Refine
Departments, institutes and facilities
Document Type
- Conference Object (23)
- Article (8)
- Report (4)
- Part of a Book (1)
- Preprint (1)
Year of publication
Has Fulltext
- no (37)
Keywords
- Katamnese (3)
- Benutzeroberfläche (2)
- Concurrent Kleene Algebra (2)
- Laws of programming (2)
- Outcomeforschung (2)
- Patient-Reported Outcomes (PRO) (2)
- Refinement (2)
- Semantic models (2)
- Sozialversicherungsbeiträge (2)
- Trace algebra (2)
Roughness by Residuals
(2015)
Rough set theory (RST) focuses on forming posets of equivalence relations to describe sets with increasing accuracy. The connection between modal logics and RST is well known and has been extensively studied in their relation algebraic (RA) formalisation. RST has also been interpreted as a variant of intuitionistic or multi-valued logics and has even been studied in the context of logic programming.
A trace of the execution of a concurrent object-oriented program can be displayed in two-dimensions as a diagram of a non-metric finite geometry. The actions of a programs are represented by points, its objects and threads by vertical lines, its transactions by horizontal lines, its communications and resource sharing by sloping arrows, and its partial traces by rectangular figures.
Machine learning seems to offer the solution to many problems in user modelling. However, one tends to run into similar problems each time one tries to apply out-of-the-box solutions to machine learning. This article closely relates the user modelling problem to the machine learning problem. It explicates some inherent dilemmas that are likely to be overlooked when applying machine learning algorithms in user modelling. Some examples illustrate how specific approaches deliver satisfying results and discuss underlying assumptions on the domain or how learned hypotheses relate to the requirements on the user model. Finally, some new or underestimated approaches offering promising perspectives in combined systems are discussed. The article concludes with a tentative "checklist" that one might like to consider when planning to apply machine learning to user modelling techniques.
Learning Adaptive Behavior
(2005)
On nothing
(2014)
The World Wide Web (Www) offers a huge number of documents which deal with information concerning nearly any topic. Thus, search engines and meta search engines currently are the key to finding information. Search engines with crawler based indexes vary in recall and offer a very bad precision. Meta search engines try to overcome these lacks by simple methods for information extraction, information filtering and integration of heterogenous information resources. Only few search engines employ intelligent techniques in order to increase precision.
Tracelets and Specifications
(2017)
In the accompanying paper [1] the authors study a model of concurrent programs in terms of events and a dependence relation, i.e., a set of arrows, between them. There also two simplifying interface models are presented; they abstract in different ways from the intricate network of internal points and arrows of program components. This report supplements [1] by presenting full proofs for the properties of the interface models, in particular, that both models exhibit homomorphic behaviour w.r.t. sequential and concurrent composition. [1] B. Möller, C.A.R. Hoare, M.E. Müller, G. Struth: A discrete geometric model of concurrent program execution. In H. Zhu, J. Bowen: Proc. UTP 16. LNCS 10134. Springer 2017, 1-25
Kaum ein anderes Segment im Gesundheitswesen in Deutschland steht so im Fokus der Qualitätssicherung wie die medizinische Rehabilitation. So sind leitliniengetreue Therapien oder ausgereifte Zertifizierungsverfahren längst existenzielle Belegungsvoraussetzungen für die Rehabilitationseinrichtungen. Ohne ein funktionierendes Qualitätsmanagementsystem darf eine Rehabilitationsklinik nicht belegt werden (§20 SGB IX) – das ist einmalig im Gesundheitssystem. Die Rehabilitationskliniken sind damit Vorreiter in Sachen Qualität im Gesundheitswesen.
The @neurIST project
(2008)
Machine Learning seems to offer the solution to the central problem in recommender systems: Learning to recommend interesting items from observations. However, one tends to run into similar problems each time one tries to apply out-of-the-box solutions from Machine Learning. This article relates the problem of recommendation by user modeling closely to the machine learning problem and explicates some inherent dilemmas. A few examples will illustrate specific approaches and discuss underlying assumptions on the domain or how learned hypotheses relate to requirements on the user model. The article concludes with a tentative 'checklist' that one might like to consider when thinking about to use Machine Learning in User Adaptive environments such as recommender systems.
Traffic simulations are generally used to forecast traffic behavior or to simulate non-player characters in computer games and virual environments. These systems are usually modeled in such a way that traffic rules are strictly followed. However, rule violations are a common part of real-life traffic and thus should be integrated into such models.
Ein wichtiges Ziel der medizinischen Rehabilitation der Rentenversicherung war schon immer die berufliche (Wieder-)Eingliederung der Rehabilitanden. Daher ist die Ermittlung des Erwerbsstatus ein zentrales Element für die Bewertung des Rehabilitationsergebnisses. Für die konkrete Umsetzung bestehen jedoch mehrere Möglichkeiten: Betrachtung von Einkommen, Beschäftigungsdauer oder -art, Stichtags- oder Zeitraumbetrachtung, kurz-, mittel- oder langfristige Erhebung, Befragung der Rehabilitanden oder Nutzung von Daten der Sozialversicherung etc. In diesem Beitrag werden mögliche Herangehensweisen am Beispiel der „Reha-QM-Outcome-Studie“ des „Qualitätsverbundes Gesundheit“ und der Deutschen Rentenversicherung Baden-Württemberg (Kaluscha et al., 2014) beleuchtet.
Vor dem Hintergrund knapper Ressourcen, dem zunehmendem Reha-Bedarf und der politischen Diskussion um eine demografische Anpassung der Reha-Budgets gewinnt der Nachweis der Ergebnisqualität medizinischer Reha-Leistungen weiter an zentraler Bedeutung (z. B. Haaf, 2005; Steiner et al., 2009). Die kontinuierliche und klinikvergleichende Überprüfung der Behandlungsergebnisse ist darüber hinaus ein wichtiger Baustein eines funktionierenden Qualitätsmanagements (Schmidt et al., in press). Sie ermöglicht ein "Lernen von den Besten" und führt zu organisatorischen Lernprozessen (Toepler et. al., 2010).
In der Ergebnisdarstellung der Reha-QM-Outcome Studie der DRV Baden-Württemberg und des Qualitätsverbunds Gesundheit konnte gezeigt werden, dass Kliniken eines Verbundes, die ein gemeinsames, auf aktivem Benchmarking und Von-Einander-Lernen gegründetes Qualitätsmanagement (Basis QMS Reha®) anwenden, ein Jahr nach der Reha etwas bessere Ergebnisse in relevanten Outcome-Parametern (u. a. subjektiver Reha-Nutzen, geleistete Rentenversicherungsbeiträge) erzielen als der Durchschnitt der Kliniken (Toepler et al., 2015). Der vorliegende Beitrag stellt die verbundinterne Analyse der Studienergebnisse dar und geht der Frage nach, welche QM-Elemente einen positiven Einfluss auf die Outcome-Parameter ausüben.
Die Rückkehr ins Erwerbsleben (Return to Work, RTW) wird für onkologische Rehabilitanden zunehmend zum zentralen Behandlungsziel, wodurch auch die Bereitstellung spezifischer berufsorientierter Maßnahmen an Bedeutung gewinnt (z. B. Mehnert, Koch, 2012). Die Überprüfung der Behandlungsergebnisse solcher Maßnahmen stellt einen wichtigen Baustein des Qualitätsmanagements der Rehabilitationseinrichtungen dar. Im Rahmen der „Reha-QM-Outcome-Studie“ des Qualitätsverbundes Gesundheit und der Deutschen Rentenversicherung Baden-Württemberg (Nübling et al., 2014) wurde daher ein besonderes Augenmerk auf das Outcome und die RTW-Quote der onkologischen Patienten, auch im Vergleich zu anderen Hauptindikationen, gelegt.
Return to Work (RTW) stellt ein wesentliches Outcomekriterium für die Abbildung der Effektivität medizinischer Rehabilitationsmaßnahmen dar. Dabei hängt die Höhe der RTW-Quote u. a. von Messmethode, Messzeitpunkt und Stichprobe ab (Streibelt, Egner, 2012). RTW wird häufig mit dem bloßen Status der Erwerbstätigkeit oder Arbeitsfähigkeit gleichgesetzt, wobei kritisiert werden kann, dass dabei der Aspekt einer dauerhaften beruflichen Wiedereingliederung zu wenig Berücksichtigung findet.
Neben der Verbesserung des Gesundheitszustandes sind der Erhalt der Beschäftigungsfähigkeit und die berufliche (Wieder-)Eingliederung zentrale Ziele der Rehabilitationsleistungen der Deutschen Rentenversicherung. In der „Reha-QM-Outcome-Studie“ wurden sowohl mittels Patientenfragebogen Angaben zum subjektiven Nutzen der Behandlung als auch mittels Routinedaten der Rentenversicherung Angaben zum Erwerbsstatus erhoben, so dass eine Gegenüberstellung beider Zieldimensionen erfolgen kann.
Die Ergebnisqualität medizinischer Rehabilitationsleistungen wird häufig über „Patient Reported Outcomes“ (PROs) gemessen. Die Bedeutung von PROs für die Nutzenbeurteilung von therapeutischen Interventionen wird häufig unterschätzt (Brettschneider et al., 2011; Calvert et al., 2013). Es wird untersucht, inwieweit sich PROs in „harten“ Endpunkten wie z. B. Beitragszahlungen der Versicherten in die Sozialversicherung widerspiegeln.
Eine wesentliche Zielgröße zur Erfassung der Ergebnisqualität medizinischer Rehabilitationsleistungen sind „Patient Reported Outcomes“ (PROs; Brettschneider et al, 2011; Calvert et al, 2013). Dabei besteht eine hohe Korrespondenz zwischen PROs und SV-Beitragszahlungen der Versicherten in die Sozialversicherung für den Zeitpunkt 1 Jahr nach der Reha (Nübling et al., 2017). Die Beitragszahlungen sind dabei ein zentraler Indikator für Return to Work (RTW). Im vorliegenden Beitrag wird untersucht, inwieweit sich auch SV-Beiträge 3 Jahre nach der Reha aufgrund der bei 1-Jahres-Katamnese erhobenen PROs vorhersagen lassen.
Neben der Verbesserung des Gesundheitszustandes sind der Erhalt der Beschäftigungsfähigkeit und die berufliche (Wieder-)Eingliederung zentrale Ziele der Rehabilitationsleistungen der Deutschen Rentenversicherung. In der „Reha-QM-Outcome-Studie“ konnten Rehabilitanden anhand von Routinedaten der Deutschen Rentenversicherung Baden-Württemberg über nunmehr vier Jahre nachbeobachtet werden. Dass eine erfolgreiche Rehabilitation die Beitragszahlung in die Sozialsysteme stabilisiert und das Risiko für eine Erwerbsminderung senkt, wurde für den Dreijahreszeitraum nach Rehabilitation bereits gezeigt (Kaluscha 2017). Hier wird nun der Frage nachgegangen, ob sich die Effekte im vierten Jahr weiterhin zeigen.
Durch die Nutzung von Qualitätsindikatoren für die Zuweisungssteuerung ge-winnt das interne QM eine zentrale Bedeutung für die Zukunftssicherung der Einrichtungen. Zusätzlich untermauert wird dies durch den strukturierten Qualitätsdialog (DRV Bund 2017), der durch eine stärkere Fokussierung auf diese Qualitätsindikatoren Revisionscharakter und zugleich Anreizfunktion für die Rehabilitationseinrichtungen hat. Vor diesem Hintergrund stellt sich für die Einrichtungen die Frage, wie geeignete interne Qualitätskennzahlen genutzt werden können, um Verbesserungsprozesse so frühzeitig zu initiieren, dass die externen Qualitätskennzahlen positiv ausfallen.
Internes Qualitätsmanagement (QM) wurde spätestens 2007 mit dem Gesetz zur Stärkung des Wettbewerbs in der gesetzlichen Krankenversicherung zu einem wesentlichen Bestandteil der stationären medizinischen Rehabilitation (Petri, Stähler, 2008). Seit dem Auslaufen der Übergangsfrist am 01.10.2012 verfügen alle durch einen gesetzlichen Rehabilitationsträger belegten stationären Einrichtungen über ein, den Anforderungen der Bundesarbeitsgemeinschaft für Rehabilitation entsprechendes, zertifiziertes QM-System.
Die psychische Komorbidität bei chronisch körperlichen Erkrankungen gilt als weitgehend belegt. Je nach Indikationsbereich variiert der Anteil zusätzlich psychisch erkrankter Patienten zwischen 16 und 24 % (4-Wochen-Prävalenz) bzw. zwischen 29 und 41 % (1-Jahres- Prävalenz; Härter et al., 2007). Aktuelle Konzepte legen eine stärkere Fokussierung auf psychosoziale, vor allem psychologische, psychotherapeutische und pädagogische Behandlungsbausteine innerhalb der stationären Rehabilitation nahe (Bengel et al., 2014; Seiter et al., 2012). Zusätzlich werden gezielte Nachsorgekonzepte entwickelt und erprobt (z. B. Deck, Hüppe, 2014). Der vorliegende Beitrag geht auf der Grundlage einer aktuellen Versichertenstichprobe der Frage nach, wie psychische Beeinträchtigung, Behandlungsempfehlung und nachfolgende Inanspruchnahme ambulanter psychotherapeutischer Leistungen zusammenhängen und mit welchen Behandlungsergebnissen sie assoziiert sind.
Neben der Verbesserung des Gesundheitszustandes sind der Erhalt der Beschäftigungsfähigkeit und die berufliche (Wieder-)Eingliederung zentrale Ziele der Rehabilitationsleistungen der Deutschen Rentenversicherung. In der „Reha-QM-Outcome-Studie“ wurden sowohl mittels Patientenfragebogen Angaben zum subjektiven Nutzen der Behandlung als auch mittels Routinedaten der Rentenversicherung Angaben zum Erwerbsstatus bzw. zur Berentung erhoben, so dass eine Gegenüberstellung beider Zieldimensionen erfolgen kann.
In this paper, we describe an approach that enables an autonomous system to infer the semantics of a command (i.e. a symbol sequence representing an action) in terms of the relations between changes in the observations and the action instances. We present a method of how to induce a theory (i.e. a semantic description) of the meaning of a command in terms of a minimal set of background knowledge. The only thing we have is a sequence of observations from which we extract what kinds of effects were caused by performing the command. This way, we yield a description of the semantics of the action and, hence, a definition.
The problem of filtering relevant information from the huge amount of available data is tackled by using models of the user's interest in order to discriminate interesting information from un-interesting data. As a consequence, Machine Learning for User Modeling (ML4UM) has become a key technique in recent adaptive systems. This article presents the novel approach of conceptual user models which are easy to understand and which allow for the system to explain its actions to the user. We show that ILP can be applied for the task of inducing user models from even sparse feedback by mutual sample enlargement. Results are evaluated independently of domain knowledge within a clear machine learning problem definition. The whole concept presented is realized in a meta web search engine, OySTER.
This work presents the preliminary research towards developing an adaptive tool for fault detection and diagnosis of distributed robotic systems, using explainable machine learning methods. Autonomous robots are complex systems that require high reliability in order to operate in different environments. Even more so, when considering distributed robotic systems, the task of fault detection and diagnosis becomes exponentially difficult.
To diagnose systems, models representing the behaviour under investigation need to be developed, and with distributed robotic systems generating large amount of data, machine learning becomes an attractive method of modelling especially because of its high performance. However, with current day methods such as artificial neural networks (ANNs), the issue of explainability arises where learnt models lack the ability to give explainable reasons behind their decisions.
This paper presents current trends in methods for data collection from distributed systems, inductive logic programming (ILP); an explainable machine learning method, and fault detection and diagnosis.
