Automatisierte Wissensextraktion. Um kontextabhängige Dienste, z.B. im Pflegebereich oder Gesundheitswesen, anbieten zu können, braucht es strukturiertes Wissen über das Anwendungsgebiet. Frau Prof. Dr. Yordanova beschäftigt sich vor allem mit (semi-)automatischen Methoden der semantischen Wissensextraktion. Dabei kombiniert sie bereits vorhandenes Wissen aus strukturierten Wissensbasen, z.B. Ontologien, anwendungsspezifischen Taxonomien oder aus Sprache bzw. Texten, mit Verfahren des Machine Learning, mit denen wiederum neues Wissen generiert werden kann.
Heterogene Datenquellen. Das Wissen stammt meist aus heterogenen Datenquellen. Dementsprechend können die Daten unterschiedlich bezüglich der Datentypen und der Granularität sein. Frau Prof. Dr. Yordanova arbeitete u.a. an einem Projekt, in dem Sensordaten mit Textdaten kombiniert wurden, um semantische Modelle zu erzeugen, um eine Verhaltens- und Kontextanalyse durchzuführen und so schließlich eine situationsabhängige Assistenz zu ermöglichen.
Kontext- und Situationsanalyse. Besondere Herausforderungen bei der Kontext- und Situationsanalyse sind unbalancierte Daten, kleine Datenmengen, fehlende Datenlabels (die verraten, zu welcher Klasse ein Datensatz gehört), große Zustandsräume und die Interpretierbarkeit der Modelle. Zur Lösung dieser Probleme beschäftigt sich Frau Prof. Dr. Yordanova vor allem mit der Kombination von Vorwissen (symbolische Modelle) mit probalistischen Methoden und Machine Learning in den Bereichen Assistenzsysteme, Pflege und Gesundheitswesen sowie Sozialwissenschaften.
Situationsabhängige Assistenz. Auf Grundlage der Verhaltensanalyse und der Erkennung eines spezifischen Kontexts ist es möglich, eine passende Assistenz anzubieten. Beispielweise könnten Informationen zum Gesundheitszustand an einen Arzt geschickt werden oder es kann online Hilfe angeboten werden, die sich am aktuellen Bedarf eines Nutzers ausrichtet. Frau Prof. Dr. Yordanova arbeitet momentan an Projekten zur Entwicklung von Chatbots, die Studierenden der Pflegewissenschaften oder aber pflegenden Angehörigen Hilfestellung geben sollen. Die Herausforderungen bestehen in der Interpretation des Input (Texteingabe) und der Generierung einer korrekten Antwort. Dies beinhaltet das Verstehen von Sprache mittels Machine Learning und eine Antwortgenerierung mittels Zustandsschätzung, Reinforcement Learning und Natural Language Processing.
Kompetenzen im Bereich der künstlichen Intelligenz und Data Science
- Natural Language Processing von Texten (Verstehen und Erzeugen von Texten)
- Probabilistische Zustandsschätzung auf Basis von Texten
- Erstellung von Ontologien
Prof. Dr.-Ing. Kristina Yordanova
Lehrstuhl für Data Science, Universität Greifswald
Ausgewählte Projekte
DigiCare
Im Zentrum des DigiCare-Projektes steht die Ausbildung von Studierenden der Pflegewissenschaften und des Pflegemanagements. Sie sollen aus konkreten Fällen lernen, wie sie mit herausforderndem Verhalten bei Menschen mit Demenz umgehen. Dazu müssen im Projekt zunächst Beispielfälle aufbereitet werden. Dies geschieht auf Basis von Arztbriefen oder in Lehrbüchern beschriebenen Fällen. Daraus ergeben sich Verlaufsmodelle, die dabei helfen zu erkennen, in welchem Zustand sich eine Studierende während des Verlaufs befindet. Ein Fall selbst wird mit Hilfe eines Chatbots simuliert, der die Patientenrolle übernimmt. Die Studierenden kommunizieren über Textnachrichten mit den Patienten. Natural Language Processing wird zunächst eingesetzt, um die Eingaben der Studierenden zu verstehen. Über probabilistische Zustandsschätzung wird ermittelt, in welchem Zustand sich eine Studierende innerhalb des Verhaltensmodells befindet. Anhand dessen wird über Natural Language Processing eine Antwort des Patienten/Chatbot erzeugt. Das System muss dabei auch erkennen können, ob Studierende Probleme mit der Situation haben und Hilfe bei der Aufgabe benötigen.
BehavE
Zur Erkennung von Situationen oder Aktivitäten können verschiedene Datenquellen genutzt werden, z.B. Sensordaten, Texte oder auch strukturiertes Vorwissen in Form von Ontologien. Das Projekt BehavE soll zwei Fragen klären: 1) Wie kann Wissen aus diesen Datenquellen extrahiert werden und 2) wie kann dieses Wissen aus den verschiedenen Datenquellen vereint werden für eine Zustandsschätzung?
eDEM-Connect
Ziel des Projektes ist die Erstellung eines Chatbots, der Hilfe für pflegende Angehörige von Menschen mit Demenz bietet. eDEM-Connect ist ein Verbundprojekt, bei dem in Rostock eine Ontologie erstellt wird, die eine Wissensbasis in strukturierter Form für den Chatbot liefern soll. Die Ontologie wird semiautomatisch erstellt. Zunächst wird manuell mit Partnern aus den Pflegewissenschaften eine initiale Ontologie angelegt. Diese liefert Begriffe und Beziehungen, die anschließend in geeigneten Referenztexten, z.B. aus Foren zum Austausch Angehöriger von Menschen mit Demenz, annotiert werden, um Trainingsbeispiele zu erzeugen. Mit den Trainingsbeispielen wird ein Modell berechnet, das bei der Identifizierung neuer Trainingsbeispiele hilft. Diese liefern wiederum Informationen, die in die Ontologie eingepflegt werden müssen. Dieser Vorgang wird in mehreren Iterationsschritten fortgesetzt.