Teaming
Bei der kollaborativen Suche im professionellen Umfeld stellt die Teamarbeit eine entscheidende Strategie zur Lösung eines gemeinsamen Problems dar. Informationssysteme für die kollaborative Suche basieren auf fortschrittlichen Visualisierungen und/oder "klassischen" Prinzipien der Mensch-Maschine-Interaktion (HMI). Verfahren des maschinellen Lernens spielen ebenfalls eine Rolle. Das Ziel der Entwicklung von Systemen für die kollaborative Suche ist es, den einzelnen Nutzer bzw. die Nutzerin bei Aufgaben wie der Formulierung von Anfragen auf Grundlage von Schlagworten zu unterstützen. Darüber hinaus sollen die Nutzer dabei unterstützt werden, suchrelevante Informationen innerhalb eines Teams auszutauschen und gemeinsam Wissen abzuleiten. In diesem Szenario stellt sich die offene Forschungsfrage, wie die Akzeptanz von Informationssystemen für die kollaborative Suche erhöht werden kann. Aktuelle Forschungsergebnisse zeigen, dass Human-Machine-Teaming (HMT) - ein spezifisches Thema der HMI - ein vielversprechender Lösungsansatz sein könnte. HMT setzt voraus, dass der Mensch eine Maschine als vertrauenswürdigen und wertvollen Teampartner wahrnimmt, der einen Beitrag zur Lösung einer gemeinsamen Aufgabe leistet.
In der HMT-Forschung ist unklar, wie Systeme so gestaltet werden können, dass sie von ihren Nutzern als Teampartner wahrgenommen werden. Für die Nutzer kann es schwierig sein, Vertrauen in die Verfahren und Ergebnisse des maschinellen Lernens - das oftmals eine Fähigkeit eines Informationssystems darstellt - zu entwickeln, wenn die Logik hinter den Ergebnissen nicht auf natürliche Weise vermittelt wird. Hier liegt der Schwerpunkt der Forschung auf erklärbarer künstlicher Intelligenz (XAI) und Transparenz anstelle von Black Boxes. Der Mangel an Grundwahrheiten (engl. Ground Truth) erschwert jedoch die Entwicklung von XAI. Um die Perspektive von XAI zu erweitern und das Vertrauen zu erhöhen, untersuchen wir interaktive multimodale Datenrepräsentationen und Techniken zur Unterstützung der Aufmerksamkeitsfokussierung. Zudem entwickeln wir datengetriebene Verhaltensmodelle, die dazu dienen, menschliches (Such-)Verhalten zu antizipieren. Damit verleihen wir Systemen eine grundlegende Fähigkeit zur (gemeinsamen) Problemlösung in der HMT.
Die Forschung erfolgt mit Partnern im Forschungs- und Innovationsnetzwerk CHIM.
Ausgewählte Publikationen
- F. Klein, J. Höbel-Müller, S. Polley, S. Werner, A. Nürnberger: Navigating a Search Map using Audible Landmarks in Virtual Reality. In: Proceedings of DAGA 2023 - Berlin, Deutsche Gesellschaft für Akustik e.V., pp. 1617-1619. https://pub.dega-akustik.de/DAGA_2023/data/index.html
- V. Obionwu, A. Nürnberger, G. Saake: Enhancing Team Collaboration and Knowledge Exchange through a Skill Sharing Platform. In: Proceedings of the 18th International Conference on Web Information Systems and Technologies (WEBIST 2022), pp. 365-372.
- J. Schwerdt, A. Nürnberger: Detecting Automatic Reading Behavior During Online Search Sessions. In: Adjunct Proceedings of the 30th ACM Conference on User Modeling, Adaptation and Personalization, Barcelona, Spain, July 4 - 7, 2022, pp. 13-17. New York, NY, United States: Association for Computing Machinery, 2022. https://doi.org/10.1145/3511047.3536418
- M. Spiller, Y. Liu, M. Z. Hossain, T. Gedeon, J. Geissler, A. Nürnberger: Enhancing User-Adaptive Information Visualization Systems through Predicting Visual Search Task Success from Eye Gaze Data. ACM Transactions on Interactive Intelligent Systems (2021), 11(2), pp. 1-25. https://doi.org/10.1145/3446638