Akzeptanz der Herrschaft *[ [menschliches Handeln ist interessengeleitet zur Deckung eigener ideeller oder materielle Interessen] [zweckrational: Ziel-Mittel-Einsatz] [*[regelgerechte Amtsführung sichert Einkommen]]* [wertrational: Eigenwert (Kultur, Sozialisation] [*[legitime Ordnung erfordert Gehorsam]]* [affektisch: durch Gefühle bestimmt] [*[Freude an der Arbeit (s. intrinsische Motivation)]]* [Tradition: gewohnheitsbestimmt] [Anerkennung der Tradition] ]* ]

Bürokratieansatz; Dienstwissen; Effizienz; Eigenverantwortung; Fachwissen; Handeln; Herrschaft; Weber; Milgram; Motivation; Ordnung; Organisation; Organisationstheorie; Stabilität; Verhalten!vorhersagen; Zimbardo;

{wug1} 'Max Weber' (1947) : Wirtschaft und Gesellschaft

Kennzeichen: *[ [geschultes Personal verfügt über Fachwissen und erwirbt spezifisches Dienstwissen] [spezielle Sachmittel steigern Effizienz] [Amtsführung schützt vor Willkürakten] [zuverlässige Ordnung führt zu regelmäßigem, vorhersagbarem Verhalten führt zu Stabilität] [Arbeit ohne »Liebe und Enthusiasmus«] ]*

Bürokratieansatz; Dienstwissen; Effizienz; Eigenverantwortung; Fachwissen; Handeln; Herrschaft; Weber; Milgram; Motivation; Ordnung; Organisation; Organisationstheorie; Stabilität; Verhalten!vorhersagen; Zimbardo;

{wug1} 'Max Weber' (1947) : Wirtschaft und Gesellschaft

Nachteile *[ [»Gehäuse der Hörigkeit«] [formale Herrschaft lässt Apparat tadellos funktionieren (vgl. Reichsbahn, Milgram, Zimbardo)] [schwierige Kontrolle, Fachmann weiß mehr als Nicht-Fachmann, Geheimhaltung durch Bürokraten] [keine Eigenverantwortung, eigene Ideen oder selbständige Entschlüsse] [Staat: Vorrang des Gesetzes und Vorbehalt des Gesetzes führt zu starren Gesetzen] ]*

Bürokratieansatz; Dienstwissen; Effizienz; Eigenverantwortung; Fachwissen; Handeln; Herrschaft; Weber; Milgram; Motivation; Ordnung; Organisation; Organisationstheorie; Stabilität; Verhalten!vorhersagen; Zimbardo;

{wug1} 'Max Weber' (1947) : Wirtschaft und Gesellschaft

»Beratungsorientierte Verfahren [...] stellen in besonderer Weise das Individuum in den Mittelpunkt.«

Coaching; Inkompetenz; Inkompetenz!soziale; Kompetenz!Ursachen; Kompetenz!soziale; Kompetenzerwerb; Kompetenzerwerb!beratungsorientiert; Kompetenzerwerb!verhaltensorientiert; Verhalten; Verhalten!unangemessenes; Verhaltensnormen;

{sokoentw} 'Uwe Peter Kanning' (2007) : Soziale Kompetenzen in der Personalentwicklung

Verhaltensorientierte Verfahren stellen »das direkte Training des Sozialverhaltens« in den Vordergrund.

Coaching; Inkompetenz; Inkompetenz!soziale; Kompetenz!Ursachen; Kompetenz!soziale; Kompetenzerwerb; Kompetenzerwerb!beratungsorientiert; Kompetenzerwerb!verhaltensorientiert; Verhalten; Verhalten!unangemessenes; Verhaltensnormen;

{sokoentw} 'Uwe Peter Kanning' (2007) : Soziale Kompetenzen in der Personalentwicklung

Die Erregungszustände einer Nervenzelle kodieren nicht die Natur der Erregungsursache. (Kodiert wird nur: ›so und so viel an dieser Stelle meines Körpers‹, aber nicht ›was‹.)

Foerster; Kybernetik; Erkenntnistheorie; Konstruktivismus; Codierung;

{Foerster:Erkenntnistheorie} '' () : Kybernetik einer Erkenntnistheorie

Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Die Teilschritte des KDD-Prozesses sind *[ [Bereitstellung von Hintergrundwissen für den jeweiligen Fachbereich] [Definition der Ziele der Wissensfindung] [Datenauswahl] [Datenbereinigung] [Datenreduktion (z. B. durch Transformationen)] [Auswahl eines Modells, in dem das gefundene Wissen repräsentiert werden soll] [Data-Mining, die eigentliche Datenanalyse] [Interpretation der gewonnenen Erkenntnisse] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren; Data Mining;

{} '' () :

Eigenschaften: *[ [„künstliche“ Generierung von Wissen aus Erfahrung] [„erkennt“ Gesetzmäßigkeiten in den Lerndaten] [System kann auch unbekannte Daten beurteilen] [symbolisches System: Wissen explizit repräsentiert] [subsymbolisches System: Wissen implizit repräsentiert, Regeln nicht explizit formuliert/formulierbar] ]* Algorithmische Ansätze: *[ [Überwachtes Lernen: korrekte Funktionswert steht in der Lernphase bereit] [Unüberwachtes Lernen: erzeugt für eine gegebene Menge von Eingaben ein Modell, das die Eingaben beschreibt und Vorhersagen ermöglicht] [Bestärkendes Lernen: der Algorithmus lernt durch Verstärkung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Agenten zu maximieren.] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Die Teilschritte des KDD-Prozesses sind *[ [Bereitstellung von Hintergrundwissen für den jeweiligen Fachbereich] [Definition der Ziele der Wissensfindung] [Datenauswahl] [Datenbereinigung] [Datenreduktion (z. B. durch Transformationen)] [Auswahl eines Modells, in dem das gefundene Wissen repräsentiert werden soll] [Data-Mining, die eigentliche Datenanalyse] [Interpretation der gewonnenen Erkenntnisse] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

*[ [analytisches Informationssystem] [hypothesengestützte Analysemethode] [Datenbestand im Data Warehouse] [komplexe Analysevorhaben] [multidimensionale Analyse zur Entscheidungsunterstützung] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Extraktion der relevanten Daten aus verschiedenen Quellen
Transformation der Daten in das Schema und Format der Zieldatenbank
Laden der Daten in die Zieldatenbank

Syntaktische Transformation und Semantische Transformation [ [Eliminierung von Duplikaten] [Schlüsselanpassung] [Anpassung von Datenwerten] [Umrechnung von Maßeinheiten] [Aggregation] [Anreicherung] ]

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

*[ [automatisches Auswerten großer Datenbestände mit Hilfe statistischer Verfahren] [neue Muster im Datenbestand erkennen] [brauchbare Zeitkomplexität in großen Datenbeständen gefordert] [explorative Datenanalyse] [Güte: prädiktive und deskriptive Genauigkeit] ]* Problemtypen: *[ [Beschreibungsproblem: Beschreibung der kausalen Zusammenhänge des Datengenerierungsprozesses] *[ [Beschreibung: Zusammenfassung der Daten in kompakter Form] [Abweichungsanalyse: Abweichung von einer Norm] [Abhängigkeitsanalyse: Entdeckung von signifikanten Dependenzen zwischen den Attributen eines Informationsobjektes] [Clustering: Bildung von Klassen] ]* [Prognoseproblem: soll erwarteten Output eines Inputs unter variablen Umweltbedingungen errechnen] *[ [Klassifikation: konstruiere Modelle, mit denen Informationsobjekte anhand von objekt- und umweltspezifischen Eigenschaften vordefinierten Klassen zugeteilt werden können] [Wirkungsprognose: quantitative Zielwerte bestimmen] ]* ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

zentrale Datensammlung, deren Inhalt sich aus Daten unterschiedlicher Quellen zusammensetzt, dient der Informationsintegration globale Sicht auf heterogene und verteilte Datenbestände Ziele: Integration von Daten aus verteilten und unterschiedlich strukturierten Datenbeständen, um im Data-Warehouse eine globale Sicht auf die Quelldaten und damit übergreifende Auswertungen zu ermöglichen. Separation der Daten, die für das operative Geschäft genutzt werden, von solchen Daten, die im Data-Warehouse z. B. für Aufgaben des Berichtswesens, der Entscheidungsunterstützung, der Geschäftsanalyse sowie des Controllings und der Unternehmensführung verwendet werden.

[ [Datenbeschaffung, Datenintegration (Staging) und Weiterverarbeitung im ETL-Prozess] [Datenhaltung, das heißt die langfristige Speicherung der Daten im Data-Warehouse] [Versorgung und Datenhaltung der für die Analyse notwendigen separaten Datenbestände, den Data-Marts] [Datenauswertung und -analyse] ]

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Ziel ist es, die Anforderungen des Auftraggebers an das zu entwickelnde System zu ermitteln. Kriterien der Anforderungssammlung: *[ [vollständig – alle Anforderungen des Kunden müssen explizit beschrieben sein, es darf keine impliziten Annahmen geben] [eindeutig definiert / abgegrenzt – präzise Definitionen] [verständlich beschrieben] [atomar – es darf nur eine Anforderung pro Abschnitt oder Satz beschrieben sein. Das Kriterium für ein „Atom“ sollte die Entscheidbarkeit einer Anforderung sein.] [identifizierbar – jede Anforderung muss eindeutig identifizierbar sein] [einheitlich dokumentiert – die Anforderungen und ihre Quellen sollten nicht in unterschiedlichen Dokumenten stehen oder unterschiedliche Strukturen haben.] [notwendig – gesetzliche Vorschriften sind unabdingbar.] [nachprüfbar – die Anforderungen sollten mit Abnahmekriterien verknüpft werden, damit bei der Abnahme geprüft werden kann, ob die Anforderungen erfüllt wurden.] [rück- und vorwärtsverfolgbar – damit einerseits erkennbar ist, ob jede Anforderung vollständig erfüllt wurde und andererseits für jede implementierte Funktionalität erkennbar ist, aus welcher Anforderung sie resultiert, also nicht Überflüssiges entwickelt wird.] [Konsistenz – Konsistenz beschreibt den Grad, in dem die definierten Anforderungen untereinander widerspruchsfrei sind.] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Managementaufgabe für die effiziente und fehlerarme Entwicklung komplexer Systeme
umfasst Anforderungsdefinition und Anforderungsverwaltung
Anforderungsdefinition *[ [Anforderungserhebung / Requirements Elicitation] [Anforderungsdokumentation / Requirements Documentation] [Anforderungsvalidierung /Requirements Validation] ]* Anforderungsverwaltung *[ [Risikomanagement] [Änderungsmanagement] [Umsetzungsmanagement] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Kriterien der Software-Ergonomie nach ABC-Modell: *[ [Aufgabenangemessenheit: geeignete Funktionalität, Minimierung unnötiger Interaktionen] [Selbstbeschreibungsfähigkeit: Verständlichkeit durch Hilfen / Rückmeldungen] Kriterien nach ABC-Modell [Steuerbarkeit (Dialog)|Steuerbarkeit: Steuerung des Dialogs durch den Benutzer] [Erwartungskonformität: Konsistenz, Anpassung an das Benutzermodell [Fehlertoleranz: erkannte Fehler: verhindern nicht das Benutzerziel - unerkannte Fehler: leichte Korrigierbarkeit] [Individualisierbarkeit: Anpassbarkeit an Benutzer und Arbeitskontext] [Lernförderlichkeit: Minimierung der Erlernzeit, Anleitung des Benutzers] [Eignung für das Kommunikationsziel: verwendete Informationen / Medien unterstützen die intendierten Kommunikationsziele.] [Eignung für Wahrnehmung und Verständnis: Inhalte sind so aufbereitet, dass sie gut rezipiert werden können und leicht verständlich sind.] [Eignung für die Exploration: Informationen sollen gut strukturiert sein, so dass die Erkundung der Informationen und das Stöbern in den Informationen leicht ist.] [Eignung für die Benutzungsmotivation: Das Programm soll zur Benutzung motivieren und eine hohe Bindung des Nutzers erreichen.] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Entscheidungsunterstützungssysteme sind Softwaresysteme, die für menschliche Entscheidungsträger für operative und strategische Aufgaben relevante Informationen ermitteln, aufbereiten, übersichtlich zusammenstellen und bei der Auswertung helfen. Dazu gehören Funktionen zur Sortierung und Filterung von Daten, ihre flexible Darstellung sowie Auswertungsmöglichkeiten wie Summen oder Durchschnittsberechnungen, Vergleiche etc. Weiter gehende Funktionen erlauben die Ausführung von Modellrechnungen (Szenarien, Prognosen) und die Verknüpfung der Daten mit Optimierungsalgorithmen.

Wichtig sind flexible Anpassung an sich ändernde inhaltliche und technische Gegebenheiten und wechselnde Fragestellungen flexible Änderung von Einstufungen der Relevanz von Informationen einfache Bedienbarkeit auch durch die Entscheidungsträger selbst

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Keine »Information« ist ein Datum, ausgenommen im Licht einer Hypothese. Selbst in einer normalen Unterhaltung zwischen zwei Personen bringt deshalb jeder Gesprächspartner etwas von sich ein, was den Prozeß des gegenseitigen Verstehens beeinflußt. Jeder hat mit anderen Worten eine Arbeitshypothese, wiederum einen Begriffsrahmen hinsichtlich dessen, wer der andere ist und worüber beide sprechen. Diese Hypothese dient als Prognose dafür, was der andere sagen wird und, noch wichtiger, was er mit dem auszudrücken beabsichtigt was er sagen wird.

Datum; Information; Hypothese; Kontext; Weizenbaum;

{weizenbaum-macht} 'Joseph Weizenbaum' (2003) : Die Macht der Computer und die Ohnmacht der Vernunft

Nun enthält jede Wissenschaft Aussagen a priori, Aussagen nämlich, deren Gültigkeit ohne Erfahrungskontrolle vorausgesetzt wird. Sie treten dort vor allem als /Konventionen/ auf, d.h. als (willkürliche) Festsetzungen, ebenso als /Grundprinzipien/, und damit sind beide der Nachprüfung entzogen; dasselbe gilt für /Definitionen/. Da diese Aprioris aufhebbar sind, spricht man bei Ihnen von einem /relativen Apriori/.

Wissenschaftstheorie; Philosophie; Erkenntnis; a priori; a posteriori; Erfahrung; Definition; Grundprinzip; Konvention;

{poser:wissenschaftstheorie} 'Hans Poser' (2001) : Wissenschaftstheorie

In seiner 1925 erschienenen Studie Magic, Science and Religion wies der Ethnologe Bronislaw Malinowski anhand von Material das er in der Südsee gesammelt hatte, nach, dass Gesellschaften nicht - wie man bis dahin geglaubt hatte - in einer evolutionären Rangfolge ausschließlich von magischem, religiösem oder wissenschaftlichem Denken bestimmt sind, sondern dass alle drei Formen in allen Gesellschaften vorkommen. "Wissenschaftlich" werden immer jene Bereiche behandelt, die der Mensch technisch beeinflussen kann, "magisch" jene die außerhalb seiner Wirkungsmacht stehen.

Malinowski definierte die Magie als übernatürliche, unpersönliche Macht in der Vorstellungswelt des Menschen, die all das bewegt und steuert was für ihn gleichzeitig wichtig und unkontrollierbar ist. Magie wird mit Ehrfurcht und Scheu ausgeführt, mit Verboten und ausgefeilten Benimmregeln gesichert.

Sie speist sich aus der Tradition, während die Wissenschaft aus der Erfahrung resultiert, von der Vernunft begleitet und durch Beobachtung korrigiert wird. Die Magie ist dagegen undurchdringbar für beides. Und während um die Magie Geheimnisse gemacht werden die durch Initiation weitergegeben werden ist die Wissenschaft offen für alle, ein gemeinfreies Gut. Wo die Wissenschaft sich nach Malinowski auf Erfahrung, Aufwand, und Vernunft stützt, kommt die Magie aus dem Glauben dass “die Hoffnung nicht trügen und der Wunsch niemals vergeblich sein könne”.

s.a.: Bronislaw Malinowski, Magic, Science and Religion, In: Magic, Science and Religion and Other Essays, Norwich: Fletcher and Son 1975 [1925]

Magie; Denken; Wissenschaft; Handlungskompetenz;

{Muehlbauer:Bewerbung}

Felder für magisches Denken öffnen sich auch durch vom Menschen gemachte aber trotzdem vom Individuum nicht kontrollierbare Entitäten wie "Markt" im allgemeinen und "Arbeitsmarkt" im besonderen. Walter Benjamin, Christoph Deutschmann und Thomas Frank wiesen auf die Wahrnehmung ökonomischer Begriffe als übernatürliche Mächte hin. Hesiod hatte diesen Effekt bereits im 7. Jahrhundert vor Christus erkannt und sprach z.B. davon dass auch ein Gerücht ein "Gott" sein könne.

Ein Beispiel für magisches Denken im 21. Jahrhundert ist die Entwicklung von Bewerbungsstandards: Vor dem Einsetzen der Massenarbeitslosigkeit Mitte der 1970er existierten nur eine Handvoll deutschsprachige Bewerbungsbücher, gekennzeichnet durch Broschürencharakter. Formalien wurden in ihnen auf wenigen Seiten abgehandelt, dabei fand man auch noch Zeit und Platz über den Sinn einer Handschriftenprobe zu diskutieren. Sonst enthielten die Bücher Tipps wie man an Informationen über die Firma kommt, bei der man sich bewirbt. 30 Jahre später gibt es eine unüberschaubare Flut von Neuerscheinungen auf dem Buchmarkt - von der Vielzahl der Bewerbungsanleitungen im Netz ganz abgesehen. Und während das Fotografenhandwerk allgemein stagnierte wurde die spezialisiere Bewerbungsbildfotografie- und retusche zum Wachstumsmarkt.

Magie; Denken; Wissenschaft; Handlungskompetenz;

{Muehlbauer:Bewerbung}

In der Einstiegsphase sollen grundsätzlich die sensorischen, kognitiven und motorischen Funktionen auf die Erreichung eines definierten Zielzustandes gerichtet und Intentionalität erzeugt werden. Im Rahmen der Lernfeldorientierung geschieht dies z.B. dadurch, dass ein Praxisproblem thematisiert wird. Das designbasierte didaktische Konzept zu dieser beispielhaften Lernsituation nimmt das Unterrichtselement Problemorientierter Einstieg auf.

Didaktik; Fachdidaktik; Subjektentwickklung; Kompetenzentwicklung; E-Learning; Joted; Designprozess; Einstiegsphase;

{diezemann2017designbasierte} 'Diezemann, Eckart and Schäfer, Markus' (2017) : Designbasierte Didaktik und Subjektentwicklung--theoretische Reflexion zum Unterrichtsprojekt KFZ4me. de

Aussagen, die angeben, daß etwas so und so ist, heißen deskriptiv oder faktisch; solche, die angeben, daß etwas sein soll oder allgemeiner, so und so zu bewerten ist, heißen normativ (oder präskriptiv).

Wissenschaftstheorie; Philosophie; Erkenntnis; deskriptiv; normativ;

{poser:wissenschaftstheorie} 'Hans Poser' (2001) : Wissenschaftstheorie