Wissensmanagement mit Ontologien und Metadaten

HAUPTBEITRAG / WISSENSMANAGEMENT}

Informatik_Spektrum_20_Juni_2002194

1 EinleitungIn diesem Kontext wurde Wis-sen in den letzten Jahren als derzentrale Erfolgsfaktor identifi-ziert, der den Wert eines Unter-nehmens oft sehr viel stärkerbeeinflusst als das vorhandeneSacheigentum. Die konsequenteNutzung und Vermehrung vonWissen ist daher ein Ziel, daswesentlich zum Unternehmens-erfolg beiträgt – ein Ziel, dessenErreichung man durch organi-

sierte Maßnahmen, d. h. durch Wissensmanage-ment, fördern möchte.

Erfahrungen aus konkreten Wissensmanage-mentprojekten in Firmen haben gezeigt, dass er-folgreiches Wissensmanagement auf verschiedenenSäulen aufbauen muss. Insbesondere müssen dieBeschäftigten, die eigentlichen Wissensträger, in dieMaßnahmen integriert werden, und sie müssen vonden Maßnahmen profitieren. Ohne ihre Bereit-schaft, ihr Wissen weiterzugeben, ist Wissensmana-gement nicht möglich.

Die Informationstechnologie übernimmt beimWissensmanagement die Rolle einer Kommunikati-onsplattform im allerweitesten Sinne, die zum Einsatzkommt, wenn Wissen geographisch weitläufig verteiltoder asynchron bereitgestellt werden muss (z. B. überDokumentenmanagementsysteme). Um effektiv zuwirken, ist es nicht ausreichend, Wissen digital, aberunstrukturiert bereitzustellen. Vielmehr werden Methoden zur Strukturierung von Wissen benötigt.

Ontologien bieten sich als ein natürliches Mittelan, um Wissen strukturiert mittels Informations-technologie bereitzustellen, ohne dabei den Human

Factor zu vernachlässigen. In Anwendungen desWissensmanagements wird Wissen häufig durchDokumente transportiert. Die Verknüpfung vonOntologien und Faktenwissen ergibt sich durch dieBenutzung verschiedener Arten von Metadatenüber Dokumente sowie die Integration von sonsti-gen ontologiebasierten Daten.Überblick. Im Folgenden charakterisieren wir Zieleund Erfolgsfaktoren für das Wissensmanagement.Insbesondere betrachten wir zentrale „Säulen“, aufdenen Wissensmanagement aufbaut (Abschnitt 2)und von denen die Informationstechnologie nur eine darstellt. Auf der Suche nach einer Charakteri-sierung von Wissensmanagementanwendungen beschreiben wir zunächst die kognitiven Prozessebeim Wissensmanagement in Anlehnung an Takeuchi und Nonaka [61], deren Darstellung aufder Dichotomie zwischen implizitem und explizi-tem Wissen beruht (Abschnitt 3). Die kognitivenProzessschritte des Wissensmanagements lassensich als Konvertierungen zwischen diesen beidenWissensformen beschreiben, die durch IT-Werk-zeuge unterstützt werden können. Darauf aufbau-end können wir Ontologien als einen zentralen ge-meinsamen Nenner verschiedenster Werkzeuge fürdas Wissensmanagement identifizieren.

Die weitere Benutzung des Begriffs „Ontologie“erfordert aufgrund seiner zentralen Stellung eineausführlichere Definition (Abschnitt 4). Wir werdenBeispiele zeigen für (ontologiebasierte) Metadaten,

Wissensmanagement mitOntologien und Metadaten

Steffen Staab

Dr. Steffen Staab

Institut AIFB, Universität Karlsruhe, 76128 Karlsruhe,

http://www.aifb.uni-karlsruhe.de/WBS/sst

E-Mail: [email protected]

Auch: Ontoprise GmbH, Haid-und-Neu-Straße 7,

76131 Karlsruhe, http://www.ontoprise.com

Firmen müssen imglobalen Wettbe-

werb z. B. durchdie Qualität ihrer

Produkte, ihre Innovationskraft,

ihre kurzen Pro-duktentwicklungs-

zeiten oder durchihr erfolgreiches

Management vonkomplexen

Dienstleistungenbestehen können.

Informatik_Spektrum_20_Juni_2002 195

die die Menge und die Qualität des vom Rechnerverarbeitbaren Wissens erweitern (Abschnitt 5). Ausdieser Beschreibung lassen sich Möglichkeiten ge-winnen, die Wissensprozesse des Wissensmanage-ments zu unterstützen. An dieser Stelle wird es nötig,die von Takeuchi und Nonaka übernommene Be-schreibung der Wissensprozesse abzuwandeln, um zu einer neuen Prozessbeschreibung zu gelangen, diedem Blickwinkel „Wissens-managementanwendung“entspricht und vor allemauch den Besonderheitenvon Ontologien und Metada-ten besser gerecht wird (Ab-schnitt 6). Diese neue Be-schreibung der Wissensprozesse umfasst sowohl denAblauf für die Erstellung und Pflege von Ontologien(Abschnitt 7) als auch die darauf basierende Metada-tenkreierung (Abschnitt 8). Auf die Gesamtnutzungder vorgestellten Techniken wird beispielhaft in Abschnitt 9 – Wissensnutzung – eingegangen. Ver-gleichbare Ansätze werden in Abschnitt 10 kontra-stiert, bevor in Abschnitt 11 ein Abriss der Schwer-punkte dieser Arbeit erfolgt.

2 Faktoren des WissensmanagementsLernende Organisationen. Organisationen verfolgenZiele gegenüber ihren Kunden, gegenüber ihrenMitarbeitern und gegenüber ihren Anteilseignern.Um diese Ziele zu erreichen, bedarf es Produkti-onsmittel wie Maschinen. Vor allem aber bedarf esMenschen, die die Fähigkeit besitzen, die vorhande-nen Mittel zum Erreichen der Ziele einzusetzen.

Um im globalen Wettbewerbum Kunden, Mitarbeiterund Investoren bestehen zukönnen, müssen Organisa-tionen darüber hinaus inder Lage sein zu lernen. Dasheißt, die Organisation als

Ganzes muss ihre Fähigkeiten zum Erreichen ihrerZiele verbessern können.

Folgt man Peter Senges Definition [40] „know-ledge is the capacity for effective action“, so ist dieNutzung und Vermehrung von Wissen in der Orga-nisation der Faktor, der am besten dazu dienlichist, den Wert einer Organisation zu erhöhen. Ande-re plausible Definitionen, wie z. B. von Takeuchiund Nonaka [61], basieren ebenfalls auf der Zielge-

Zusammenfassung

Der Erfolg von Organisationen hängt unmittel-bar von dem zur Verfügung stehenden Wissenab. Wissensmanagement dient dazu, die Kreie-rung und Nutzung des Wissens nicht nur demZufall zu überlassen, sondern auch gezielt Ver-besserungen vorzunehmen. Dabei müssenWissensmanagementmaßnahmen primär dienichttechnologischen Aspekte berücksichtigen.Sekundär, aber eminent wichtig für effizientesArbeiten sind Wissensmanagementsysteme,die nicht nur eine IT-Infrastruktur bieten, son-dern Wissen inhaltsbasiert zur Verfügung stel-len. Hierfür eignen sich Ontologien und Meta-daten. In diesem Artikel wird ein Rahmen vor-gestellt, der dazu dient, Wissensmanagement-systeme, die auf Ontologien und Metadatenaufbauen, zu konstruieren und zu nutzen. Fürdie entsprechenden Prozesse werden Metho-den und Werkzeuge vorgestellt, die die Kon-struktion und die Nutzung von Ontologien fürZwecke des Wissensmanagements erleichternbzw. erlauben, selbst aber wiederum in ande-ren Anwendungsgebieten, wie z. B. SemanticWeb und e-Learning, relevant sind.

Summary

The success of organizations depends cruciallyon the available knowledge. Knowledge man-agement serves the purpose of improving andextending the knowledge sharing that alreadyoccurs in organizations by principled means.Knowledge management efforts should pri-marily tackle the non-technological issues. Forefficient work, however, knowledge manage-ment systems play a preeminent role for bring-ing knowledge management into everydaypractice. Thereby, they require methods andtools that do not only provide physical accessto knowledge repositories, but also content-based access to knowledge. For this purpose,we propose to use ontologies and metadata. Inthis paper, we present a framework of how toconstruct and use ontology-based knowledgemanagement systems. We present two process-es corresponding to construction and use andelaborate methods and techniques for ontolo-gy-based knowledge management. The use ofthese methods is not restricted to knowledgemanagement, but their prospects also reachtopics like the Semantic Web and eLearning.

Wissensmanagement ·

Wissensprozesse · Ontologien ·

Metadaten

WISSENSMANAGEMENT}


richtetheit und Kontextabhängigkeit von Wissenim Gegensatz zur Information und führen damitzur selben Konklusion. Die häufig benutzte Meta-pher einer Organisation als einer informationsver-arbeitenden Einheit erklärt zwar Standardabläufe,aber nicht die Innovationsfähigkeit von Organisa-tionen – dazu bedarf es Wissens.Wissensmanagement. Wissensmanagement verfolgtdas Ziel, die Voraussetzungen zu schaffen bzw. zuverbessern, so dass die Mitarbeiter ihre Leistungs-fähigkeit, Ziele der Organisation zu erreichen, stei-gern können. Erfolgreiches Wissensmanagementmuss dabei als ein ganzheitliches Ziel verstandenwerden. Die Einführung einer bestimmten Softwareoder einer bestimmten IT-Infrastruktur genügtnicht, um eine Wissensmanagementmaßnahme er-folgreich zu machen. Vielmehr müssen diverse Fak-toren1 dazu beitragen [41]:

· Menschen und Unternehmenskultur,

· Organisation für das Wissensmanagement,

· Wissensmanagement und Kernprozesse der Organisation,

· Wissensmanagementfokus,

· Technologien für das Wissensmanagement.

Menschen und Unternehmenskultur. Wissensmanage-ment zielt auf das Wissen von Menschen, auf dasTeilen, das Vermitteln und das Weitergeben vonWissen. Damit WissensmanagementmaßnahmenErfolg haben können, muss die Kultur im Unter-nehmen geeignet sein zur Weitergabe von Wissen.Erfolgreiche Patentrezepte sind rar, allerdings sindKaffeeküchen als informeller Treffpunkt, Vorgesetz-te, die das Mitteilen von Wissen vorleben, oder diegezielte Förderung von sozialer Kompetenz im All-gemeinen eher geeignet als eine unternehmerischeAusrichtung, die jeden Mitarbeiter zu seinem eige-nen Profitcenter macht.Organisation für das Wissensmanagement. Der Aus-tausch, die Vermehrung und die Weitergabe vonWissen in einer Organisation geschieht teilweisedurch erprobte Mechanismen, wie Aus- und Weiter-bildung oder Traineeprogramme. Partiell erfolgt sieohne jegliches Eingreifen durch die Organisation,nämlich dadurch, dass Menschen miteinander re-den oder sich gegenseitig helfen und dabei Wissenaustauschen.

Einbettung derWissensbereit-stellung in denArbeitskontext

Ulrich Reimer

Dr. Ulrich Reimer

Rentenanstalt, Informatik Forschung und

Entwicklung, Postfach, CH-8022 Zürich

Die Erfassung und Sicherstellung vonWissen in einem Unternehmensge-dächtnis (UG) löst nur die eine Hälftedes Wissensversorgungsproblems.Hochrelevantes Wissen in einem UGwird nicht genutzt, wenn ein Mitarbei-ter es nicht abruft. Mehrere Gründekönnen für eine Nichtverwendung ver-antwortlich sein:

· Der Mitarbeiter sucht nach dem Wissen, findet

es aber nicht.

· Der Mitarbeiter ist sich nicht bewusst, dass das

benötigte Wissen im UG vorhanden ist.

· Der Mitarbeiter befindet sich in einem zu gro-

ßen Zeitdruck, als dass er die aktuelle Arbeit

niederlegt und das UG befragt.

Alle diese Gründe werden ausgeschaltet,wenn es gelingt, die Versorgung mit re-levantem Wissen in die eigentlichen Ar-beitsprozesse zu integrieren. Dabei die-nen die Systeme, die zur Arbeitserledi-gung verwendet werden, gleichzeitig da-zu, in dem jeweiligen Arbeitskontext re-levantes Wissen aus dem UG entweder

· aktiv bereitzustellen oder

· Hinweise auf möglicherweise relevantes

Wissen im UG zu liefern.

Systeme dieser Art nennt man „electro-nic performance support systems“ undihre oben beschriebene Funktionalität„just-in-time knowle0dge delivery“ [4].Ein Beispiel für ein solches System istdas in der Rentenanstalt Swiss Life ent-wickelte System EULE [5]. Andere Syste-

1 Die genaue Anzahl und Benennung der Faktoren lässt sich diskutieren – ohne

allerdings einschneidende Unterschiede in den Schlussfolgerungen für das Wis-

sensmanagement zu zeitigen.


Weitere Maßnahmen, um Wissen zu verbreitenund zu vermehren, benötigen aber in der Regelwohldefinierte organisatorische Grundlagen. Bei-spiele hierfür sind der Wissensbroker, ein Expertefür bestimmte Themen, der organisationsintern Be-ratung leistet oder entsprechende Beratung vermit-teln kann, oder Communities of Practice, das sindNetzwerke von Mitarbeitern zu bestimmten The-men. Auch wenn es sehr verschiedene Modelle derAusgestaltung gibt (z. B. Finanzierung als Stabsab-teilung bzw. als interner Dienstleister mit entspre-chender Verrechnung), beruht der Erfolg solcherWissensmanagementmaßnahmen in der Regel aufeiner Verknüpfung von Aufgaben und Personen so-wie der Unterstützung und Verantwortung durchdas Top-Management – z. B. indem ein CKO, einChief Knowledge Officer, an die Geschäftsführungberichtet und seine Ziele vom Top-Managementunterstützt werden.Wissensmanagement und Kernprozesse der Organisation.Eines der Haupthemmnisse für erfolgreiches Wis-sensmanagement ist die Arbeitsbelastung der Wis-sensträger. Zusätzliche Wissensmanagementaufga-ben lassen sich nur begründen, wenn der Nutzenunmittelbar sichtbar ist; außerdem werden diesenur dann wirklich umgesetzt und nicht beliebiglange Zeit verschoben, wenn sie an die Kernprozes-se der Organisation (z. B. die Kundenprojekte in ei-nem Beratungsunternehmen) gekoppelt sind. Dasbedeutet, es sollte definierte Prozessschritte in denKernprozessen der Organisation geben, an denenWissen eingebracht, abgefragt oder bewertet wird.Zum Beispiel können Projektmeilensteine gut mitder Aufgabe verknüpft werden, Erfahrungen ausdem bisherigen Projektverlauf festzuhalten.Wissensmanagementfokus. Eine Grundlage für erfolg-reiche Wissensmanagementmaßnahmen ist dieIdentifikation eines oder einiger weniger Wissens-managementfokusse. Insbesondere aufwändigeMaßnahmen sollten eng an Kerngeschäft und Stra-tegie der Organisation gekoppelt sein und sich da-mit an den Wissenszielen der Organisation orien-tieren. Hilfreich für die Fokusbestimmung ist dieIdentifikation von Wissen [37] und seine Bewer-tung [23] sowie die Analyse von Kernprozessen undWissensdefiziten [44].Technologien für das Wissensmanagement. Aus der Fülle der bisher angesprochenen Themen herauslässt sich bereits abschätzen, dass das eine Soft-warewerkzeug oder die eine IT-Infrastruktur, die

me sind von Abecker et al. [1], Staabund Schnurr [6], Wargitsch et al. [8] be-schrieben.

EULE ist ein wissensbasiertes Sy-stem, das Wissen über Geschäftsprozes-se besitzt sowie über die Gesetze undWeisungen, die einen Einfluss auf diekorrekte Abwicklung der Geschäftspro-zesse haben. Ferner verfügt EULE na-türlich über eine Terminologie des An-wendungsbereichs. Die Modellierungdieses Wissens erfolgt in einer speziellfür EULE entwickelten, anwendungsspe-zifischen Hochsprache, die aus Effizi-enzgründen auf verschiedene interneRepräsentationsformalismen herunter-kompiliert wird.

So sind die Geschäftsprozessabläufeintern in Form von azyklischen, ge-schachtelten Graphen repäsentiert. EineTraversierung des Graphen vom Wur-zelknoten zu einem seiner Blattknotenentspricht einer möglichen Abarbeitungdes Geschäftsprozesses. Übergangsbe-dingungen an den Graphkanten legenfest, unter welchen Bedingungen derGraph wie traversiert werden kann. DieÜbergangsbedingungen sind als Data-log-Klauseln [3] repräsentiert. Sie neh-men Bezug auf Pflichten und Rechte, diein Gesetzen und firmeninternen Wei-sungen festgelegt sind und werdenebenfalls als Datalog-Klauseln darge-stellt – entweder als Integritätsbedin-gungen oder als Inferenzregeln zur Her-leitung von Attributwerten oder ganzerBegriffsinstanzen. Die Terminologie istin einer Beschreibungslogik repräsen-tiert (eine Subsprache von Classic [2]).Da die Instanzen der repräsentiertenBegriffe zum großen Teil in den Daten-banken der Produktivsysteme gespei-cherte Objekte sind, ist die Beschrei-bungslogik um Konstrukte angerei-chert, die eine solche Datenbankanbin-dung ermöglichen [7].

Die Benutzeroberfläche von EULEvisualisiert den Graphen, der dem aus-zuführenden Geschäftsprozessablaufentspricht. Ein Knoten des Graphen gibtentweder eine Reihe von auszuführen-den Einzelaktivitäten an, wie Datenein-gaben oder außerhalb von EULE durch-zuführende Tätigkeiten (z. B. Abklärun-gen, Anfordern von Unterlagen), oder erbesteht wiederum aus einem Graphen,der abzuarbeiten ist. Je nach Situation,

WISSENSMANAGEMENT}


gleichermaßen alle IT-Anforderungen für das Wis-sensmanagement erfüllen, nicht existieren können.Allerdings sollte man die Frage stellen, welche prin-zipiellen Vorgänge ablaufen, wenn Informations-technologie benutzt wird, um Wissensmanagementzu unterstützen. Hierfür ist es nahe liegend, zu-nächst einmal die prinzipiell im Wissensmanage-ment ablaufenden Vorgänge zu beleuchten, um ba-sierend auf deren Beschreibung weitere Schlussfol-gerungen zu ziehen.

3 Kognitive Grundlagen für Wissensmanagementanwendungen

Der Ansatz von Takeuchi und Nonaka [61] scheintuns hier am ehesten geeignet, um die verschiede-nen Möglichkeiten für die IT-Unterstützung in einem ersten Schritt aufzuzeigen, auch wenn manfast nie eine eindeutige Abbildung von Kategorie(wie z. B. Sozialisierung in Abb. 1) nach Systemtyp(wie z. B. Expertenverzeichnis in Abb. 1) oder um-gekehrt finden wird (vgl. z. B. auch Jarke [21], dortAbb. 5).

Zentral ist bei Takeuchi und Nonaka der kogni-tive, auf den Menschen fokussierte Ansatz, der zwischen implizitem Wissen (genauer: „tacit knowledge“) und explizitem Wissen („explicit knowledge“) unterscheidet. Implizites Wissen istindividuell, kontextspezifisch und daher schwer zuformalisieren und zu kommunizieren. ExplizitesWissen dagegen ist kodifiziert, z. B. als Schriftstück.Die „Konvertierung“ zwischen implizitem und ex-plizitem Wissen ist kein einfacher Vorgang, sondernein kreativer Prozess der beteiligten Personen.

Abbildung 1 zeigt die Konvertierungsmöglich-keiten nach Takeuchi und Nonaka [61], nämlich Ex-ternalisierung, Kombination, Internalisierung undSozialisierung. Der Lernprozess von Individuen inder Organisation erfolgt in einem Wechselspiel zwi-schen den verschiedenen Konvertierungen. IT-Sy-steme, die den Lernprozess in der Organisation un-terstützen sollen, müssen daher an einem oder anmehreren dieser Konvertierungsschritte direkt odermittelbar ansetzen. Beispielhaft sind einige Mög-lichkeiten für IT-Systeme in das Schaubild inte-griert. Zu den einzelnen Konvertierungsschritten:Sozialisierung. Sie betrifft die Vermittlung implizitenWissens von Person zu Person. IT-Systeme könnenhierbei naturgemäß nur sehr eingeschränkt helfen.Wichtigster Nutzen einer IT-Lösung besteht in derRegel in der Identifikation und Lokalisierung von

also abhängig von den erfolgten Daten-eingaben und den in den Datenbankenabgefragten Daten, entscheidet EULEaufgrund seines Geschäftsprozesswis-sens, mit welchem Folgeknoten die Be-arbeitung fortgesetzt wird. Der Benut-zer beginnt am Wurzelknoten des Gra-phen und beendet den Geschäftspro-zess mit dem Erreichen eines Blattkno-tens.

In jeder Situation kann der Benut-zer Erklärungen von EULE verlangen,warum bestimmte Tätigkeiten notwen-dig sind, warum eine Dateneingabe not-wendig ist oder wieso die Bearbeitungan einem bestimmten Knoten fortge-setzt wird und nicht an einem anderen.Dies ermöglicht, dass die Benutzer ver-stehen (lernen), wie die verschiedenenGeschäftsprozesse zu bearbeiten sindund warum. EULE kann deshalb fürNeulinge auch als Schulungssystem ver-wendet werden.

Da die oben beschriebene Formder Interaktion mit EULE für Expertenzu mühsam zu benutzen ist, gibt esauch eine Oberfläche, die statt derGraphdarstellung eine dynamisch er-zeugte Liste der durchzuführenden Tä-tigkeiten präsentiert. Um Experten fer-ner nicht mit Fragen zu belästigen, diefür sie zu detailliert sind, einem Neu-ling aber ermöglichen, korrekte Ent-scheidungen zu treffen, erlaubt dieModellierungssprache von EULE,Fragen mit den drei Antworten „ja“,„nein“ und „ich weiß nicht“ vorzuse-hen. Ein Experte sieht in der Regel un-mittelbar, ob als Antwort „ja“ oder„nein“ zutrifft (z. B., ob ein Antragrechtsgültig ist), während ein Neulingdie Frage mit „ich weiß nicht“ beant-worten kann, um anschließend detail-liertere Fragen zu erhalten, aus derenAntworten EULE ableiten kann, wel-cher Fall vorliegt (z. B., ob der Antragtatsächlich rechtsgültig ist oder nicht).EULE ermöglicht Neulingen somit,sofort produktiv zu arbeiten und dabei fortlaufend zu lernen, währendExperten nur einige wenige Fragen auf hohem Niveau zu beantwortenbrauchen.

Da EULE nach Beendigung einesGeschäftsprozesses benötigte Doku-mente, wie Briefe oder Verträge, auto-matisch generiert, bewirkt dies selbst


Wissensträgern, z. B. mittels Expertenverzeichnis-sen im Intranet, sowie in der Errichtung einer syn-chronen Kommunikation, z. B. mittels Telekonfe-renz. Recommender-Systeme können genutzt wer-den, um die Bewertung von Information durch In-dividuen oder Gruppen zu transportieren und da-mit die spätere Auswahl von explizitem Wissen fürdas Lösen einer Aufgabe zu beeinflussen.Externalisierung. Die Kodifizierung impliziten Wis-sens wird als Externalisierung bezeichnet. TypischeIT-Systeme für das Wissensmanagement unterstüt-zen die Verwaltung z. B. von externalisiertem Erfah-rungswissen in Datenbanken, Dokumentenmanage-mentsystemen oder Experience Factories [62, 5].Flexible Werkzeuge, die diesen Prozess der Wis-sensakquisition basierend auf Metamodellen unter-stützen, wie z. B. Protégé [35], tauchen in der Wis-sensmanagementpraxis bisher selten auf.Kombination. Dieser Konvertierungsschritt erfordertdie Rekombination von verschiedenen Wissensbe-ständen (z. B. Fakten oder Kategorisierungen). Andieser Stelle können Techniken wie intelligentesSchlussfolgern [10, 24], Workflow [39], OLAP oderData Mining [26] zum Einsatz kommen. Der Ein-satz dieser Techniken widerspricht nicht dem Gedanken eines kreativen Vorgangs. So sind z. B.Techniken wie Data Mining als Hilfsmittel zu ver-stehen, die nicht per se, sondern erst im Kontext ei-nes konkreten Data-Mining-Prozesses [8] mit krea-tiver Fragestellung und Abarbeitung Einsichten ge-nerieren können.Internalisierung. Die Lektüre von Dokumenten, dasNachvollziehen visueller Metaphern und Analogienund – vor allem anderen – „learning by doing“ bil-den die Grundlage für die Internalisierung von ex-plizitem Wissen. IT-Systeme unterstützen hierhauptsächlich die Vorbedingungen für die Interna-lisierung, z. B. indem sie mittels Browsing oder In-formation Retrieval das Finden von explizitem Wis-sen ermöglichen. Darüber hinaus können aber ge-eignete Werkzeuge die Lektüre unterstützen oderVisualisierungen anbieten, die das Verständnis, denInternalisierungsschritt, erleichtern [21].Gemeinsame Grundlage für Wissensmanagementanwen-dungen. Bei dieser Vielfalt von Möglichkeiten, die jaauch durch die verschiedenen in Abb. 1 eingetrage-nen Werkzeuge und Systeme illustriert werden,stellt sich zwangsläufig die Frage: Gibt es ein Prin-zip, das allen IT-Systemen für das Wissensmanage-ment zugrunde liegt?

für Expertenbenutzer eine Beschleuni-gung der Sachbearbeitung.

Das EULE-System wurde voll-ständig implementiert und in einereinmonatigen Feldstudie mit siebenBenutzern, die mit EULE über 300 Ge-schäftsprozesse bearbeitet haben, vali-diert. Nachdem EULE anschließend fürkurze Zeit produktiv gesetzt war, wirdes momentan als Folge interner Reor-ganisationsmaßnahmen nicht einge-setzt.

Literatur

1. Abecker, A., Bernardi, A., Maus, H., Sintek, M., Wenzel, C.:

Information Supply for Business Processes: Coupling Workflow

with Document Analysis and Information Retrieval. Knowledge-

Based Systems 13, 271–284 (2000)

2. Borgida, A., Patel-Schneider, P.: A Semantics and Complete

Algorithm for Subsumption in the CLASSIC Description Logic. J.

Artificial Intelligence Research 1, 277–308 (1994)

3. Ceri, S., Gottlob, G., Tanca, L.: Logic Programming and Databases.

Berlin Heidelberg New York: Springer 1990

4. Cole, K., Fischer, O., Saltzman, P.: Just-in-Time Knowledge Delivery.

Comm. ACM 40(4), 49–53 (1997)

5. Reimer, U., Margelisch, A., Staudt, M.: EULE: A Knowledge-Based

System to Support Business Processes. Knowledge-Based Sy-

stems 13, 261–269 (2000)

6. Staab, S., Schnurr, H.-P.: Smart Task Support through Proactive

Access to Organizational Memory. Knowledge-Based Systems 13,

251–260 (2000)

7. Staudt, M., Kietz, J.-U., Reimer, U.: Access to Heterogeneous

Data Sources for Supporting Business Process Execution. Proc.

ACM Symposium on Applied Computing (SAC'01), ACM Press

2001

8. Wargitsch, C., Wewers, T., Theisinger, F.: Organizational-Memory-

Based Approach for an Evolutionary Workflow Management

System – Concepts and Implementation. In: Nunamaker, J.R.

(ed.): Proc. of the 31st Hawaii Int. Conf. on System Sciences, vol. 1,

1998, pp. 174–183

WISSENSMANAGEMENT}


Man kann das bisher Gesagte so zusammenfas-sen, dass IT-Systeme für das WissensmanagementKommunikation von Wissen erlauben oder erleich-tern. Dabei benutzen wir den Begriff „Kommunika-tion“ in einem sehr weit gefassten Sinn, der z. B.auch die asynchrone Weitergabe von Wissen durchdas Einpflegen von Wissensbestandteilen in eineDatenbank durch eine Person und die Rezeptiondurch eine zweite Person beinhaltet. Deswegen um-fasst Kommunikation in dieser Deutung insbeson-dere die Konvertierungen zwischen implizitem undexplizitem Wissen, wie sie in Abb. 1 unterschiedenwerden. Dementsprechend stellt Kommunikationdas Bindeglied dar zwischen Expertenverzeichnis-sen, die dazu dienen, Kommunikation zu etablie-ren, Dokumentenmanagementsystemen, die die Ab-lage von expliziertem Wissen erlauben, Data Mi-ning, welches Information verdichtet, und Visuali-sierung als einer Modalität für die Kommunikationvon Wissen. Per Definition ist dabei jegliches vomRechner verarbeitbare Wissen explizit.

Der gemeinsame Nenner, der sich dabei – meiststillschweigend, aber dennoch präsent – durch alleIT-unterstützten Kommunikationsformen hin-durchzieht, sind explizit gefasste, maschinell abar-beitbare Modelle von Individuen, von Organisatio-nen, von Prozessen und von Themen, auf die sichdie Beteiligten geeinigt haben. Das sind Onto-logien.

4 OntologienOntologien2 sind formale Modelle einer Anwen-dungsdomäne, die dazu dienen, den Austausch unddas Teilen von Wissen zu erleichtern [17]. Auf dermethodischen Seite werden Techniken der objekt-orientierten Modellierung konsequent so weiterent-

wickelt, dass die Modelle nicht bloß zur Strukturie-rung von Software dienen, sondern auch ein expli-zites Element der Benutzungsschnittstelle darstel-len und zur Laufzeit verwendet werden. Auf der so-ziokulturellen Seite erfordern Ontologien daher dieEinigung einer Gruppe von Anwendern auf die je-weiligen Begriffe und deren Zusammenhänge.Referenz und Bedeutung. Ontologien dienen der Ver-besserung der Kommunikation zwischen menschli-chen und maschinellen Akteuren. Hierbei befindensich die Akteure (ob mit oder ohne Ontologie) ineiner Kommunikationssituation, deren herausra-gende Eigenschaften durch das semiotische Dreieck[36] aufgezeigt werden.

Das semiotische Dreieck illustriert die Interak-tion zwischen Worten (oder allgemeiner: Symbolen),Begriffen und realen Dingen in der Welt (Abb. 2).Worte, die benutzt werden, um Informationen zuübertragen, können die Essenz einer Referenz, dasist der Begriff oder das referenzierte Ding in derWelt, nicht vollständig erfassen. Dennoch gibt es eine Korrespondenz zwischen Wort, Begriff undDing.

Die Auswahl einer bestimmten Korrespondenzaus der Vielzahl a priori möglicher Korresponden-zen geschieht durch den Empfänger einer Nach-richt. Hierbei benutzen verschiedene Empfängerunter Umständen verschiedene Begriffsbildungenund haben einen variierenden Erfahrungshinter-grund, was wiederum zu verschiedenen Resultaten

Abb. 1 IT-Unterstützungs-möglichkeiten für die Wissenstransformierung(Erweiterung von [61],Abb. 3, um IT-Aspekte)

2 Das Wort „Ontologie“ ist zusammengesetzt aus dem Griechischen „ontos“ für Sein

und „logos“ für Wort [47]. Es ist eine vergleichsweise neue Bezeichnung aus dem 19.

Jahrhundert, die benutzt wird, um die Lehre vom Sein zu unterscheiden von der

Lehre des Seienden in den Naturwissenschaften. Die ursprünglich von Aristoteles

benutzte Bezeichnung war „Kategorie“ (κατηγορια ). Aristoteles verwendete

Kategorien, um alles, worüber gesprochen werden kann, zu klassifizieren.


Maschine zu Maschine – präziser zu fassen. Voraus-setzung für die Kommunikation (im weitesten Sin-ne) mit der Maschine ist allerdings, dass das expli-zite Wissen nicht nur für den menschlichen Leserverstehbar ist, sondern dass auch der Rechner denBezug zwischen Ontologie und Wissensbestandtei-len herstellen kann.Formalisierung. Hier gibt es zwei extreme Möglich-keiten, nämlich die vollständige Formalisierungvon explizitem Wissen oder überhaupt keine For-malisierung von explizitem Wissen. Das erste Ex-trem leidet darunter, dass in der nahen Zukunftkeine Systeme absehbar sind, die die automatischeTranskription von unformalem Wissen (z. B. ausTextdokumenten) in formales Wissen mit ausrei-chender Qualität erlauben. Aufgrund des mit dermanuellen Formalisierung verbundenen Aufwan-des ist dieser Weg derzeit nicht praktikabel. Sehrselten wird auch das zweite Extrem verfolgt, näm-lich überhaupt keine Formalisierung, nicht einmaleine sehr simple Verzeichnisstruktur, zu benutzen,weil diese Herangehensweise relevantes Wissen na-hezu unauffindbar werden lässt.

In Praxis und Forschung findet man also Mit-telwege zwischen beiden Extremen, die sich gut mitdem Stichwort Metadaten beschreiben lassen. Me-tadaten sind Daten, die ausgewählte Aspekte ande-rer Daten beschreiben. Im allgemeinsten Fall kön-nen die Daten und/oder die Metadaten formal, se-miformal oder unformal sein. Im typischen Fall ei-ner Wissensmanagementanwendung sind die Datenunformal, z. B. Freitext, und die Metadaten semifor-mal, z. B. ein Dublin-Core-Feld für Autorenname(http://www.dublincore.org), oder formal, z. B. einDublin-Core-Feld für die verwendete Sprache imDokument, welches dann gemäß der Konventionfür Sprachbezeichner [2] interpretiert werdenkann.

Das konkrete Format, in dem die Metadatenabgelegt sind, spielt hierbei für die Ziele des Wis-sensmanagements eine untergeordnete Rolle.Ohnehin existieren für Metadatenstandards wieDublin-Core Realisierungen in unterschiedlichenFormaten, z. B. in XML mit DTD (http://dublin-core.org/documents/dcmes-xml/) oder in RDF undRDF-Schema (http://www.ukoln.ac.uk/metadata/resources/dc/datamodel/WD-dc-rdf/). Es ist aller-dings wichtig, eine möglichst große Übereinstim-mung mit existierenden Metadatenstandards anzu-streben, um eine nachhaltige Benutzung von orga-

bezüglich der Korrespondenz zwischen einem Wortund den möglichen Begriffen und Dingen in derWelt führen kann.Logik. Eine Ontologie wird ausgedrückt durch einelogische Theorie, die sich zusammensetzt aus ei-nem Vokabular und einer Menge von logischenAussagen zu der jeweils interessierenden Anwen-dungsdomäne. Die logische Theorie spezifiziert Be-ziehungen zwischen Worten und schränkt dabei dieMenge der möglichen Interpretationen für Worteund ihre zugehörigen Beziehungen ein.

Auf diese Weise reduziert eine Ontologie dieAnzahl möglicher Korrespondenzen zwischen Wor-ten und Dingen, die der Empfänger einer Nach-richt, der sich auf eine Ontologie festgelegt hat, alsgültig interpretieren kann. Idealerweise bleibt imKontext von Kommunikationssituation und Onto-logie für jedes Wort aus dem Vokabular genau eineKorrespondenz mit Begriffen und Dingen in derWelt übrig.Wissensmanagementanwendungen. Sie benutzen Ver-zeichnisstrukturen, Thesauri [16], Taxonomien, se-mantische Netze [46] oder Topic Maps [63], umWissen abzulegen, Wissensstrukturen zu navigierenund Wissen wieder auffindbar zu machen. Ontolo-gien fassen die verschiedenen Aspekte dieser Me-chanismen zusammen. Ontologien erlauben Ablei-tungen (wie semantische Netze), benutzen Klassifi-zierungen (wie Taxonomien), beschreiben Begriffe,auf die sich eine Gruppe von Benutzern geeinigthat (wie Thesauri), und sie dienen der Navigationin Wissensbeständen (wie Verzeichnisstrukturenund Topic Maps) [49].

5 Metadaten, Metainformation,Metawissen

Vom Rechner verarbeitbares Wissen ist also explizi-tes Wissen, wobei Ontologien Modelle darstellen,die es einem erlauben, die Kommunikation vonWissen – z. B. von Mensch zu Maschine oder von

Abb. 2 Semiotisches Dreieck (in der Tradition von Peirce,Saussure und Frege)

WISSENSMANAGEMENT}


nisationsinternen Metadaten und eine möglichsteinfache Integration von organisationsexternen,„fremden“ Metadaten zu erreichen.Ontologiebasierte Metadaten. Eine Möglichkeit, umformale Metadaten zu erhalten, ergibt sich aus derVerwendung von Ontologien bzw. ontologiebasier-ten Metadaten. Das Ziel sollte hierbei sein, ver-schiedene existierende standardisierte (ontologie-basierte) Metadatenschemata zu integrieren undum eigene Ontologien zu erweitern. Vorschläge, wievon Schreiber et al. [43], zeigen, wie eine modulareVerwendung mehrerer ontologiebasierter Metada-tenfestlegungen bewerkstelligt werden kann. Sokreieren Schreiber et al. Metadaten für Fotos, dieauf zwei verschiedenen Ontologien beruhen. EineOntologie beschreibt strukturelle Daten (photo an-notation ontology), z. B. wie, wo und wann das Fotogemacht wurde. Die zweite Ontologie beschreibtdas Vokabular der Anwendungsdomäne (subjectmatter ontology), z. B. welche Gegenstände sich aufeinem Foto befinden. Aufgrund der festgehaltenenontologiebasierten Metadaten lassen sich späterpräzise Suchanfragen stellen und beantworten.Metainformation und Metawissen. Der Vollständigkeithalber möchten wir an dieser Stelle darauf verwei-sen, dass Metadaten je nach ihrem EinsatzkontextRollen als Informationen bzw. Metainformationensowie als Wissen bzw. Metawissen annehmen. Meta-daten, z. B. über Dokumente, die kontextabhängigund zielgerichtet Aktionen beeinflussen, müssten ei-gentlich mit „Metawissen“ bezeichnet werden. Wirschließen uns allerdings dem allgemeinen Sprachge-brauch an und reden weiterhin nur von Metadaten.

6 WissensprozesseDie Schleife über Sozialisierung, Externalisierung,Kombination und Internalisierung beschreibt denkognitiven Prozess, durch den Wissen generiertund geteilt wird. Schwerpunkte für Wissensmana-gementmaßnahmen können im Prinzip aus derAnalyse dieser Schritte abgeleitet werden. Zum Bei-spiel kann die Notwendigkeit eines Expertenver-zeichnisses abgeleitet werden, wenn das relevanteWissen kaum explizit vorliegt oder explizite Anga-ben zu schnell veralten.

Allerdings, so gut sich diese Prozessbeschrei-bung von Takeuchi und Nonaka [61] für die Be-schreibung der kognitiven Abläufe im Wissensma-nagement eignet – z. B. um die Wichtigkeit vonKommunikation in ihren verschiedensten Formen

abzuleiten oder um die Nutzung von Wissen zu be-schreiben (vgl. auch Abschnitt 9) –, so schlecht las-sen sich aus dieser Beschreibung Handlungsanwei-sungen ablesen, die den Aufbau und den Betrieb ei-nes Wissensmanagementsystems ermöglichen.

Deswegen ist die Frage zu stellen, wie sich Wis-sensprozesse im Detail verhalten, die von einerWissensmanagementanwendung unterstützt wer-den (sollen). Basierend auf der Zweiteilung Ontolo-gie versus Metadaten lassen sich leicht zwei zentra-le Prozesse unterscheiden, die wir hier im Folgen-den anstelle der von Takeuchi und Nonaka [61] ein-geführten, kognitiv ausgerichteten Prozesssicht ver-wenden werden. Die Kernidee unseres Vorschlagsbesteht darin, zwei aus Systemsicht zueinander or-thogonale Dimensionen zu unterscheiden (Abb. 3).

Der Wissensmetaprozess umfasst alle Aspekte, diedie erstmalige Erstellung der Ontologie, wie sie zurEinführung eines Wissensmanagementsystems not-wendig ist, sowie ihre kontinuierliche Erweiterungund/oder Anpassung betreffen (vgl. Abschnitt 7).

Der Wissensprozess selbst hingegen beschreibtden Betrieb des ontologiebasierten Wissensmana-gementsystems, d. h. insbesondere die Schritte zurErzeugung und Bearbeitung von ontologiebasiertenMetadaten. Aus dem Fokus „Wissensmanagement-anwendung“ heraus betrachtet, umfasst dieser Wis-sensprozess im Einzelnen:

1. die Erzeugung von Wissensträgern (Dokumenten, Fakten-

einträge in einer Datenbank) bzw.

2. ihrer Metadaten oder Metawissen (vgl. Abschnitt 8),

3. die Importierung externer Daten,

4. das Wiederfinden von Wissen und

5. seine anschließende Nutzung (vgl. Abschnitt 9).

Die Punkte 1 und 2 werden in Abschnitt 8 ange-sprochen, für den primär technischen Punkt 3 wirdlediglich auf weiterführende Arbeiten verwiesen

Abb. 3 Wissensprozess und Wissensmetaprozess


zielen? – woraus ein Fokus für die Wissensmanage-mentanwendung abgeleitet werden kann. Es stellensich Fragen nach benutzten Werkzeugen sowie nachden involvierten Personen. Aus der Konsolidierungdieser Information und der Integration des Manage-ments ergibt sich eine fundierte Entscheidung füroder gegen das Projekt. Im positiven Fall fließen diebereits erhoben Daten in die nächste Phase ein.

CommonKADS stellt für diese Phase eine Men-ge von Schablonen (CommonKADS Worksheets)bereit, um die Beantwortung und Beachtung dergerade skizzierten Standardfragen abzusichern.Diese Schablonen sind nicht spezifisch für dieOntologieentwicklung, vielmehr erwarten wir, dassihre Analyse auch für parallele Entwicklungslinien(wie z. B. für die Benutzungsschnittstelle) von In-teresse sein wird.

Am Ende der Machbarkeitsstudie muss „Go“oder „No Go“ entschieden werden, d. h., ob eineontologiebasierte Wissensmanagementanwendungzur Lösung der betrachteten Probleme angestrebtwird oder ob andere Maßnahmen zur Erreichungder Ziele der Organisation geeigneter sind.Kickoff. Die Kickoff-Phase dient im Wesentlichen dazu, eine erste Vorstellung von der Ontologie zugewinnen: Welche Anforderungen muss sie erfül-len, auf welchen Wissensquellen sollte sie aufbauenund wie könnte eine initiale semiformale Ontolo-giebeschreibung beschaffen sein?

Die Ontologiebeschreibung beruht in dieserPhase typischerweise nicht auf einer formalen,logischen Sprache, sondern auf einer Kombinationvon Text und un- oder nur teilweise getypten Graphen, z. B. in Form einer Mindmap.

In der Kickoff-Phase gibt es reichhaltige Mög-lichkeiten, die Generierung dieser semiformalenOntologiebeschreibung zu unterstützen:

· Verwaltung der Anforderungsspezifikation: Wie im Software-

Engineering werden gerne Kompetenzfragen erhoben, die

die spätere Benutzung der Ontologie illustrieren. Die Ver-

waltung der Spezifikation erlaubt später die vereinfachte

Überprüfung [28].

· Verknüpfung der Anforderungsspezifikation mit der Ontologie:

Anhand der Kompetenzfragen lassen sich unmittelbar rele-

vante Begriffe und Relationen identifizieren [60].

· Analyse der Wissensquellen: Aus den Wissensquellen lassen

sich halbautomatisch, z. B. mittels Machine Learning, rele-

vante Begriffe und Relationen erkennen (vgl. z. B. [30]), die

für die Ontologiebeschreibung genutzt werden.

(z. B. [13]), die Punkte 4 und 5 werden in Abschnitt9 behandelt. Im letztgenannten Abschnitt wird auchnoch darauf eingegangen, wie man mit der Sichtvon Takeuchi und Nonaka [61] die verschiedenenNutzungsarten feiner untergliedern kann.

7 WissensmetaprozessWie bereits erwähnt umfasst der Wissensmetapro-zess [55, 56] alle Aspekte, die für die Entwicklungund die Pflege der Ontologie im Rahmen einerWissensmanagementanwendung relevant sind. Diesbeinhaltet auch, aber nicht ausschließlich, die ei-gentliche Ontologieentwicklung.

Unsere Vorgehensweise orientiert sich an Com-monKADS [44], einer erfolgreichen Methodik fürdie Einführung wissensbasierter Systeme. Com-monKADS umfasst auch die „weichen Aspekte“ vonWissensmanagementsystemen, z. B. die Erfassungdes organisatorischen Umfelds des zu entwickeln-den Systems. Allerdings stehen in CommonKADSkeine Methoden zur Verfügung, die dediziert dieEntwicklung von Ontologien unterstützen. DieseLücke schliessen wir mit unserer Beschreibung desWissensmetaprozesses (Abb. 4).

Dem Leser sei anzumerken, dass für eine kon-krete Wissensmanagementanwendung außer demWissensmetaprozess und der darin enthaltenenOntologieentwicklung (vgl. in Abb.4 den Ablaufvon links nach rechts auf die Wissensmanagement-anwendung hin) natürlich auch andere Entwick-lungslinien relevant sind. Zum Beispiel benötigt ei-ne Wissensmanagementanwendung graphische Be-nutzungsschnittstellen, Datenbanksysteme etc., de-ren Entwicklungslinien hier nur angedeutet sind(in Abb. 4 angedeutet durch Blockpfeile von rechtsnach links auf die Wissensmanagementanwendunghin). Für diese zeitlich parallelen Entwicklungensteht aus dem Software-Engineering ein umfangrei-ches Methoden- und Werkzeuginventar zur Verfü-gung, weswegen wir uns hier auf die Aspekte derOntologieentwicklung konzentrieren. Für die Inte-gration der verschiedenen Entwicklungslinien be-darf es in Zukunft weiterer Forschungsarbeiten.Machbarkeitsstudie. Die Machbarkeitsstudie ist dem ei-gentlichen Ontologieentwicklungsprozess vorgela-gert. In der Machbarkeitsstudie werden im Wesentli-chen die organisatorischen Rahmenbedingungen vonWissensmanagementanwendungen erfasst. Dazu ge-hört insbesondere die Identifikation von Problemenund Möglichkeiten – wo lässt sich ein Quick Win er-

WISSENSMANAGEMENT}


Am Ende der Kickoff-Phase muss der Anwen-der/Domänenexperte entscheiden, ob die betrach-teten Anforderungen vollständig sind und die relevanten Wissensquellen ausreichend abgedecktwurden. Falls dies nicht der Fall ist, muss vor der Beendigung dieser Phase eine Nachbesserungerfolgen; ansonsten kann die Ontologieentwick-lung mit der Verfeinerungsphase fortgesetzt werden.Verfeinerung. In der Verfeinerungsphase wird zu-nächst die semiformale Ontologiebeschreibung aufihre Konsistenz und Vollständigkeit überprüft und,wo nötig, erweitert. Ebenso wie die Erhebung derorganisatorischen Rahmenbedingungen und derAnforderungen geschieht dies im Dialog mit demAnwender/Domänenexperten des Systems. Die dar-aus resultierende Ontologiebeschreibung muss soumfassend sein, dass alle wichtigen Begriffe, Rela-tionen und Regeln ausführlich dargelegt sind, inder Regel allerdings nicht in einer formalen Spra-che. Als hilfreich – wenn auch unvollständig für dieanvisierten Ziele – hat sich z. B. die UML-„Stan-dard“-Notation erwiesen.

Schließlich erfolgt in der Verfeinerungsphasedie Formalisierung der Ontologie. Dabei stellensich vor allem folgende Fragen:

· Ontologiesprache: Welche Ontologiesprache soll Verwen-

dung finden? Aufgrund obiger Erwägungen zur Nachhaltig-

keit und Integrierbarkeit anderer Module sind Standards

wie z. B. RDF-Schema oder DAML+OIL vorteilhaft [11, 50].

Aufgrund der derzeit fehlenden Standardisierung von Re-

geln finden aber häufig auch andere Sprachen [24] oder de-

ren Kombination mit RDF-Schema Verwendung [10].

· Axiome: Welche Axiome sollen Verwendung finden? Erleich-

terung bei der Modularisierung von Ontologiesprache und

den zu verwendeten Strukturen sowie bei der Interaktion

mit den Domänenexperten liefern Patterns [7, 51].

Am Ende der Verfeinerungsphase muss überprüftwerden, ob die Ontologie die Anforderungen, die inder Kickoff-Phase erhoben wurden, erfüllt. Fallsdies nicht der Fall ist, muss die Ontologie berichtigtoder erweitert werden. Im Idealfall hat man an die-ser Stelle die endgültige Ontologie, deren Funktio-nalität und Richtigkeit noch anhand von System-tests in der Evaluierung bestätigt werden muss.Evaluierung. Für die Evaluierung der Ontologie inder konkreten Anwendung wird ein lauffähigerPrototyp des Wissensmanagementsystems benötigt.Anhand dieses Prototyps können typische Anfrage-fälle analysiert werden, um unnötige oder fehlendeKonzepte, Relationen und Regeln zu identifizieren

Abb. 4 Wissens-metaprozess


dere der kreative Arbeitsanteil darf dabei nichtdurch unnötige oder nur selten Gewinn bringendeZusatzarbeit belastet werden, die dazu führt, dassdie Wissensmanagementumgebung umgangenwird. Hierfür gibt es aber eine Reihe von Methoden– typischerweise mit einem Trade-off zwischen Ge-nauigkeit und Automatisierung.Automatische Verfahren. Zu den traditionellen Verfah-ren der Metadatengenerierung gehören automati-sche Klassifikation [22], Informationsextraktion [4]oder auch automatisches Dokumentenclustering[45].

Die Zusammenführung von effizienten auto-matischen Verfahren mit Ontologien als semanti-schem Grundgerüst wurde bisher allerdings nochvergleichsweise selten und teilweise gar nichtdurchgeführt, obwohl diese Vorgehensweise geradefür die hier dargelegten Wissensmanagementan-wendungen praktisch ist, da sie auf eine einfacheIntegration hinausläuft. Deswegen haben wir in ei-genen Arbeiten [25, 48] ontologiebasierte Informa-tionsextraktion betrachtet und ontologiebasiertesDokumentenclustering [19, 20] eingesetzt.Manuelle Verfahren. Typische Metadaten, die perHand vergeben werden, sind Klassifikationslabel(Verschlagwortung) oder Autorenangaben wie inDublin Core. Neueren Datums findet man relatio-nale Metadaten, das sind Metadaten mit Querbe-ziehungen zwischen angegebenen Objekten. Rela-tionale Metadaten können den logischen Zusam-menhang zwischen Dokumenten und Dokument-inhalten beschreiben. Zum Beispiel kann man mitrelationalen Metadaten angeben, „Dokument A erweitert das Spezifikationsdokument B um dieMenge von Attributbeschreibungen M“ – worauf-hin der Unterschied zwischen A und B abgefragtund mit anderen Unterschieden verglichen werdenkann.

Bei den manuellen Verfahren sei angemerkt,dass die erwartete hohe Genauigkeit nicht immergegeben ist. Untersuchungen im Bereich der Kate-gorisierung in den Informationswissenschaftenhaben gezeigt, dass die Übereinstimmung vonmenschlichen Annotierern oft erschreckend geringist. Vorläufige Untersuchungen zur Kreierung vonMetadaten mit unserem Werkzeug haben dieseAussage bestätigt und indizieren darüber hinaus,dass die Übereinstimmung für relationale Metada-ten tendenziell noch schwächer ausfällt als für Kategorisierungen von Dokumenten [14, 27, 52].

oder sogar fehlerhafte Ontologiestrukturen zu fin-den. Falls sich aus der Evaluierung heraus ein Revi-sionsbedarf für die Ontologie ergibt, ist es nötig, indie Verfeinerungsphase zurückzukehren, um an-hand weiterer Diskussionen und Analysen Ontolo-giestrukturen zu ergänzen, zu entfernen oder zukorrigieren (erster Rückkopplungspfeil von Eva-luierung nach Verfeinerung in Abb. 4).Erweiterung und Anpassung. Im Bereich der Erweite-rung und Anpassung3 von Ontologien gibt es der-zeit nur wenige Erfahrungen – vor allem was nicht-monotone Änderungen an der Ontologie betrifft (z. B. Löschen von noch benutzten Begriffen). Grö-ßere Änderungen, vor allem Umstrukturierungen,werden einer neuerlichen Verfeinerungs- und Evaluierungsphase bedürfen (zweiter Rückkopp-lungspfeil von Erweiterung und Anpassung nachVerfeinerung in Abb. 4), während kleinere Ände-rungen, z. B. Hinzufügen weniger neuer spezifi-scher Konzepte, den Betrieb des Systems nicht wesentlich beeinflussen werden.

Viele weitere offene Fragestellungen betreffendie Ontologieerstellung. Insbesondere existiert der-zeit kein Werkzeug, das den ganzen Wissensmeta-prozess lückenlos unterstützen würde, um so dieLücke zwischen vagen Vorstellungen über Eigen-schaften der Ontologie und ihrer konkreten Reali-sierung zu schließen.4 Die Erkenntnisse aus derEntwicklung und der Anwendung eines solchenWerkzeugs würden sicherlich auch auf den Prozessselbst zurückwirken. Insbesondere die Detaillie-rung einzelner Schritte, wie z. B. mit Hilfe einesBrainstorming-Werkzeugs zur Erstellung der Onto-logiebeschreibung, könnte noch leichte Verschie-bungen von Resultaten und Arbeitsschritten nachsich ziehen.

8 Wissensprozess: (Meta-)DatenkreierungDer Schritt der (Meta-)Daten-/(Meta-)Wissenskre-ierung ist vorwiegend eine Mischung aus Externali-sierung (z. B. der Beschreibung einer Projektidee)und Kombination (z. B. der Einordung von Teilbe-schreibungen in vorgegebene Schemata). Insbeson-

3 Diese Phase wird häufig mit „Wartung“ oder „Instandhaltung“ bezeichnet. Bei-

de Bezeichnungen werden aber der Aufgabe nicht gerecht. Es genügt nicht, die

Software mit etwaigen Schnittstellenänderungen zu versehen, vielmehr ist re-

gelmäßiger Aufwand für die Aktualisierung der Ontologie einzuplanen.

4 Zu den am weitesten entwickelten Werkzeugen gehören z. B. OntoEditTM

(http://www.ontoprise.de/technology_downloads.htm [60]) und Prótegé

(http://protege.stanford.edu/download.html).

WISSENSMANAGEMENT}


Semiautomatische Verfahren. Ein relativ regelmäßigbenutzter Mechanismus für die Kreierung von Me-tadaten ist die Bereitstellung von Schablonen, z. B.XML-Schemata, die mittels eines XML-Editors dieEingabe von Fakten erlauben. Die Verknüpfung derXML-Elemente mit konkreten Ontologiekonzepten[15] erlaubt hinterher die Weiterverwendung vonpräzisen Attributen, ohne dass ein Aufwand durchdas manuelle Annotieren nötig ist [54].

Ähnlich elegant stellt sich auch die Integrationder Metadatenkreierung in den Prozess der Doku-menterstellung selbst dar [18]. Durch die Integrati-on wird der Mehrfachaufwand vermieden, der typi-scherweise bei Annotierungsarbeiten entsteht, dieder Dokumenterstellung nachgelagert sind.

Eher in den Bereich der Forschung fällt derzeitder Vorschlag von semantischen Annotierungendurch Informationsextraktion. Für einfache seman-tische Auszeichnung, nämlich für die Kategorisie-rung von Phrasen, existieren zwar seit einiger ZeitSysteme wie Alembic [9], für relationale Metadatenund Informationsextraktion hingegen gibt es zwarerste Konzepte, allerdings noch keine stringenteAufgabenteilung zwischen Annotierungswerkzeugund Informationsextraktion. Diese Aufgabenteilungist in der Praxis aber sehr wichtig, da selbst die be-sten Informationsextraktionsverfahren viele Fehlerproduzieren.

9 Wissensprozess: WissensnutzungDas Prozessmodell von Takeuchi und Nonaka [61]fokussiert auf die kognitiven Vorgänge der Anwen-der im Wissensmanagement. Damit ist, wie bereitserwähnt, das Modell kaum geeignet, um die Einfüh-rung einer Wissensmanagementanwendung zu be-gleiten. Ebenso lässt sich der Lebenszyklus vonWissensbestandteilen in einer Wissensmanage-ment-Anwendung nicht gut durch das kognitiveModell erklären. Was aber die Nutzung der Wis-sensmanagementanwendung betrifft, kann manaufgrund der verschiedenen Interaktionen der Be-nutzer eine Schwerpunktsetzung gemäß der Kate-gorisierung in Kombination, Sozialisierung, Inter-nalisierung und Externalisierung vornehmen. Spe-ziell am Institut AIFB wurden verschiedene Wis-sensportale [53] entwickelt, die Ontologien und Me-tadaten benutzen, die solche verschiedenen Schwer-punktsetzungen illustrieren.Kombination. Der Fokus des Corporate History Ana-lyzer [3] liegt in der Kombination von annotierten

Daten. Der Corporate History Analyzer vermitteltseinem Benutzer einen Überblick über Firmen inder Chemieindustrie. Hierfür wurde eine anwen-dungsspezifische Ontologie entwickelt, deren Be-sonderheit darin liegt, dass sie zeitliches Wissen be-rücksichtigt. Metadaten formalisieren Aktionen wieVerkäufe, Merger, Ankäufe oder Reorganisation vonFirmen, wie sie in Nachrichtenmeldungen enthal-ten sind.

Aus einer Anfangssituation heraus integriertder Corporate History Analyzer die einzelnenBruchstücke und liefert aktuelle Strukturinforma-tionen über Firmen. Zum Beispiel entsteht durcheinen Merger aus zwei Firmen A und B eine neueFirma C. Wenn der Benutzer nach einer Übersichtzu A zum Zeitpunkt t fragt, bekommt er in Abhän-gigkeit von t die entsprechende Auskunft oder ei-nen Verweis auf die neue Firma. Dabei kann derCorporate History Analyzer viele einzelne Informa-tionsbruchstücke aggregieren, um ein vollständigesBild zu liefern. Unter anderem kann er Vorschlägeüber mögliche strategische Aktivitäten lieferen.Zum Beispiel könnte eine US-Firma eine deutscheFirma kaufen, um in Europa zu expandieren. DerSchwerpunkt dieser Anwendung liegt in der Kom-bination von Einzelwissen mittels temporalemSchlussfolgern.Internalisierung. Eine Vorbedingung für Internalisie-rung ist die zielgruppengerechte Aufbereitung vonWissen. Ein Community Web Portal dient als An-laufstelle für eine Interessensgruppe, über die sieihre Interessen formulieren und mit der sie Wissenauf dem WWW teilen kann. Am Institut AIFB ha-ben wir basierend auf der KA2-Initiative [6], dieInformationen semantisch annotiert bereitgestellthat, ein Community Web Portal für die KnowledgeAcquisition Community entwickelt [49]. DiesesKA2-Portal (http://ka2portal.aifb.uni-karlsruhe.de/)erlaubt vor allem die leichte Navigation mit seman-tischen Methoden und semantische Suche. Wäh-rend das KA2-Portal eine erste Studie war, wurdendie dort verwandten Techniken weiterentwickelt zueinen System im Dauerbetrieb, dem Internetauftrittdes AIFB [32]. Hierzu wurden insbesondere aucheinzelne Komponenten weiterentwickelt, wie z. B.das semantische Ranking oder das Crawlen vonRDF-Fakten.Sozialisierung. Wie oben bereits angeführt, ist derunmittelbare Kontakt häufig die effektivste Art,Wissen zu teilen. Expertenverzeichnisse oder –


zeroberflächen wiederum widerspricht gutem Soft-ware-Design, das eher versucht,„Model“,„View“ und„Control“ voneinander zu separieren, um Anpassun-gen leichter durchführen zu können. Ontologien stel-len ein Modell zur Verfügung, das sehr komfortabelfür die Konstruktion von Benutzeroberflächen alsauch für die Strukturierung der Inhalte nutzbar ist,dabei aber ein höheres Maß an Modularität erreicht.Dennoch finden sich auf dem Softwaremarkt bisheram ehesten Stichwortsuche und programmierteWebseiten. Einige Firmen setzen in ihren Produktenaber auch seit geraumer Zeit z. B. Thesauri und seitneuerer Zeit Ontologien erfolgreich ein.

Auf wissenschaftlicher Seite lassen sich auf-grund der Breite der Wissensmanagementprozesseenorm viele Arbeiten zitieren, die Teilaspekte be-handeln. In dieser Übersicht können wir nur wenigeontologiebasierte Gesamtkonzepte kontrastieren.

A. Rabarijaona et al. [38] basieren ihr Orga-nizational Memory auf der Basis von Ontologienund XML-Dokumenten. Grundlage für ihren An-satz bildet das Osirix-System, welches inhaltsorien-tierte, semantische Suche auf der Grundlage vonOntologien erlaubt.

U. Reimer, A. Margelisch und M. Staudt [39] ha-ben in ihren Arbeiten als eine der ersten die Unter-stützung von Organizational Memories mittelsOntologie- und Prozessmodellierung propagiert.

A. Abecker, A. Bernardi, A. Dengel, L. van Elst,K. Hinkelmann, O. Kühn, H. Maus, M. Sintek und S. Schwarz [1, 12] haben in ihren Arbeiten eines derumfassendsten Konzepte für Wissensmanagementmit Ontologien und Metadaten vorgelegt. Diesesumfasst die Modularisierung von Ontologien in In-formation, Enterprise und Domain Ontologies, wasdie Wartung des Gesamtsystems und seine Integra-tion, z. B. mit Digital Libraries, erleichtert. Es be-inhaltet auch eine dedizierte Integration von kon-textspezifischen Diensten und Sichten, z. B. die kon-textabhängige Bearbeitung von Papierdokumentenmittels OCR.

Diese Arbeiten konnten allerdings kein um-fangreiches Methoden- und Technikrepertoire zumAufbau und Betrieb ihres Systems vorweisen, wie esin diesem Übersichtsartikel hier vorgestellt wurde.Ein solches – selbst noch verbesserungswürdiges –Repertoire ist aber nötig, um mittelfristig zu pra-xisreifen, umfassenden Wissensmanagementsyste-men zu gelangen, die die Vorteile von Ontologienund Metadaten vollständig realisieren können.

etwas allgemeiner – Skill-Management-Systeme haben die Aufgabe, explizites Wissen über möglicheAnsprechpartner bereitzustellen. Von Sure et al.[59] wird eine ontologiebasierte Skill-Management-Anwendung vorgestellt, die sowohl geeignet ist, Ex-perten zu lokalisieren, als auch Bewerbungen mitoffenen Stellen zu matchen (für Matchmaking vgl.[58]).Externalisierung. Der Schritt der Externalisierungwird in den vorgestellten Portalen über die Kreie-rung von Metadaten, wie oben beschrieben, unter-stützt, allerdings seltener über die Webapplikationselbst. Ausnahmen hiervon werden aber z. B. vonHotho et al. [19] oder Staab und Schnurr [54] be-schrieben. In letzterem Fall wird ein Assistenzsy-stem in den Wissenskreierungsprozess integriert,der die Entwicklungen eines Projektplans durchProaktion des Systems unterstützt.

10 Einordnung verwandter ArbeitenBedarfsgerechte Bereitstellung und Austausch vonWissen ist das zentrale Anliegen von Wissensmana-gementsystemen. Um diese Funktion zu erfüllen,benötigt man

· eine geeignete Infrastruktur, die Kommunikation auf techni-

scher Ebene, d. h. möglichst unabhängig von Ort und Zeit,

ermöglicht;

· Komponenten, die organisationale Anforderungen, wie z. B.

nach Privatheit von Informationen oder nach der Eigenstän-

digkeit von Wissensgruppen, erfüllen;

· inhaltsorientierte Methoden für den Austausch und die Wei-

tergabe von Wissen.

Konventionelle Wissensmanagementsysteme, dieauf dem Softwaremarkt zu finden sind, stellen vor-wiegend Funktionalitäten für eine gute Infrastruk-tur (z. B. Intranet) und für organisatorische Abläufeund Kontrollfunktionen bereit (z. B. durch Content-Management-Systeme). Die zentrale Frage danach,welche Inhalte in einem Wissensmanagementsy-stem bereitstehen oder wie diese zu verknüpfensind, wird seltener beantwortet. Oft wird nur aufStichwortsuche verwiesen oder auf die Struktur dergraphischen Benutzeroberfläche, z. B. des Intranet-zugangs zum Wissensmanagementsystem.

Reine Stichwortsuche aber überlässt das Pro-blem des Erkennens von relevantem Wissen fastvollständig dem Benutzer. Die Bereitstellung von In-halten allein über bestimmte Strukturen von Benut-

WISSENSMANAGEMENT}


11 FazitIn diesem Artikel wurde die Zielsetzung von Wis-sensmanagement in Unternehmen definiert undihre Problematik erläutert. Typische Wissensmana-gementprobleme sind primär weicher Art – z. B.dass Mitarbeiter Wissen teilen statt horten. Den-noch können Wissensmanagementsysteme erheb-lich zur Akzeptanz von Wissensmanagementmaß-nahmen beitragen, wenn sie den Betroffenen dasLeben erleichtern und nicht erschweren. Zentral istunserer Ansicht nach die Definition von Wissens-managementsystemen als Plattformen, die es er-lauben, leichter synchron oder asynchron Wissenauszutauschen. Ontologien als semantische Model-le der Anwendungsdomäne dienen in diesem Kon-text als Vehikel, um Wissen präziser zwischen denBeteiligten und zwischen Mensch und Rechnerauszutauschen.

Beim Aufbau eines ontologiebasierten Wissens-managementsystems unterscheiden wir zwei Kern-prozesse, nämlich den Wissensmetaprozess undden eigentlichen Wissensprozess, die verschiedeneCharakteristika aufweisen. Für beide Prozesse ha-ben wir Schritte beschrieben, die wiederum einzelnoder in Kombination [29] durch Methodenund/oder Werkzeuge unterstützt werden können.

Das Wissensmanagementproblem gestaltet sichim Praxisalltag allerdings vielfältiger als es hier –oder in einer anderen einzelnen Resource – be-schrieben werden kann (für diverse Informatikper-spektiven vgl. [34, 42]). Zum Beispiel sind Proble-matiken wie Wissensmanagement und e-Learningeng verknüpft und werden in der betrieblichenPraxis inzwischen auch regelmäßig zusammen undmit ähnlichen Methoden angegangen [33, 57].

Auch die für Wissensmanagementsysteme gültigen Methoden und Techniken sind viel weitergeneralisierbar. Insbesondere im Rahmen des„Semantic Web“ (http://www.semanticweb.org) befruchten sich Techniken für Wissensmanage-mentsysteme und das Semantic Web gegenseitigund bieten Lösungen für vielerlei Aufgaben (vgl.z. B. [31, 57]).

DanksagungIch bedanke mich sehr herzlich für viele Diskussio-nen und Anregungen bei allen meinen Kollegen amInstitut AIFB, in der Forschungsgruppe Wissens-management am FZI (Forschungszentrum Infor-matik) und bei der Ontoprise GmbH. Mein beson-

derer Dank für Inspiration und Kommentare zu derhier vorliegenden Arbeit gilt Prof. Dr. Lockemann,Dr. Alexander Mädche, Hans-Peter Schnurr, Prof.Dr. Rudi Studer und York Sure.

Literatur1. Abecker, A., Bernardi, A., Hinkelmann, K., Kühn, O., Sintek, M.: Toward a Technology for

Organizational Memories. IEEE Intelligent Systems13(3), 40–48 (1998)

2. Alvestrand, H.: Tags for the Identification of Languages. Internet Engineering Task

Force (IETF) RFC 3066. ftp://ftp.isi.edu/in-notes/rfc3066.txt (abgerufen am

04.09.2001)

3. Angele, J., Schnurr, H.-P., Staab, S., Studer, R.: The Times They Are A-Changin' – The

Corporate History Analyzer. In: Mahling, D., Reimer, U.: Proceedings of the Third Inter-

national Conference on Practical Aspects of Knowledge Management. Basel, Switzer-

land, October 30–31, 2000, pp. 1.1–1.11

4. Appelt, D., Hobbs, J., Bear, J., Israel, D., Tyson, M.: FASTUS: A Finite-State Processor for

Information Extraction from Real-World Text. IJCAI-93 – Proceedings of the 13th In-

ternational Joint Conference on Artificial Intelligence. Chambery, France, August 28 –

September 3, 1993. San Mateo/CA: M. Kaufmann 1993, pp. 1172–1178

5. Basili, V., Caldiera, G., Rombach, D.: Experience Factory. In: Marciniak J.J. (ed.) Encyclo-

pedia of Software Engineering, Vol. 1. New York: Wiley & Sons 1994, pp. 469–476

6. Benjamins, R., Fensel, D., Decker, S.: KA2: Building Ontologies for the Internet: A Mid-

term Report. International Journal of Human Computer Studies 51(3), 687 (1999)

7. Clark, P., Thompson, J., Porter, B.: Knowledge Patterns. Proceedings of the Conference

on Knowledge Representation and Reasoning. Breckenridge/CO, 12–15 April 2000.

San Mateo/CA: M. Kaufmann 2000, pp. 591–600

8. CRISP: http://www.crisp-dm.org/CRISPWP-0800.pdf (abgerufen am 05.09.2001)

9. Day, D., Aberdeen, J., Hirschman, L., Kozierok, R., Robinson, P., Vilain, M.: Mixed-Initiati-

ve Development of Language Processing Systems. Proceedings of the Fifth Con-

ference on Applied Natural Language Processing, 1997, Association for Computatio-

nal Linguistics, 31 March – 3 April, Washington D.C.

10. Decker, S., Brickley, D., Saarela, J., Angele, J.: A Query and Inference Service for RDF.

QL'98 – The Query Languages Workshop.W3C, 1998.

http://www.w3.org/TandS/QL/QL98/ (abgerufen am 05.09.2001)

11. Decker, S., Melnik, S., Harmelen F. van, et al.: The Semantic Web: the Roles of XML and

RDF. IEEE Internet Computing 4(5), 63–73 (2000)

12. Dengel, A., Abecker, A., Bernardi, A., van Elst, L., Maus, H., Schwarz, S., Sintek, M.: Kon-

zepte zur Gestaltung von Unternehmensgedächtnissen. Künstliche Intelligenz, The-

menheft Wissensmanagement 1/2002 (in Druck)

13. Doan, A., Madhavan, J., Domingos, P., Halevy, A.: Learning to Map between Ontologies

on the Semantic Web. Proceedings of the 11th International World Wide Web Con-

ference, WWW 2002, Honolulu/HI, May 7–11, 2002. ACM Press

14. Ellis, D., Furner-Hines, J., Willett, P.: On the Measurement of Inter-Linker Consistency

and Retrieval Effectiveness in Hypertext Databases. Proceedings of the 17th Annual

International ACM-SIGIR Conference on Research and Development in Information

Retrieval. Dublin, Ireland, 3–6 July 1994. ACM/Springer 1994, pp. 51–60

15. Erdmann, M., Studer, R: How to Structure and Access XML Documents with Ontolo-

gies. Data and Knowledge Engineering (special issue on intelligent information inte-

gration) 36(3): 317–335 (2001)

16. Foskett, D.: Thesaurus. Readings in Information Retrieval. San Francisco/CA: M. Kauf-

mann 1997

17. Gruber, T.R.: A Translation Approach to Portable Ontology Specifications. Knowledge

Acquisition 6(2), 199–221 (1993)

18. Handschuh, S., Staab, S.: Authoring and Annotation of Web Pages in CREAM. Procee-

dings of the 11th International World Wide Web Conference, WWW 2002, Honolu-

lu/HI, May 7–11, 2002. ACM Press

19. Hotho, A., Maedche, A., Staab, S., Studer, R.: SEAL-II – The Soft Spot between Richly

Structured and Unstructured Knowledge. Journal of Universal Computer Science 7(7),

566–590 (2001)

20. Hotho, A., Maedche, A., Staab, S.: Ontology-based Text Document Clustering. Künst-

liche Intelligenz 3 (2002)

21. Jarke, M.: Wissenskontexte. Künstliche Intelligenz (Themenheft Wissensmanage-

ment) 1, 12–18 (2002)

22. Joachims, T.: The Maximum-Margin Approach to Learning Text Classifiers: Methods,

Theory, and Algorithms. Dissertation, Fachbereich Informatik, Universität Dortmund,

2001

23. Kaplan, R., Norton, D.: The Balanced Scorecard: Learning and Growth Perspective. In:

Morey, D., et. al. (eds.) Knowledge Management – Classic and Contemporary Works.

Cambridge/MA: MIT Press 2001, pp. 139–183 (Reprint from: The Balanced Scorecard:

Translating Strategy into Action. Boston: Harvard Business School Press 1996)


Velde, W, Wielinga, B.: Knowledge Engineering and Management – the Common-

KADS Methodology. Cambridge/MA: MIT Press 1999

45. Schuetze, H., Silverstein, C.: Projections for Effcient Document Clustering. Proc. of

SIGIR-1997, Philadelphia/PA, July 1997. San Mateo/CA: M. Kaufmann 1997, pp. 74–81

46. Sowa, J. (ed.): Principles of Semantic Networks: Explorations in the Representation of

Knowledge. San Mateo/CA: M. Kaufmann 1991

47. Sowa, J.: Knowledge Representation. Logical, Philosophical and Computational Founda-

tions. Pacific Grove/CA: Brooks Cole 2000 (vgl. auch http://www.jfsowa.com/ontology/)

48. Staab, S.: Grading Knowledge – Extracting Degree Information from Texts. LNCS/LNAI

1744. Berlin Heidelberg New York: Springer 1999

49. Staab, S., Angele, J., Decker, S., et al.: Semantic Community Web Portals. In: WWW9 /

Computer Networks (Special Issue: WWW9 – Proceedings of the 9th International

World Wide Web Conference, Amsterdam, May 15–19, 2000), 33(1–6), 473–491.

Amsterdam: Elsevier 2000

50. Staab, S., Erdmann, M., Mädche, A.: Ontologies in RDF(S). ETAI Journal – Section on

Semantic Web 6, 2001 (Linköping Electronic Articles in Computer and Information

Science)

51. Staab, S., Erdmann, M., Mädche, A.: Engineering Ontologies Using Semantic Patterns.

In: Gomez-Perez, A., et al. (eds.): Proceedings of the IJCAI-01 Workshop on Ontologies

and Information Sharing. Seattle/WA, August 4–5, 2001

52. Staab, S., Mädche, A., Handschuh, S.: Creating Metadata for the Semantic Web: An An-

notation Framework and the Human Factor. Institute AIFB, University of Karlsruhe.

Technical report, 2000

53. Staab, S., Mädche, A.: Knowledge Portals – Ontologies at Work. AI Magazine 22(2),

63–75 (2001)

54. Staab, S., Schnurr, H.-P.: Smart Task Support through Proactive Access to Organizatio-

nal Memory. Knowledge-based Systems 3(5), 251–260 (2000)

55. Staab, S., Schnurr, H.-P., Studer, R., Sure, Y.: Knowledge Processes and Ontologies. IEEE

Intelligent Systems 16(1), 26–35 (2001) (special issue on knowledge management)

56. Staab, S., Studer, R., Sure, Y.: Knowledge Processes and Meta Processes in Ontology-

based Knowledge Management. In: Holsapple, C. (ed.): Handbook on Knowledge

Management. Berlin Heidelberg New York: Springer 2002 (International Handbooks

on Information Systems)

57. Stojanovic, L., Staab, S., Studer, R.: eLearning based on the Semantic Web.WebNet

2001 – World Conference on the WWW and the Internet. Orlando/FL, Oct. 23–27,

2001

58. Sycara, K., Klusch, M., Widoff, S., Lu, J.: Dynamic Service Matchmaking Among Agents

in Open Information Environments. SIGMOD Record 28(1), 47–53 (1999)

59. Sure, Y., Mädche, A., Staab, S.: Leveraging Corporate Skill Knowledge – From ProPer to

OntoProper. In: Mahling, D., Reimer, U. (eds.): Proceedings of the Third International

Conference on Practical Aspects of Knowledge Management. Basel, Switzerland,

October 30–31, 2000, pp. 22.1–22.9

60. Sure, Y., Erdmann, M., Angele, J., Staab, S., Studer, R., Wenke, D.: OntoEdit: Collaborative

Ontology Development for the Semantic Web. In: Proceedings of the 1st International

Semantic Web Conference (ISWC2002), June 9–12th, 2002, Sardinia, Italia. LNCS.

Berlin Heidelberg New York: Springer 2002

61. Takeuchi, H., Nonaka, I.: Theory of Organizational Knowledge Creation. In: Morey D.,

et. al. (eds.) Knowledge Management – Classic and Contemporary Works. Cam-

bridge/MA: MIT Press 2001, pp. 139–183 (Reprint from: The Knowledge Creating

Company: How Japanese Companies Create the Dynamics of Innovation. New York:

Oxford University Press 1995, pp. 56–94)

62. Tautz, C., Althoff, K-D.: Using Case-Based Reasoning for Reusing Software Knowledge.

In: Case-Based Reasoning Research and Development, Second International Con-

ference, ICCBR-97, Providence/RI, July 25–27, 1997. LNCS 1266. Berlin Heidelberg New

York: Springer 1997, pp. 156–165

63. TopicMaps.Org XTM Authoring Group. XTM: XML Topic Maps (XTM) 1.0:

TopicMaps.Org Specification, 3 Mar 2001. ttp://www.topicmaps.org/xtm/1.0/

(abgerufen am 01.09.2001)

24. Kifer, M., Lausen, G., Wu, J.: Logical Foundations of Object-oriented and Frame-based

Languages. J. ACM 42(4), 741–843 (1995)

25. Klettke, M., Bietz, M., Bruder, I., et al.: GETESS – Ontologien, objektrelationale Daten-

banken und Textanalyse als Bausteine einer semantischen Suchmaschine. Daten-

bank-Spektrum 1(1), 14–24 (2001)

26. Kurfess, F., Hilario, M. (eds.): Proceedings of the ICDM-01 workshop on Integrating

Data Mining and Knowledge Management. November 29, 2001, San Jose/CA

27. Leonard, L.: Inter-Indexer Consistence Studies, 1954–1975: A Review of the Literature

and Summary of the Study Results. Graduate School of Library Science, University of

Illinois. Occasional Papers No. 131, 1977

28. López, M.F., Gómez-Pérez, A., Sierra, J., Sierra, A.: Building a Chemical Ontology Using

Methontology and the Ontology Design Environment. IEEE Intelligent Systems 14(1),

37–46 (1999)

29. Mädche, A., Neumann, G., Staab, S.: Bootstrapping an Ontology-based Information Ex-

traction System for the Web.To appear in: Szczepaniak, P.S., Segovia, J., Kacprzyk, J.,

Zadeh, L.A. (eds.): Intelligent Exploration of the Web. Heidelberg: Physica (Studies in

Fuzziness and Soft Computing)

30. Mädche, A., Staab, S.: Ontology Learning for the Semantic Web. IEEE Intelligent Sy-

stems 16(2), 72–79 (2001) (special issue on the semantic web)

31. Mädche, A., Staab, S.: Applying Semantic Web Technologies for Tourism Information

Systems. In: Wöber, K., Frew, A., Hitz, M. (eds.): Proceedings of the 9th International

Conference for Information and Communication Technologies in Tourism, ENTER

2002. Innsbruck, Austria, 23–25th January, 2002

32. Mädche, A., Staab, S., Studer, R., Sure, Y., Volz, R.: SEAL – Tying Up Information Integra-

tion and Web Site Management by Ontologies. In: IEEE Data Engineering Bulletin,

March 2002

33. Maurer, H., Sapper, M.: E-Learning Has to Be Seen as Part of General Knowledge Man-

agement. Proceedings of ED-MEDIA 2001.World Conference on Educational Multime-

dia, Hypermedia & Telecommunications, Tampere, AACE, Charlottesville/VA, 2001, pp.

1249–1253

34. Minor, M., Staab, S. (eds.): Experience Management. Proceedings of the 1st Workshop

of the German GI Interest Group on Knowledge Management. Berlin, March 7–8,

2002. Lecture Notes in Informatics, P-10, Gesellschaft für Informatik e.V.

35. Noy, N., Grosso, W., Musen, M.: Knowledge-Acquisition Interfaces for Domain Experts:

An Empirical Evaluation of Protégé-2000.Twelfth International Conference on Soft-

ware Engineering and Knowledge Engineering (SEKE2000), Chicago/IL, 2000

36. Ogden, C.K., Richards, I.A.: The Meaning of Meaning: A Study of the Influence of Lang-

uage upon Thought and of the Science of Symbolism. 10th edn. London: Routledge &

Kegan Paul 1923

37. Probst, G., Romhardt, K., Raub, S.: Wissen managen – Wie Unternehmen ihre wertvoll-

ste Ressource optimal nutzen.Wiesbaden: Gabler 1999

38. Rabarijaona, A., Dieng, R., Corby, O., Ouaddari, R.: Building and searching an XML-

based Corporate Memory. IEEE Intelligent Systems 15(3), 56–63 (2000)

39. Reimer, U., Margelisch, A., Staudt, M.: EULE. A Knowledge-Based System to Support

Business Processes. Knowledge Based Systems 13(5), 261–269 (2000)

40. Senge, P.: Reflection on „A Leader's New Work: Building Learning Organizations“. In:

Morey, D., et. al. (eds.) Knowledge Management – Classic and Contemporary Works.

Cambridge/MA: MIT Press 2001, pp. 54–60

41. Schierstedt, K. von: Wissensmanagement bei SD&M. Folien eines Vortrags auf der

WM-2001-1. Konferenz Professionelles Wissensmanagement – Erfahrungen und

Visionen, Baden-Baden, März 2001 (vgl. [42]). http://wm2001.aifb.uni-karlsruhe.de/

InvitedTalks/SchierstedtSD&M.ppt (abgerufen am 05.09.2001)

42. Schnurr, H.-P., Staab, S., Studer, R., Stumme, G., Sure, Y. (eds.): WM2001 – Professionel-

les Wissensmanagement – Erfahrungen und Visionen. Proceedings der Konferenz

WM2001. Aachen: Shaker 2001

43. Schreiber, A., Dubbeldam, B., Wielemaker, J., Wielinga, B.: Ontology-based Photo An-

notation. IEEE Intelligent Systems 16(3), 66–74 (2001)

44. Schreiber, A., Akkermans, H., Anjewierden, A., de Hoog, R., Shadbolt, N., Van de