnungen zu diagnostizieren.

Leitung: Jun.-Prof. Dr. Esther Florin | Doktorand: Abhinav Sharma

Medizinische Fakultät (HHU)

Kontakt: Jun.-Prof. Dr. Esther Florin, Tel: +49 - 211- 81 -08437

Aktuelle Publikation

Die Künstliche Intelligenz verspricht die medizinische Bildgebung zu revolutionieren. Die Zahl der Untersuchungen nimmt in den letzten Jahren kontinuierlich zu, jedoch wächst die Zahl des entsprechenden medizinischen Personals nicht entsprechend schnell. Unsere Arbeitsgruppe im Institut für Diagnostische und Interventionelle Radiologie des Universitätsklinikum Düsseldorf verfolgt das Ziel, Technologien der Informatik und künstlichen Intelligenz mit Anwendungen der klinischen Radiologie konzeptuell zusammenzuführen, um Radiologinnen und Radiologen sinnvoll in Ihrer alltäglichen Arbeit zu unterstützen.

PD Dr. med. Dipl.-Inform. Julian Caspers
Dr. med. Christian Rubbert

Universitätsklinikum Düsseldorf (UKD)

Zum Projekt

Im Rahmen des Projekts „Meinungsmonitor Künstliche Intelligenz“ [MeMo:KI], welches in Forschungspartnerschaft mit dem Center for Advanced Internet Studies (CAIS) durchgeführt wird, wird ein Instrument entwickelt, mit dem öffentliche und veröffentlichte Meinung zu KI kontinuierlich beobachtet und analysiert wird. Dazu wird mit einer regelmäßig stattfindenden Bevölkerungsbefragung das Verständnis und die Meinung zu KI erfasst, die Medienberichterstattung durch eine Kombination automatisierter und manueller Inhaltsanalyseverfahren untersucht sowie die Diskussionen von Expert*innen und Meinungsführer*innen in Social Media tiefer beleuchtet. Ziel ist es ein umfassendes Verständnis über die Dynamiken im öffentlichen Diskurs zu entwickeln und daraus Aussagen über die Ursachen von Chancen- und Risikoeinschätzungen sowie den geäußerten (politischen) Handlungsbedarf abzuleiten.

Es  sind bislang bereits vier Befragungswellen durchgeführt worden, deren erste, gesammelte Daten in einem Dashboard aufbereitet wurden. 

Leitung: Prof. Dr. Frank Marcinkowski | Bearbeitung: Pero Dosenovic, M.A., Kimon Kieslich, M.A.

Philosophische Fakultät (HHU)

Kontakt: Pero Dosenovic | Kimon Kieslich

Search as Learning - Investigating, Enhancing, and Predicting Learning during Multimodal (Web) Search (SALIENT)

Etablierte Ansätze zur Web Suche und Informationsbeschaffung adressieren speziell die Relevanz von Suchergebnissen für einen bestimmten Informationsbedarf, während der Wissensstand und Lernbedarf eines Benutzers in der Regel unberücksichtigt bleibt. Jüngste Forschungen im Bereich der „Search as Learning“ konzentrieren sich daher auf die Beobachtung und Erkennung von Lernbedürfnissen von Nutzern, z.B. mithilfe von maschinellem Lernen, aber adressieren meist sehr spezifische Lernszenarien oder Features. Die Untersuchung von diversen und höherdimensionalen Feature Kategorien, die Berücksichtigung multimedialer Features und insbesondere die Generalisierbarkeit von Modellen früherer Arbeiten zur Unterstützung verschiedener Lernbedürfnisse mithilfe von adaptiven Ranking und Empfehlungsmethoden wurden noch nicht hinreichend untersucht.

Das interdisziplinäre Projekt SALIENT bringt Expertise aus verschiedenen Bereichen der Informatik und der Psychologie zusammen und zielt darauf ab, diese Lücke zu schließen, indem es Methoden erforscht, um die Lern- und Suchverhalten von Nutzenden mithilfe von Methoden aus künstlicher Intelligenz und maschinellem Lernen, Information Retrieval und Kognitiver Psychologie zu verbessern.

Prof. Dr. Stefan Dietze et al.      

Mathematisch-Naturwissenschaftliche Fakultät (HHU) | GESIS – Leibniz-Institut für Sozialwissenschaften (Köln)

Kontakt: Data & Knowledge Engineering | Prof. Dr. Stefan Dietze

Zum Projekt

Interview mit Prof. Dietze

Im interdisziplinären deutsch-chinesischem Projekt EAST-CITIES verfolgen die TU Braunschweig, die Tongji Universität Shanghai, das Forschungszentrum L3S, die HHU und GESIS einen datengetriebenen und KI-gestützten Ansatz zur Untersuchung von nachhaltiger urbaner Entwicklung in Ostchina, einer der am stärksten von Urbanisierung betroffenen Regionen weltweit. Die Projektpartner untersuchen die ökologischen, sozialen und ökonomischen Wechselbeziehungen zwischen unterschiedlichen Siedlungstypen in und zwischen den Städten der östlichen Pazifikregion Chinas, ihre Auswirkungen im Bezug auf Landnutzung, Mobilität, Ressourcen- und Energieverbrauch und wie diese im Sinne einer nachhaltigen regionalen Entwicklung qualifiziert und optimiert werden können. Unter der Leitung von Prof. Dr. Stefan Dietze bringt GESIS/HHU Expertise bei der Gewinnung, Aufbereitung und Analyse von Forschungsdaten mithilfe von Methoden aus KI, maschinellem Lernen und Wissensgraph-basierter Datenintegration ins Projekt ein.

Projektleitung für das Forschungsteilprojekt DATA: Prof. Dr. Stefan Dietze

Mathematisch-Naturwissenschaftliche Fakultät (HHU) | GESIS – Leibniz-Institut für Sozialwissenschaften (Köln)

Kontakt: Data & Knowledge Engineering | Prof. Dr. Stefan Dietze

Zum Projekt

Künstliche Intelligenz (KI) durchdringt zunehmend sämtliche Bereiche des gesellschaftlichen Lebens. Der Bildungssektor ist dabei in doppelter Weise herausgefordert. Einerseits soll er die Ausbildung hochqualifizierter KI-Experten gewährleisten. Andererseits führen KI-basierte Systeme (z.B. learning analytics, drop-out detection systems) zu tiefgreifenden Veränderungen in Forschung und Lehre der Hochschulen.

Während Befürworter solcher Technologien erwarten, dass KI die Qualität universitärer Bildung verbessert und die Effizienz der Hochschulen insgesamt stärkt, befürchten Kritiker, dass automatisierte Systeme soziale Ungleichheiten reproduziert oder gar verstärkt werden könnten. Wenn Entscheidungen über den Zugang zu Bildungsangeboten oder den Studienerfolg zunehmend von KI getroffen werden, stellen sich folglich zentrale Fragen nach Fairness, Verantwortung und Transparenz. An dieser Stelle setzt das interdisziplinäre FAIR/HE Projekt an und untersucht, unter welchen technologischen und sozialen Voraussetzungen eine faire und sozial verträgliche Implementierung KI-basierter Systeme an deutschen Universitäten gelingen kann.

Dabei werden „zwei Gesichter“ von Fairness unterschieden: (1) objektive Diskriminierung durch unfairen Dateninput oder fehlerhafte Algorithmen, (2) subjektive empfundene (Un)fairness bei den Betroffenen. Um beide Formen von Fairness sowie deren Zusammenwirken adäquat zu untersuchen, ist kooperative Forschung zwischen InformatikerInnen und SozialwissenschaftlerInnen unverzichtbar. Das interdisziplinäre FAIR/HE Konsortium trägt dazu bei, die deutschen Hochschulen auf die Herausforderungen und Chancen von KI adäquat vorzubereiten. Das Projekt wird Verfahren und Lösungen für den fairen Umgang mit Daten erarbeiten, Werkzeuge für die Gestaltung diskriminierungsfreier und verstehbarer Algorithmen entwickeln und wertvolles Gestaltungswissen über die kognitiven und emotionalen Reaktionen von Betroffenen bereitstellen.

Projektleitung: Frank Marcinkowski, Ulrich Rosar, Christopher Starke (Sozialwissenschaften), Stefan Conrad, Stefan Harmeling, Michael Leuschel (Informatik)

Philosophische Fakultät (HHU) | Mathematisch-Naturwissenschaftliche Fakultät (HHU)

Kontakt: Prof. Dr. Frank Marcinkowski

Zum Projekt

Eine große Datenmenge über den Lernprozess, den Lernfortschritt und das Lernergebnis sowie über die Lernenden selbst entsteht durch die zunehmende Digitalisierung in Bildungseinrichtungen und die damit verbundene Nutzung digitaler Lernplattformen. Neue Techniken ermöglichen die automatische Auswertung von Daten, die auch als Learning Analytics (LA) bezeichnet wird. Unter LA versteht man die Analyse großer Datenmengen über Lernende, Lehrende und Lernprozesse, um ein effektiveres Lernen und Lehren zu ermöglichen. Dabei kann es allerdings zu Diskriminierung kommen, wenn z.B. Lernenden mit niedrigerem sozialen Status oder eines bestimmten Geschlechts ein niedrigerer Lernerfolg prognostiziert wird oder die Bewertung nicht allein auf dem Ergebnis, sondern auch auf dem dokumentierten Lernprozess beruht. Das Forschungsprojekt beschäftigt sich damit, wie Diskriminierung nach Geschlecht, Alter, Herkunft oder Lerntyp durch den Einsatz von algorithmischen Auswertungen in digitalen Lernsystemen und -prozessen begünstigt oder verhindert werden kann. Hierfür sollen vorhandene, reale Daten mit typischen Algorithmen analysiert werden, um auf diese Weise zu untersuchen, inwiefern die Algorithmen anfällig für Diskriminierung sind. Darüber hinaus soll experimentell untersucht werden, wie die Datenfülle über Lernende auf Lehrende wirkt und inwiefern hieraus ein zusätzliches Diskriminierungspotential entsteht. Auch die Wahrnehmung der Lernenden soll in diesem Rahmen untersucht werden.

Projektleitung / beteiligte Forscher: Jun.-Prof. Dr. Marius Wehner, Alina Köchling, Shirin Riazy (HTW Berlin), Prof. Dr. Katharina Simbeck (HTW Berlin)

Wirtschaftswissenschaftliche Fakultät (HHU) | HTW Berlin

Kontakt: Alina Köchling

Zum Projekt

 

Algorithmische Entscheidungsfindung wird im Rekrutierungsprozess immer häufiger eingesetzt. Die Ziele der Implementierung von algorithmischen Entscheidungen im HR-Bereich sind unter anderem das Einsparen von Kosten sowie die Erhöhung der Effizient und Objektivität. In Bezug auf letzteres könnte die algorithmische Entscheidungsfindung objektiver und fairer sein als die menschliche Entscheidungsfindung aufgrund von Vorurteilen und subjektiven Überzeugungen. Allerdings gibt es auch Fälle, in denen die Frage aufkommt, ob die algorithmische Entscheidungsfindung wirklich so objektiv und fair ist wie angenommen. Das Ziel dieser Studie ist es daher, festzustellen, ob der Einsatz von algorithmischer Entscheidungsfindung zu Diskriminierung bestimmter Gruppen von Menschen führt und bestehende Ungleichheiten und Verzerrungen verstärkt. Zu diesem Zweck analysieren wir einen bestehenden Datensatz, aus mehrenden tausenden Videoclips und drei Gewinnalgorithmen. Unsere Analyse zeigt, dass eine Unterrepräsentation von Personengruppen in Bezug auf Geschlecht und Ethnizität im Trainingsdatensatz zu einer Überschätzung und/oder Unterschätzung der Wahrscheinlichkeit, diese Gruppen zu einem Vorstellungsgespräch einzuladen, führt. Darüber hinaus werden bestehende Ungleichheiten im Datensatz durch den Algorithmus repliziert. Die Studie liefert Beweise für mögliche negative Folgen algorithmischer Entscheidungsfindung wie zum Beispiel das Risiko von Diskriminierung und bietet somit wichtige praktische und theoretische Implikationen.

Projektleitung / beteiligte Wissenschaftler*innen: Jun.-Prof. Dr. Marius Wehner, Alina Köchling, Shirin Riazy (HTW Berlin), Prof. Dr. Katharina Siembeck (HTW Berlin)

Wirtschaftswisssenschaftliche Fakultät (HHU) | HTW Berlin

Kontakt: Alina Köchling

Datenbank am CNR (Center for Neuronal Regeneration der Medizinischen Fakultät der HHU) über präklinische Forschungsergebnisse zu Rückenmarksverletzungen und Querschnittlähmung.

Das Ziel dieses Projektes ist die Entwicklung eines interaktiven Informationssystems zur Unterstützung der Übertragung (Translation) erfolgversprechender präklinischer Forschungsergebnisse zu Rückenmarksverletzungen und Querschnittlähmung in klinische Studien.

Große Mengen unstrukturierter Daten über Resultate präklinischer Forschung zur Rückenmarkverletzung und Querschnittlähmung wie sie in natürlich-sprachlichen Texten wissenschaftlicher Publikationen vorliegen werden durch maschinelle Lernalgorithmen auf der Grundlage der Spinal Cord Injury Ontology (SCIO) automatisiert verarbeitet und in eine Datenbank überführt. Diese PSINK-Datenbank ermöglicht Wissenschaftlern und Klinikärzten neben umfangreichen Metaanalysen eine Evidenz-basierte Einschätzung des zu erwartenden Therapieerfolges bei Übertragung der experimentellen Therapien auf den Menschen. Sie dient somit der Entscheidungsfindung bei der Auswahl der am meisten Erfolg versprechenden experimentellen Therapie für die Translation in die Klinik. In Zukunft soll der maschinelle Lernansatz zur automatisierten Informationsextraktion auch zum Aufbau von Datenbanken anderer medizinischer Indikationen genutzt werden.

Leitung CNR: Prof. Dr. Hans Werner Müller
Koordination CNR: Dr. Nicole Brazda

Medizinische Fakultät (HHU), CITEC (Uni-Bielefeld), IMS (Uni-Stuttgart) 

Zum Projekt

Video zum Projekt PSINK

Verantwortlichkeit: Redaktion HeiCAD