Dare2Del – Lernen zu Löschen: Vergessen digitaler Objekte als Gemeinschaftsaufgabe von Mensch und KI
2016 - 2019: Dare2Del - Internales und externales intentionales Vergessen: Empirische Untersuchungen und prototypische Umsetzung eines Assistenzsystems zum intentionalen Vergessen digitaler Information
- Worum geht es in diesem Projekt?
Schwerpunkt von Dare2Del ist es, Mitarbeitende in Verwaltung und Produktion dabei zu unterstützen, ihr digitales Wissen zu regulieren, indem irrelevante digitale Objekte wie Dateien ausgeblendet und gelöscht werden. Irrelevante digitale Objekte können die Suche nach Informationen behindern, Entscheidungsprozesse verzögern, die Aufmerksamkeit von der eigentlichen Aufgabe ablenken und damit die Arbeitsleistung und das Wohlbefinden beeinträchtigen. Mit der immer größer werdenden Menge an digitalen Daten wird es immer wichtiger, dass Mitarbeitende beim Aufräumen ihrer digitalen Unordnung und beim Vermeiden von digitalem Horten unterstützt werden. Im interdisziplinärer Kooperation von Psychologie (Arbeit und Kognition) und Informatik (Künstliche Intelligenz) untersuchen wir zum einen empirisch das absichtliche Vergessen im Arbeitskontext und entwickeln zum anderen ein partnerschaftliches KI-System, bei dem maschinelles Lernen und Wissensverarbeitung kombiniert sind. Mit einem Ansatz des erklärbaren interaktiven maschinellen Lernens wird so das intelligente Assistenzsystem Dare2Del realisiert, das den Mitarbeitenden hilft, irrelevante digitale Objekte zu erkennen und zu löschen. Systementscheidungen werden durch Erklärungen transparent und nachvollziehbar gemacht und Anwenderinnen und Anwender werden durch die Möglichkeit, Systemvorschläge sowie Erklärungen zu korrigieren, aktiv miteinbezogen.
- Was sind die bisherigen Ergebnisse des Projektes?
Seitens der Informatik wurde ein Prototyp eines partnerschaftlichen KI-Systems konzipiert und umgesetzt, das Löschvorschläge unterbreitet. Dabei wurden verschiedene Ansätze der induktiven logischen Programmierung (ILP) untersucht und weiterentwickelt. ILP ist ein hybrider KI-Ansatz, bei dem die Kombination von logikbasierten Inferenzprozessen und maschinellem Lernen in einem einheitlichen Formalismus umgesetzt werden kann. So können allgemeine Vorgaben und Regularien zu Aufbewahrungs- oder Löschvorgaben von digitalen Objekten explizit modelliert werden. Spezifische Präferenzen von Abteilungen oder einzelnen Personen werden dann in einem interaktiven Lernprozess erfasst und in die Klassifikation mit aufgenommen. Seitens der Psychologie wurde intentionales Vergessen zunächst im Arbeitskontext untersucht. Es konnte gezeigt werden, dass die Vorteile des intentionalen Vergessens auch bei komplexen Arbeitsroutinen zu finden sind (Niessen & Lang, 2020) und dass intentionales Vergessen im Arbeitskontext verschiedene Funktionen hat – von der Aufmerksamkeitskontrolle über den Selbstwertschutz bis hin zur Emotionsregulation (Niessen, Göbel, Siebers, & Schmid, 2019). Situationen, in denen intentional vergessen wird, sind beispielsweise geprägt von hoher Aufgabenkomplexität, Neuheit der Aufgabe, hohem Zeitdruck oder auch Pausen. Die Identifikation von situativen Faktoren, die intentionales Vergessen sowohl von Gedächtnisinhalten als auch von digitalen Objekten erleichtern oder erschweren, wurde detaillierter in einer experience sampling Studie im Arbeitskontext, kombiniert mit einer Laboraufgabe (think/no think Aufgabe) untersucht. Die Studie zeigte, dass Zeitdruck intentionales Vergessen im Arbeitsalltag motiviert, allerdings nur, wenn Personen auch die Fähigkeit haben, irrelevante Information im Gedächtnis zu hemmen. Personen mit geringen Fähigkeiten, irrelevante Informationen im Gedächtnis zu hemmen, haben schon unter moderatem Zeitdruck Schwierigkeiten, im Arbeitsalltag störende und ablenkende Gedanken zu kontrollieren (Niessen, Göbel, Lang, & Schmid, 2020). Da in sozio-digitalen Systemen auch das intentionale Vergessen von extern repräsentierter Information beim Arbeiten wichtig ist, wurde auch das Löschen von irrelevanter Information untersucht. Es zeigte sich, dass gerade Personen, die eine geringe Fähigkeit hatten, unerwünschte Information im Gedächtnis zu hemmen, eher dann Dateien und Dokumente löschten, wenn veraltete Informationen den Arbeitsablauf behinderten (Niessen, Göbel, Siebers, & Schmid, 2018).
Muggleton, S. H., Schmid, U., Zeller, C., Tamaddoni-Nezhad, A., & Besold, T. (2018). Ultra-Strong Machine Learning: Comprehensibility of programs learned with ILP. Machine Learning, 107, 1119–1140. doi: 10.1007/s10994-018-5707-3
Niessen, C., & Lang, J. (2020). Does directed forgetting improve adaptive performance? An experiment using a complex work task. Journal of Applied Psychology.
Niessen, C., Göbel, K., Siebers, M., & Schmid, U. (2019). Time to forget: A review and conceptual framework of intentional forgetting in a digital world of work. Zeitschrift für Arbeits- und Organisationspsychologie.
Niessen, C., Göbel, K., & Lang, J., & Schmid, U. (2020). Stop thinking: An experience sampling study on the intention and ability to suppress distracting thoughts at work. Frontiers in Psychology, 11, 1616. https://www.frontiersin.org/articles/10.3389/fpsyg.2020.01616/full
Siebers, M., Göbel, K., Niessen, C., & Schmid, U. (2017). Requirements for a companion system to support identifying irrelevancy, International Conference on Companion Technology (ICCT, Ulm, 2017), pp. 1–2, IEEE Press. doi: 10.1109/COMPANION.2017.8287076
Siebers, M., & Schmid, U. (2019). Please delete that! Why should I? Explaining learned irrelevance classifications of digital objects. KI – Künstliche Intelligenz, Special Topic Intentional Forgetting, 33(1), 35-44. doi: 10.1007/s13218-018-0565-5
- Was sind weitere Ziele des Projektes?
(1) Ausbau des Ansatzes zur Generierung von verbalen und kontrastiven Erklärungen.
(2) Algorithmische Erweiterung des hybriden Lernansatzes zum inkrementellen Lernen aus Nutzerrückmeldungen, insbesondere aus korrigierten Erklärungen.
(3) Die Evaluation der Löschassistenz sowie der Effekt von Erklärungen auf die Akzeptanz der Löschempfehlung, das Vertrauen in das System, und Gedächtnisleistungen.
(4) Die Identifizierung von personen- und situationsbezogenen Faktoren, die das Horten von digitalen Objekten fördern oder behindern.
- Wie können Organisationen die Ergebnisse nutzen?
Das interaktive lernende KI-System Dare2Del kann genutzt werden, um irrelevante Daten und Dateien zu identifizieren und damit Speicherplatz zu sparen und Mitarbeitende dabei zu unterstützen, digitales Horten zu vermeiden.
Projektteam
| Prof. Dr. Niessen, Cornelia |
|
Institut für Psychologie | Antragstellerin |
ResearchGate Google Scholar |
cornelia.niessen@fau.de |
| Dr. Göbel, Kyra, |
|
Institut für Psychologie |
ORCID ResearchGate |
kyra.goebel@fau.de |
| Prof. Dr. Schmid, Ute |
|
Cognitive Systems | Antragstellerin |
ORCID ResearchGate Google Scholar |
ute.schmid@uni-bamberg.de |
| Nandini, Durgesh, M.Sc. |
|
Cognitive Systems |
ORCID ResearchGate Google Scholar |
durgesh.nandini@uni-bamberg.de |
Ehemalige Mitarbeiter/-innen
| Feuerbach, Magdalena, B.Sc. |
|
ResearchGate | |||
| Siebers, Michael, Dipl.-Psych. B.Sc. |
|
ORCID ResearchGate Google Scholar |
Poster Abschlusskolloquium 2023
Poster
