Core Concepts
Schließung der Wissenslücke für präzise Datenannotations-Schnittstellen im Katastrophenmanagement.
Abstract
In dieser Forschungsarbeit wird die Bedeutung der Wissenslücke bei der Gestaltung von Datenannotations-Schnittstellen für KI-gestützte Analyse-Systeme im Katastrophenmanagement untersucht. Es werden zwei Hauptursachen für Meinungsverschiedenheiten zwischen Experten und Anfängern identifiziert: mangelndes Kontextwissen und fehlende visuelle oder ergänzende Hinweise. Darauf aufbauend wird die Context-Schnittstelle entwickelt, um Anfängern bei der Identifizierung potenzieller Fehler zu helfen und den versteckten Kontext von Tweets aufzuzeigen. Eine vergleichende Studie zeigt signifikante Unterschiede zwischen verschiedenen Designs in Bezug auf Verhaltens- und Einstellungsdaten.
Struktur:
Einleitung
Zusammenfassung der Formulierung
Datenextraktion
Zitate
Weitere Fragen
Stats
Mit dem wachsenden Einsatz von Künstlicher Intelligenz (KI) in berufsspezifischen Aufgaben wird es immer wichtiger, Anfängern zu helfen, potenzielle Fehler zu identifizieren.
Die Studie umfasste acht Teilnehmer aus dem Bereich des Katastrophenmanagements.
Zwei Hauptursachen für Meinungsverschiedenheiten zwischen Experten und Anfängern wurden identifiziert: mangelndes Kontextwissen und fehlende visuelle oder ergänzende Hinweise.
Quotes
"Es könnte für weniger erfahrene Benutzer von Vorteil sein, Begriffe und Kontexte etwas besser zu verstehen, wo sie eine Art Wörterbuch haben, das die Definitionen dessen gibt, was ihre Mission ist oder mehr maßgeschneiderte Ressourcen, die die Leute darauf hinweisen, mehr Informationen über den Tweet zu erhalten." - P5
"Wenn Menschen versuchen zu verstehen, wie relevant Transportmittel und beschädigte Infrastruktur sind, wäre ein System, das einige lokale Kenntnisse darin bereitstellt, enorm vorteilhaft." - P5