Semantic Personal Knowledge Management

Transkript

1 UNIVERSITÄT LEIPZIG Fakultät für Mathematik und Informatik Institut für Informatik Semantic Personal Knowledge Management Anforderungsanalyse, Spezifikation und Implementierung der Grundlagen für die Integration von PKM in OntoWiki Diplomarbeit Leipzig, Februar 2008 vorgelegt von Haschke, Michael geb. am: Studiengang Informatik

2 Zusammenfassung Das Semantic Web ist eine Erweiterung der bisherigen Infrastruktur des Webs um eine semantische Schicht. Personal Knowledge Management (PKM) stellt ein über Ziele definiertes System zur Organisation persönlich wichtiger Informations- und Wissenseinheiten dar. Beides kann miteinander angewendet werden. Diese Arbeit analysiert die Anforderungen und derzeitige Grundlagen für ein persönliches Wissensmanagement basierend auf Technologien des Semantic Web. Weiter wird die Integration von PKM in OntoWiki, einer agilen, wiki-ähnlichen Semantic Web-Applikation, spezifiziert und implementiert. Stichworte: Semantic Web, Personal Knowledge Management (PKM), Personal Information Management (PIM), OntoWiki

3 INHALTSVERZEICHNIS ii Inhaltsverzeichnis 1 Einleitung Motivation Ziele Aufbau Grundlagen Semantic Web Personal Knowledge Management Heuristiken für Bedienbarkeit Anforderungen Usecases Personal Information Management Domänenspezifische Wissensbasen Informationsorganisation über Tags Aggregation von PKM-Inhalten Netzwerke und Vertrauen Synchronisation und Replikation Kommentare und Wertungen Ableitungen Reasoner Regeln Bedienbarkeit Technische Voraussetzungen Erweiterbarkeit und Anpassung Templates Plugins Schnittstellen Zusammenfassung und Wertung

4 INHALTSVERZEICHNIS iii 4 Stand der Dinge Ontologien für Personal Knowledge Management Werkzeuge Spezifikation Architektur OntoWiki als Erfurt-Applikation Plugin- und Ereignissystem Möglichkeiten für PKM-Integration in OntoWiki Basisontologie für Personal Information Management Ereignisse Verteilung von Ereignissen Ereignisverzeichnis Plugins Pluginmanager Ausführen von Pluginfunktionalität Benutzeroberfläche Fensterelemente Aufbau der Oberfläche Unterstützung durch Templates PKM-Integration in OntoWiki Implementierung PIM-Basisontologie Integration von Ereignissen und Plugins Klassenarchitektur Ereignisse und Ereignisverteiler Plugins und Pluginmanager Templates

5 INHALTSVERZEICHNIS iv Layout Framework Pluginpaket für PKM-Integration Zusammenfassung 94 Literatur 97

6 1 EINLEITUNG 1 1 Einleitung Das Thema dieser Arbeit leitet sich aus zwei unterschiedlichen Gebieten der Forschung und Entwicklung ab, welche sich beide mit der Organisation und Vernetzung von Daten, Information und Wissen beschäftigen. Das Semantic Web ist eine Erweiterung der bisherigen Infrastruktur des Webs um eine semantische Schicht. Personal Knowledge Management (PKM) stellt ein über Ziele definiertes System zur Organisation persönlich wichtiger Informations- und Wissenseinheiten dar. Beides kann miteinander angewendet werden. Diese Arbeit analysiert die Anforderungen und derzeitige Grundlagen für ein persönliches Wissensmanagement basierend auf Technologien des Semantic Web. Weiter wird die Integration von PKM in OntoWiki, einer agilen, wiki-ähnlichen Semantic Web-Applikation, spezifiziert und abschließend implementiert. 1.1 Motivation Persönliches Wissensmanagement hat eine sehr lange Tradition, auch wenn es abseits der philosophischen Betrachtung von Wissen sehr lange nicht wissenschaftlich spezifiziert wurde. Höhlenmalereien von Geländekarten können als Organisation und Management von Wissen über lokale geographische Begebenheiten interpretiert werden. Ebenso blicken Notizbücher auf eine sehr lange Tradition zurück. Inzwischen leben wir in einer Informations- und Wissensgesellschaft, in welcher Strategien für Wissensmanagement für den persönlichen Alltag immer wichtiger werden. Wissenschaftlich wurde das Thema Wissensmanagement zuerst in sehr umfangreichen Zusammenhängen innerhalb von Organisationen wie Wirtschaftsunternehmen diskutiert und erforscht. Das Ziel war die Speicherung des Wissens eines Unternehmens, um permanent auf diese spezielle Form des Kapitals zurückgreifen zu können und Entscheidungen aufgrund des kollektiv vorhandenen Wissens zu treffen. Sehr viel später wurde realisiert, dass Wissensmanagement immer den sozialen Kontext seiner Umgebung beachten muss und nicht alles vorhandene Wissen generalisiert und formalisiert werden kann. Es war zudem sehr schwer, die einzelnen Mitarbeiter zur formalisierten Weitergabe ihres Wissens zu motivieren, ohne dass diese einen persönlichen Vorteil für ihre tägliche Arbeit erkennen konnten. Erst Ende des 20. Jahrhundert wurden Heuristiken zur Beurteilung und Planung von Systemen für persönliches Wissensmanagement entwickelt. Bisher funktionieren diese System nur über eine Vielzahl von unterschiedlichen Werkzeugen, welche oft nicht interoperabel miteinander eingesetzt werden können. Dies erschwert auch eine Wiederverwendung von vorhandenen Daten. Dadurch wird persönliches Wissensmanagement sehr kompliziert, auch weil der Lebenszyklus von bestimmten Applikationen oder Art der Speichermedien immer kürzer wird. Eine Lösung des Problems der Interoperabilität bieten die Konzepte und Ideen des Semantic Web. Durch Hinzufügen einer semantischen Schicht ist die Interoperabilität nicht mehr von Applikationen

7 1 EINLEITUNG 2 abhängig, sondern kann auf der Datenebene realisiert werden. Ein sehr wichtiger Punkt ist hierbei, dass Maschinen semantisch annotierte Daten direkt interpretieren können und nicht erst die Bedeutung dieser Daten erraten müssten. Daraus ergeben sich Vorteile bei der Überprüfung auf Inkonsistenzen innerhalb der gespeicherter Informationen sowie die Möglichkeit, Informationen abzuleiten oder Regeln anzuwenden. Dies sind genau die Eigenschaften, welche auch ein PKM-Werkzeug besitzen sollte, um neue Daten leichter zu integrieren und vorhande Daten in unterschiedlichen Kontexten darstellen zu können. Ein einfaches Beispiel hierfür ist die Darstellung verschiedener Informationen über Projekte, Kontobewegungen oder Geburtstage von Freunden innerhalb eines Kalenders. Dies ist bisher nicht möglich, obwohl alle diese Informationen auch Beschreibungen von Zeitpunkten beinhalten. 1.2 Ziele Das Ziel dieser Arbeit ist eine sinnvolle und anwendbare Demonstration von Semantic Web- Technologien für persönliches Wissensmanagement, ohne dass der Nutzer 1 des PKM-Werkzeugs über diese Technologien tiefergehendes Wissen besitzen muss. Praktisch resuliert daraus die prototypische Implementierung einer PKM-Integration in OntoWiki. Voraussetzungen dafür sind die Teilziele, persönliches Wissensmanagement im Kontext des Semantic Webs zu analysieren, Anforderungen an ein semantisches PKM-Werkzeug zu formulieren und die technischen Grundlagen für eine Implementierung in eine bestehende Semantic Web-Applikation zu spezifizieren. Der Aufbau der Arbeit ist an diesen Zielen ausgerichtet. 1.3 Aufbau In Kapitel 2 werden die Grundlagen des Semantic Web und des persönlichen Wissensmanagements dargelegt. Ferner wird der Begriff des Personal Information Management (PIM) für diese Arbeit definiert und Heuristiken zur Bedienbarkeit von Benutzeroberflächen vorgestellt. Usecases für semantisches PKM und die sich daraus ableitbaren Anforderungen an eine semantisches PKM-Werkezeug werden in Kapitel 3 beschrieben. Die Spezifikationen der technischen Grundlagen für eine PKM-Integration in eine bestehende Semantic Web-Applikation wird in Kapitel 5 vorgenommen und die erfolgte Implementierung im darauf folgendem Kapitel erläutert. Abschließend wird in Kapitel 7 die vorliegende Arbeit mit ihren Ergebnissen zusammengefasst und im Kontext von PKM, Bedienbarkeit und der OntoWiki-Entwicklung evaluiert. 1 Für eine bessere Lesbarkeit wird bei der Verwendung der Einzahl durchgängig die männliche Form verwendet, dies ist trotzdem geschlechtsneutral zu werten.

8 2 GRUNDLAGEN 3 2 Grundlagen In diesem Kapitel sollen die Grundlagen für die vorliegende Arbeit vorgestellt werden. Der erste Teil beschreibt die Ideen, Konzepte, Eigenschaften und Methoden des Semantic Web. Danach folgt ein Überblick über Wissen, Personal Knowledge Management (PKM) und Personal Information Management (PIM) sowie Erläuterungen, wie die Begriffe PKM und PIM innerhalb dieser Arbeit verstanden werden. Aufgrund des Themas über die Spezifikation und Implementierung eines persönlichen Werkzeugs werden abschließend Heuristiken für die Benutzbarkeit von Nutzeroberflächen vorgestellt. 2.1 Semantic Web Most of the Web s content today is designed for humans to read, not for computer programs to manipulate meaningfully. [...] The Semantic Web is not a separate Web but an extension of the current one, in which information is given well-defined meaning, better enabling computers and people to work in cooperation. Berners-Lee et al. [2001] Abbildung 1: Semantic Web-Schichtenmodell (Berners-Lee et al. [2006], S. 23) Das World Wide Web (das traditionelle Web), 1990 entstanden aus einem Vernetzungsprojekt am CERN (Conseil Européen pour la Recherche Nucléaire), besteht aus der Gesamtheit aller über

9 2 GRUNDLAGEN 4 das Internet zugänglichen Informationen. Es basiert auf Software, Protokollen und Konventionen, ist leicht zu erkunden und durch neue Dokumente zu erweitern. Allerdings können nur komplette Dokumente ausgetauscht und über Links miteinander verbunden werden. Zudem sind die Inhalte nur durch Menschen erfassbar. Da die die Anzahl der Dokumente im Web rapide wächst, müssen diese durch Maschinen interpretiert werden können und konkrete Inhalte nicht nur über anderweitige Erschließung (z.b. klassisches Information Retrieval) erraten werden können. Das Ziel des Semantic Web ist es, ein universelles Medium für den Datenaustausch zu schaffen, indem das World Wide Web um eine semantische Schicht erweitert wird. Resource Description Framework Das Semantic Web stellt mit dem Resource Description Framework (RDF, Lassila and Swick [1999]) ein allgemeines Framework zur Verfügung, um Daten über Grenzen von Applikationen und sozialen Gruppen hinaus verfügbar und austauschbar zu machen. RDF befindet sich auf der dritten Ebene im Semantic Web-Schichtenmodell (siehe Abbildung 1). Es baut dabei auf den Standards von Unicode Zeichensatz, dem Uniform Resource Identifier 2 (URI) und der darauf liegenden Schicht der extensible Markup Language (XML) und deren Schemabeschreibung XML-Schema auf. XML ermöglicht eine genauere Strukturierung von Dokumenten, ohne die Bedeutung der Struktur zu erklären. Mit RDF können Ressourcen im Web mit Metadaten beschrieben werden. Dies können beispielsweise Titel, Autor oder Änderungsdatum einer Webseite sein. Die Konzepte des RDF sind die Darstellung der Daten als Graph, ein URI-basiertes Vokabular, Literale und Datentypen, Serialisierung in XML, einfache Aussagen und semantische Folgerungen. Die Graphen bestehen aus einfachen Aussagen in Form von Tripeln, welche über Subjekt, Prädikat und Objekt beschrieben werden [Klyne and Carroll, 2004]: ein Subjekt besteht aus einer Ressource oder einem Blank Node (namenslose Ressource) ein Prädikat besteht aus einer (Eigenschafts-) Ressource ein Objekt besteht aus einer Ressource, einem Blank Node oder einem Literal. Subjekte und Objekte werden im Graphen durch Knoten repräsentiert, Prädikate durch Kanten, wobei diese immer von Subjekt nach Objekt gerichtet sind. Abbildung 2 zeigt ein Beispiel für einen einfachen RDF-Graphen, welcher ein Webdokument über Titel und Redakteur (editor) beschreibt. Ressourcen werden über URIs referenziert oder sind namenlos (Blank Nodes). Literale sind untypisiert oder werden über einen Teil Datentypen aus XML-Schema in ihrem Typ definiert. Untypisierte Literale können zusätzlich durch ein Sprachattribut beschrieben werden. 2 inzwischen ist URI durch International Resource Identifier (IRI) ergänzt wurden [Dürst and Suignard, 2005]

10 2 GRUNDLAGEN 5 Abbildung 2: RDF-Graph mit Ressourcen, Eigenschaften und Blank-Node (Beckett [2004], Beispiel 3) Während die Graphdarstellung für menschliche Leser gut geeignet ist, muss diese für den Austausch von Graphen zwischen Maschinen zuerst serialisiert werden. Dazu ist in RDF die Serialisierung über RDF/XML [Beckett, 2004] vorgesehen. Es gibt weitere Serialisierungen wie N3 [Berners-Lee and Connolly, 2008] oder Turtle [Beckett and Berners-Lee, 2008], welche für den Menschen einfacher zu lesen sind als RDF/XML. RDF-Schema Über Eigenschaften (Prädikate) werden Beziehungen zwischen jeweils zwei Ressourcen repräsentiert. RDF-Schema (RDF(S), Brickley and Guha [2004]) ist eine Erweiterung für RDF, die bestimmte Klassen und Eigenschaften definiert, welche zur Beschreibung von Klassen, Eigenschaften und anderen Ressourcen in RDF genutzt werden können. Mit RDF(S) lassen sich Gruppen zusammenhängender Ressourcen und die Beziehung zwischen diesen Ressourcen ausdrücken. Erst dadurch lassen sich in RDF formulierte Aussagen durch Maschinen interpretieren. Alle Ressourcen, und somit alle in RDF beschriebenen Dinge, sind Instanzen der Klasse rdfs:resource. Ressourcen, welche Klassen beschreiben, können über rdfs:class definiert werden, analog dazu gibt es rdf:property für Eigenschaftsressourcen. Instanzen von Klassen werden über rdf:type definiert. Literale sind Instanzen der Klasse rdfs:literal oder der Subklasse rdfs:datatype für typisierte Literale. Durch die Eigenschaften rdfs:subclassof und rdfs:subpropertyof können Hierarchien für Ressourcen beschrieben werden. Weiterhin erlaubt RDF(S) die Definition von Geltungs- und Wertebereichen von Eigenschaften über rdfs:domain und rdfs:range. RDF(S) bietet Möglichkeiten für Kollektionen durch rdfs:container und Reifikation über rdf:statement. Auch rdfs:seealso und rdfs:isdefinedby, um auf weitere Beschreibungen oder Definitionen der aktuellen Ressource zu verweisen, sind in RDF(S) definiert.

11 2 GRUNDLAGEN 6 Beschreibungssprachen für Ontologien Ontologien sind die zentralen Bausteine des Semantic Web (siehe Abbildung 1) und beschreiben Konzepte und ihre Beziehungen innerhalb einer Wissensdomäne. Der Ontologie-Begriff im Kontext des Semantic Web unterscheidet sich von der philosophischen Definition. In der Philosophie ist eine Ontologie die Theorie über die Beschaffenheit der Existenz, während eine Ontologie im Bereich der Künstlichen Intelligenz (KI) als ein Dokument aufgefasst wird, welches Relationen unter Begriffen formal definiert [Berners-Lee et al., 2001]. Im Kontext der Wissensteilung und Wissenswiederverwendung und dies sind auch Ziele des Semantic Web hat Gruber [1993] eine Ontologie als explizite Spezifikation einer Konzeptualisierung definiert, was in der Semantic Web-Community auf breitesten Konsens stößt [Blumauer and Pellegrini, 2006]. Anstatt dass Inhalte durch Applikationen und Maschinen nur angezeigt werden können und der Mensch die Aufgabe der Vernetzung dieser Informationen übernehmen muss, können Ontologien Maschinen bei der Interpretation von Inhalten unterstützen. Die Web Ontology Language (OWL, Patel-Schneider et al. [2004]) ist die empfohlene Sprache für Ontologien im Semantic Web. OWL baut auf den unterliegenden Schichten wie RDF(S) auf und bietet eine formale Semantik, wie aus der Beschreibung von Klassen, Eigenschaften und deren Instanzen logische Konsequenzen abzuleiten sind. Dabei können Ontologien über verschiedene Dokumente verteilt sein, welche kombiniert werden können. OWL besitzt mit OWL-Lite, OWL-DL und OWL-Full drei aufeinander aufbauende Untersprachen, welche in ihrer Ausdruckskraft und zugelassenen Ableitungen jeweils komplexer werden. OWL-Lite hat das Ziel, einfache Taxonomien in OWL auszudrücken. Mit OWL-DL kann äquivalent beschrieben beschrieben werden, was zum Zeitpunkt der Spezifikation mit bestimmten Beschreibungslogiken (bspw. SHOIN (D)) ausdrückbar war. OWL-Full besitzt die maximale Menge an Ausdrucksmöglichkeiten, wird aber dadurch eventuell unentscheidbar für logische Beweissysteme. Wichtig ist, dass in OWL-Lite und -DL im Gegensatz zu RDF(S) genau zwischen Instanzen als Individuen und Klassen als Menge von Individuen unterschieden wird. In OWL können mit owl:class Klassen definiert und mit rdfs:subclassof in Hierarchien geordnet werden. Zusätzlich können Äquivalenzen zwischen Klassen über owl:equivalentclass definiert und Schnittmengen von Klassen (owl:intersectionof) gebildet werden. Mit owl:thing, als Gesamtmenge aller Instanzen und Superklasse aller Klassen, und owl:nothing, als leere Menge beziehungsweise leeres Konzept, gibt es in OWL zwei vordefinierte Klassen. Für Eigenschaften erweitert OWL die Möglichkeiten der Beschreibung, indem zwischen owl:objectproperty mit Instanzen als Belegung und owl:datatypeproperty für Literale unterschieden werden kann. Literale können über eine Teilmenge der Datentypen aus XML-Schema und eigene Datentypen genauer definiert werden. Außerdem können Eigenschaften als symmetrisch (owl:symmetricproperty), transitiv (owl:transitiveproperty), funktional (owl:functionalproperty, eindeutig für eine

12 2 GRUNDLAGEN 7 Instanz) und invers funktional (owl:inversefunctionalproperty, eindeutig für alle Instanzen) beschrieben werden. Zwei Eigenschaften können zueinander als owl:inverseof definiert werden und Individuen-Ressourcen sind in OWL mit owl:sameas beziehungsweise owl:differentfrom explizit als gleich oder ungleich beschreibbar. OWL führt zudem über owl:restriction und owl:onproperty lokale Einschränkungen von Eigenschaften bei Klassen ein, welche auch nur im Kontext der jeweiligen Klassen gültig sind. Dies wird dadurch erreicht, dass diese Klassen als Unterklasse der speziellen Restriktionsklasse definiert werden. Eigenschaften können über Kardinalitätsangaben oder ihren Wertebereich eingeschränkt werden. Kardinalitäten werden über owl:mincardinality (minimale Anzahl), owl:maxcardinality (maximale Anzahl) und owl:cardinality (genaue Anzahl) beschrieben, in OWL-Lite sind allerdings nur Angaben von 0 oder 1 erlaubt. Über Kardinalitäten ist beispielsweise die Klasse der kinderlosen Lebensgemeinschaften mit doppelten Einkommen beschreibbar (ab OWL-DL). Der Wertebereich wird über owl:allvaluesfrom oder owl:somevaluesfrom eingeschränkt. Diese Angaben können von Reasonern verwendet werden, um auf Klassenzugehörigkeit von Instanzen zu schließen, welche über eine in dieser Weise eingeschränkte Eigenschaft in Beziehung stehen. OWL-DL und -Full erweitern OWL-Lite um einige Möglichkeiten zur Beschreibung der Wissensbasis, indem sie für vorhandene Terme zusätzliche Angaben erlauben, z.b. Kardinalitätseinschränkungen nicht auf 0 oder 1 begrenzen, und neue Sprachelemente einführen. In OWL-DL werden beispielsweise Beschreibungen für Enumerationen (über owl:oneof), beliebige boolsche Kombinationen von Klassen (z.b. owl:unionof) und die Definition von komplexen Klassen eingeführt. OWL-Full läßt darüber hinaus alle über RDF(S) gegebenen Möglichkeiten zu, beispielsweise Reifikation. OWL und Beschreibungslogik Um Reasoning in Ontologien zu ermöglichen, ist die OWL-Syntax interoperabel mit Beschreibungslogik-Syntax. OWL-DL (1.0) stimmt mit der Beschreibungslogik SHOIN (D) überein (siehe ab Seite 7). In Tabelle 1 werden einige Ausdrücke aus OWL und ihre Entsprechungen in Syntax der Beschreibungslogik gegenüber gestellt [Eiter et al., 2006]. Zusammengefasst sind Ontologie ein zentraler Bestandteil des Semantic Web. Mit OWL steht eine komplexe Beschreibungssprache für Ontologien zur Verfügung, welche durch Maschinen interpretierbar ist. Ontologien können verteilt sein, sind kombinierbar (owl:import) und erlauben aufgrund ihrer möglichen Abbildung auf Beschreibungslogiken (z.b. SHOIN (D) für OWL-DL) das Ziehen von Schlußfolgerungen. Reasoner und Regeln Reasoning bedeutet das Ziehen von vernünftigen und begründeten Schlüssen aus Fakten und ist somit eine unverzichtbare Grundlage des Semantic Web, da man vorhandene Informationen (Daten annotiert

13 2 GRUNDLAGEN 8 OWL-Syntax DL-Syntax Eigenschaftsaxiome P rdfs:domain C P.C P rdfs:range C P owl:inverseof P 0 P rdf:type owl:symmetricproperty P rdf:type owl:functionalproperty P rdf:type owl:inversefunctionalproperty P rdf:type owl:transitiveproperty P.C P P 0 P P 1P 1P P + P Komplexe Klassen owl:thing owl:nothing owl:intersectionof (C 1... C n) (C 1... C n) owl:unionof (C 1... C n) (C 1... C n) owl:complementof (C) C owl:oneof (o 1... o n) {o 1... o n} owl:restriction (P owl:somevaluesfrom (C)) P.C owl:restriction (P owl:allvaluesfrom (C)) P.C owl:restriction (P owl:value (o)) P.{o} owl:restriction (P owl:mincardinality (n)) np owl:restriction (P owl:maxcardinality (n)) np Tabelle 1: OWL-Syntax und ihre Entsprechungen in Beschreibungslogik (DL) mit Semantik, siehe Kapitel 2.2) nutzen möchte. Reasoning bewegt sich logisch auf diesen Informationen. Somit ist Reasoning im Wesentlichen vom Nutzer wiedererkannter, gesunder Menschenverstand Verstehen und Nutzen semantischer Daten [May, 2006]. Reasoning kann im Semantic Web schrittweise in den bekannten Grenzen der Entscheidbarkeit und Komplexität eingesetzt werden, da OWL Lite, OWL-DL und OWL Full unterschiedliche Entscheidbarkeiten und Komplexitäten besitzen. Somit bieten und verlangen sie aufsteigende Reasoning-Fähigkeiten, da diese Beschreibungssprachen nicht nur Metadaten zu Daten beschreiben, sondern diese Beschreibungen in einer Form vorliegen, welche logische Konsequenzen hat. Eine Logik heißt entscheidbar, wenn es einen Algorithmus gibt, der für jede endliche Theorie und jede Formel in endlicher Zeit entscheidet, ob diese Formel eine logische Konsequenz der Theorie ist. Die Komplexität gibt an, wie teuer der Prozess der Lösung im Verhältnis zur Größe des Problems ist. Detaillierte Ergebnisse über Entscheidbarkeit und Komplexität lieferte die Forschung auf dem Gebiet der Künstlichen Intelligenz. Reasoning wird durch die Verwendung formaler Systeme bedingt. Prädikatenlogik ab drei Variablen ist nicht mehr entscheidbar und somit gibt es auch kein Reasoningsystem, welches gegebene Sachverhalte anhand Prädikatenlogik überprüft. Reasoning-Mechanismen sind: Abschlussregeln

14 2 GRUNDLAGEN 9 Monotones und nichtmonotones Schließen Logische Regeln Vererbungen und Defaults Theorie und disjunktiven Wissen Tableau-Beweisverfahren Closed-World und Open-World Konzeptinformationen in der T Box sind nicht nur Integritätsbedingungen analog eines Datenbankschemas, sondern werden auch zum direkten Reasoning genutzt. So bedeutet das Konzept V ater(x) hatkind(x) in der T Box und die Instanz V ater(f rank) in der ABox, dass auf die Frage welche Individuen haben Kinder F rank in der Antwort enthalten ist, obwohl kein explizites Wissen über ein Kind vorhanden ist. Die in der ABox gegebenen Fakten werden im DL-Reasoning als sicheres Wissen und nicht wie im Datenbank-Kontext als komplettes Wissen (und somit auch Nichtwissen) interpretiert. So würde in diesem Beispiel die Frage hat Frank einen Sohn (hatkind.männlich) durch eine Datenbank verneint werden. Dies wird als Closed-World-Assumption (Geschlossene-Welt-Annahme) bezeichnet. Ein DL-Sytem würde auf diese Frage antworten, dass es die Antwort nicht weiss, da zwar in der ABox keine Kinder von Frank verzeichnet sind, Frank aber welche haben könnte. Dies wird als Open-World-Assumption (Offene-Welt-Annahme) bezeichnet. Im Semantic Web werden beide Sichtweisen benötigt. Reasoning mit OWL Entscheidbares Reasoning ist nur in OWL-Lite und OWL-DL möglich. OWL- Full enthält wieder die kompletten Möglichkeiten von RDF(S) und erlaubt somit Reifikation. Durch die Möglichkeit, Klassen und Aussagen als Objekte zu betrachten, ist RDF, RDF(S) und somit auch OWL-Full eventuell nicht entscheidbar. Die Grundlage für OWL bildet die Beschreibungslogik ALC R + (kurz S). Zusätzlich dürfen Rollen hierarchisch geordnet (H) und invers (I) sein, und qualifizierte Kardinalitäten (Q) auf nicht-transistive Rollen angewendet werden. Dies wird zusammen als SHIQ(D) bezeichnet, wobei OWL-Lite in seiner Ausdruckskraft der Abschwächung SHIF(D), entspricht, da nur Kardinalitäten von 0, 1 oder beliebig zulässig sind. Innerhalb dieser Logiken ist Reasoning in EXPTIME möglich. OWL-DL ist ausdrucksstärker, liegt in SHOIN (D) und ist in NEXPTIME entscheidbar. Die Erweiterung OWL 1.1 [Motik et al., 2007] entspricht SROIQ(D), welches auch durch Reasoner unterstützt wird [Sirin et al., 2007]. Reasoning kann unterschiedlich genutzt werden, häufige Formen sind beispielsweise deduktives Reasoning und induktives Reasoning. Deduktives Reasoning bedeutet, aus expliziten Fakten implizites Wissen zu schließen. Induktives Reasoning wird für das Lernen neuer Konzepte anhand vorhandener Fakten angewandt, indem positive und negative Beispiele (in Form von Instanzen) für das zu lernende

15 2 GRUNDLAGEN 10 Konzept angegeben werden. Weitere konkrete Aufgaben für Reasoning sind zum Beispiel die Analyse und Korrektur von Ontologien, inklusive der Kontrolle, ob die Ontologie in RDF(S), OWL-Lite, -DL oder -Full vorliegt. Außerdem ist das Schließen auf Datentypen für Eigenschaften wichtig, besonders wenn die Erfüllbarkeit bei Konjuktion komplexer Datentypen geprüft wird. Des Weiteren gehören semantische Folgerungen und Anfragen an die ABox zu den Aufgaben eines Reasoners, außerdem ist inzwischen regelbasiertes Reasoning (die Ontologie wird über Regeln erweitert) und nichtmonotones Schließen für Closed-World-Annahmen möglich [Sirin et al., 2007]. Für OWL existieren mehrere Reasoner, welche effektive Algorithmen für praktische Probleme anbieten, zum Beispiel FaCT bzw. FaCT++ [Tsarkov and Horrocks, 2006] und Pellet [Sirin and Parsia, 2004]. Beide Reasoner arbeiten intern mit Tableau-Beweisverfahren. Regeln Ontologien können mit Regeln ergänzt werden, um Aussagen zu treffen, die nicht über die Terminologie der Ontologie definierbar sind. Generell können Regeln Einschränkungen, neue Daten aus impliziten Wissen, Datentransformationen, Datenaktualisierungen und ereignisgesteuerte Aktionen spezifizieren. Regeln können in drei Kategorien aufgeteilt werden: Ableitungsregeln (deduction rules), Normen (normative rules) und Reaktionsregeln (reactive rules). Ableitungsregeln legen fest, wie neues Wissen mit logischen Folgerungen aus anderen Wissen hergeleitet wird. Sie beschreiben Abhängigkeiten zwischen Entitäten, welche genutzt werden können, um implizites Wissen aus expliziten Fakten der Wissensbasis zu folgern. Oft folgen dieser Regeln der Form head body, wobei head die zu folgernden Daten spezifiziert und body die dafür verwendeten Fakten definiert. Ein Beispiel für Ableitungsregeln ist die Folgerung, dass Personen über 21 Jahre (body) als voll geschäftsfähige Erwachsene (head) gelten. Normen sind Regeln, welche Einschränkungen für die Daten in der Wissensbasis oder für die damit zusammenhängende Applikationslogik angeben. Durch diese Regeln sollen primär Inkonsistenzen in Wissensbasen verhindert und nicht implizites Wisses gefolgert werden. Ein Beispiel ist die Eindeutigkeit von Personalausweisnummern, denn keine Person mit Personalausweis darf zwei unterschiedliche Nummern besitzen. Über Reaktionsregeln läßt sich eine Verhaltensweise beschreiben, wenn bestimmte Ereignisse eintreten beziehungsweise Bedingungen wahr werden. Ereignisse sind Zustandsänderungen und Reaktionsregeln spezifizieren weitere Änderungen, welche als Reaktion auf das Ereignis eintreten. Diese Regeln haben normalerweise die Gestalt von Ereignis-Bedingung-Aktion (Event-Condition-Action, ECA). In einigen Fällen werden Normen auch über Ableitungsregeln oder Reaktionsregeln beschrieben. [Boley et al., 2007] Regeln im Semantic Web Regeln sind ein wichtiger Bestandteil der Semantic Web-Architektur und befinden sich in einer Schicht mit OWL (siehe Abbildung 1, Seite 3). OWL selber sieht keine Regeln im allgemeinen Sinn vor, da diese Variablen benötigen. Die Semantic Web Rule Language (SWRL, [Horrocks et al., 2004]) kombiniert OWL-Lite und OWL-DL mit dem Datalog-Anteil der

16 2 GRUNDLAGEN 11 Rule Markup Language (RuleML 3 ) und beinhalten eine abstrakte Syntax für Hornregeln. Zudem beschreibt SWRL weitergehende Möglichkeiten als owl:sameclassas, owl:samepropertyas, owl:sameas, rdfs:subclassof und rdfs:subpropertyof, um Beziehungen zwischen Klassen unterschiedlicher Ontologien zu definieren. Beispielsweise können Ontologien (bzw. Eigenschaften von Klassen) über arithmetische Umwandlungen und Berechnungen zwischeneinander übersetzt werden, z.b. Längeneingenschaften in unterschiedlichen Maßeinheiten oder Zeitfenster mit Start- und Endzeit. Weitere Beispiele für den Einsatz von SWRL sind die Möglichkeiten zur Erweiterung der Repräsentation von Daten, Übertragung der Bedeutung von Axiomen, Angleichung von Datensätzen und Überwachen von Ereignissen [Dean, 2004]. Allerdings kann in OWL kombiniert mit SWRL keine schwache Negation (default negation 4 ) repräsentiert werden, zudem wird OWL durch Hinzufügen von Regeln unentscheidbar. SWRL dient als eine Grundlage für aktuelle Entwicklungen der Rule Interchange Format (RIF)- Arbeitsgruppe des W3C. Eine Zusammenfassung über den derzeitigen Stand und einen Ausblick auf zukünftige Arbeiten findet sich bei Boley et al. [2007]. Anfragesprachen Prinzipiell könnte ein Beweissystem prüfen, ob ein Graph (minimal ein Tripel) aus einem gegebenen Dokument ableitbar ist. Allerdings können in RDF und OWL viele mögliche Anfragen nicht ausgedrückt werden, in RDF könnten nur sehr einfache Fragen gestellt werden. Zudem soll auch Formatierung und Nachbearbeitung der Resultate über die Anfrage ausgedrückt, in einer Wissensbasis nur innerhalb einer bestimmten Menge von vorhandenen Instanzen gesucht oder Filter verwendet werden können. Die in RDF(S), OWL und Regeln (siehe ab Seite 7) beschriebenen Ontologien und darin gespeicherten Daten und Informationen können über Anfragesprachen durchsucht und Ressourcen, Literale und Subgraphen aus bestehenden RDF-Modellen extrahiert werden. Meist wird dabei nicht auf Serialisierungen von RDF-Graphen gearbeitet, sondern als Basis das abstrakte Modell genutzt. Inzwischen gibt es verschiedene Anfragesprachen für RDF, welche sich meist an einer SQL/OQL 5 - Syntax orientieren und Formulierungen von Suchanfragen einfach gestalten sollen, Beispiele sind RQL [Karvounarakis et al., 2002] oder RDQL [Seaborne, 2004]. Aufgrund der Komplexität von OWL gegenüber von RDF, gibt es auch die Möglichkeit von konjunktiven Anfragen an Ontologien in OWL. An dieser Stelle soll nur SPARQL vorgestellt werden nota ist wahr, wenn A nicht ableitbar ist (zum Vergleich klassische bzw. starke Negation: A ist wahr, wenn A ableitbar ist) 5 Structured Query Language / Object Query Language

17 2 GRUNDLAGEN 12 SPARQL Die SPARQL Protocol and RDF Query Language (SPARQL) besteht aus zwei Spezifikationen, welche beide seit Januar 2008 offizielle Empfehlungen des W3C sind: SPARQL Protocol for RDF [Clark et al., 2008] und SPARQL Query Language for RDF [Prud hommeaux and Seaborne, 2008]. Das Protokoll beschreibt in WSDL 2.0 6, wie SPARQL-Anfragen an einen Anfragenprozessor (SPARQL-Endpoint) geschickt und die Resultate zurückgegeben werden sollen. SPARQL Query Language for RDF definiert die Syntax und Semantik der Anfragesprache. Die Syntax ist ähnlich zu SQL und Turtle. Mit SPARQL ist es möglich, Anfragen an ein oder mehrere RDF-Modelle zu stellen. Die meisten SPARQL-Anfragen beginnen oft mit einer Definition von Präfixen für genutzte Namensräume und enthalten in der WHERE-Abfrage eine Menge von Tripelmustern, welche Basic Graph Pattern genannt werden. Diese Muster sind ähnlich zu RDF-Tripeln, nur dass für Subjekt, Prädikat und Objekt Variablen eingesetzt werden können. Zudem Existieren noch Angaben zum Ergebnisformat. Ein Beispiel für eine einfache Anfrage an ein FOAF-RDF (Friend Of A Friend, siehe Seite 42) in Listing 1 zu sehen, welche als Ergebnis Name, Mailbox und Alter aller vorhandener Instanzen hat, zu denen diese Eigenschaften vollständig angegeben sind. PREFIX foaf: {< SELECT DISTINCT?name?mbox?age WHERE {?x foaf:name?name.?x foaf:mbox?mbox.?x foaf:age?age } Listing 1: Einfache Anfrage an ein FOAF-Modell Es werden vier Typen einer Anfrage unterstützt: SELECT, CONSTRUCT, DESCRIBE und ASK. Bei SELECT werden Werte für die vorhandenen Variablen zurückgegeben. Mit CONSTRUCT kann über Angabe einer Tripel-Schablone ein RDF-Graph erzeugt werden. Beschreibungen von Ressourcen und Variablen als Graph werden mit DESCRIBE erfragt und ASK gibt einen booleschen Wert zurück, ob der abgefragte Pattern Ergebnisse hat oder nicht. Die Ergebnismenge des Basic Graph Patterns ergibt sich aus der Schnittmenge der Lösungen jedes einzelnen enthaltenen Triplemusters. Einschränkungen der Lösungsmenge werden über die Definition von Bedingungen erreicht, beispielsweise FILTER (?age<31) innerhalb der WHERE-Anfrage. Durch die Kombination von Basic Graph Patterns werden komplexere Muster (Group Graph Pattern) erzeugt. Über optionale Treffer können auch Tripel in die Ereignismenge einbezogen werden, für die keine Eigensschaften der optional angefragten Variablen besitzen. Das obige Beispiel kann insofern erweitert werden, dass alle Instanzen mit Name, Alter und optional ihrer Mailbox in der Ergebnismenge der Anfrage enthalten sind (Listing 2). Alternative Muster (Alternative Pattern) können über den UNION-Operator in die Suche einbezogen 6 Web Services Description Language (WSDL) Version 2.0

18 2 GRUNDLAGEN 13 PREFIX foaf: < SELECT?name?mbox?age WHERE {{?x foaf:name?name.?x foaf:age?age } OPTIONAL {?x foaf:mbox?mbox }} Listing 2: SPARQL-Anfrage für optionale Treffer werden, wodurch die Ergebnismengen der unterschiedlichen Group Graph Pattern vereinigt werden. Ohne die Verwendung von optionalen Treffern oder alternativen Mustern wird die Ergebnismenge als Schnittmenge der Ergebnisse der einzelnen Group Graph Pattern gebildet. Die in diesem Abschnitt beschriebenen Möglichkeiten von SPARQL-Anfragen sind nur ein kleiner Teil von SPARQL. Es können wesentlich vielschichtigere Filter eingesetzt oder mit Datentypen und Sprachauszeichnungen gearbeitet werden. SPARQL kann Filter über boolesche Operatoren verknüpfen und es stehen grundlegende arithmetische Funktionen zur Verfügung. Auch eine Sortierung der Ergebnismenge und Rückgabe von Teilen dieser ist möglich. 2.2 Personal Knowledge Management Dieses Kapitel soll einen Überblick über Knowledge Management (KM, dt. Wissensmanagement), Personal Knowledge Management (PKM, dt. persönliches Wissensmanagement) und Personal Information Management (PIM) geben. Dabei wird aufgezeigt, dass es keine allgemein gültigen Definitionen zu diesen Begriffen gibt. Deshalb wird in diesem Kapitel herausgestellt, wie die Begriffe PKM und PIM im Rahmen dieser Arbeit genutzt werden. Überblick Knowledge Management Um Wissensmanagment zu beschreiben, muss zuerst erörtert werden, was Wissen ist. Wissenschaftler, insbesondere Philosophen, versuchen seit langer Zeit, den Begriff Wissen zu definieren. Dieser Begriff ist dementsprechend breit gefächert und besteht aus vielen in Wechselbeziehung stehenden Konzepten [Apshvalka and Wendorff, 2005]. Von Firestone [2001] werden verschiedene Ansätze von Wissensdefinitionen aufgezeigt und diskutiert, zum Beispiel Wissen ist eine begründete wahre Überzeugung (Goldman [1991]) oder Wissen ist Information im Kontext (Aune [1970]), um im Anschluss drei Typen von Wissen zu unterscheiden: Welt 1 Wissen: kodierte Strukturen in technischen Systemen, z.b. genetische Kodierungen als DNA

19 2 GRUNDLAGEN 14 Welt 2 Wissen: bestätigte Überzeugungen über die Welt, das Schöne und das Richtige Welt 3 Wissen: bestätigte linguistische Formulierungen über die Welt, das Schöne und das Richtige Zudem können die Begriffe Daten, Informationen und Wissen gegeneinander abgegrenzt werden. Innerhalb dieser Begriffshierarchie (siehe Abbildung 3) können die einzelnen Begriffe über Semiotik in Beziehung gesetzt werden [Rehäuser and Krcmar, 1996]. Wissen kann weiterhin innerhalb verschiedener Facetten unterschieden werden, im Diskussionspapier [Meyer, 2004b] findet sich eine gute Übersicht über unterschiedliche Wissensarten: Explizites, implizites und tazites Wissen Polanyi unterscheidet zwischen expliziten Wissen (explicit knowledge) und taziten bzw. stillen Wissen (tacit knowledge). Tazites Wissen bezeichnet Kenntnisse oder Fähigkeiten, Abbildung 3: die nicht formal beschreibbar sind und sich möglicherweise auch nicht erklären, sondern nur zeigen lassen. Explizites Wissen dagegen ist kodierbar und Begriffshierarchie und Beziehung zwischen den Begriffen lässt sich somit durch Sprache oder Schrift eindeutig ausdrücken [Polanyi, 1958, 1966]. In deutschsprachiger Fachliteratur zu diesem Thema wird tacit knowledge unglücklicherweise oft als implizites Wissen übersetzt. Auch Nonaka und Takeuchi unterteilen in artikulierbares Wissen und nicht bzw. schwer artikulierbares Wissen und bezeichnen dies analog Polanyi als explizit und tazit [Nonaka and Takeuchi, 1995]. Trotz der gleichen Bezeichnung unterscheiden sich die Verständnisse von Nonaka und Polanyi in Bezug auf den Begriff des taziten Wissens. Während Polanyi nicht zwischen tazit und implizit (im Sinne von inbegriffen, aber unausgesprochen) differenziert, aber nach seiner Terminologie beide Begriffe unterschiedliche Arten von Wissen darstellen, ist implizites Wissen bei Nonaka in tazitem Wissen mit inbegriffen [Li and Gao, 2003]. Implizites Wissen liegt in seiner Kodifizierbarkeit zwischen explizitem und tazitem Wissen (siehe Abbildung 4). Abbildung 4: Wissenarten und Kodierbarkeit

20 2 GRUNDLAGEN 15 Individuelles, kollektives und organisationales Wissen Eine andere Facette von Wissen ist die Einordnung nach Wissenseigner beziehungsweise die Einteilung, wer welches Wissen besitzen kann. Nonaka [1994] unterteilt zwischen individuellen und organisationalen Wissen. Individuelles Wissen ist Wissen, über welches nur ein Individuum verfügen kann, enthält folglich auch tazites Wissen. Analog dazu verfügt eine Organisation über organisationales Wissen. Dieses ist durch individuelles Wissen bedingt, da es durch die einzelnen Mitglieder der Organisation zusammengetragen wird. Da eine Organisation ein technisches Konstrukt ist und nicht automatisch über die natürlichen Eigenschaften einer Person verfügt, besteht es fast ausschließlich nur aus expliziten Wissen. Zusätzlich kann noch der Begriff des kollektiven Wissens eingeführt werden, welches sich aus der Interaktion zwischen Individuen ergibt und auf welches durch mehrere Personen zur gleichen Zeit zugegriffen werden kann. Kollektives Wissen besteht somit innerhalb von Gruppen, ist als implizites Wissen allerdings nur innerhalb von sozialen Kontexten verfügbar [Barth, 2004]. Teilweise werden diese Wissenstypen auch als persönliches (privates), zwischenpersönliches (zwischenmenschliches) und unpersönliches (sachliches) Wissen bezeichnet (siehe Abbildung 5). Abbildung 5: Wissenstypen nach Barth [2004] Knowledge Management Wie eingangs angedeutet, findet sich in der Literatur keine klare Definition von Knowledge Management, sondern es herrscht Uneinigkeit über den KM-Begriff [Firestone, 2001], so dass es verschiedene Definitionsversuche gibt. Eine sehr kompakte Definition stammt von Davenport [1994], welcher KM als Prozesse der Erfassung, Verteilung und effektiven Nutzung von Wissen beschreibt. Eine ausführlichere Definition findet sich bei Reinmann-Rothmeier and Mandl [2000]: Wissensmanagement bezeichnet den bewussten und systematischen Umgang mit der Ressource Wissen und den zielgerichteten Einsatz von Wissen in Organisationen. Damit umfasst Wissensmanagement die Gesamtheit aller Konzepte, Strategien und Methoden zur Schaffung einer intelligenten und lernenden Organisation. In diesem Sinne bilden Mensch, Organisation und Technik gemeinsam die drei Standbeine des Wissensmanagements.

21 2 GRUNDLAGEN 16 Wissensmanagement hat seinen Ursprung in den 30er Jahren des letzten Jahrhunderst und kann zeitlich in drei Generationen eingeteilt werden [Meyer, 2004a]. Die Ziele der 1. Generation waren Konzepte und Systeme mit dem Zweck, menschliche Entscheider mit Informationen zu versorgen. Dieser Ansatz hatte seinen Höhepunkt in den Jahren zwischen 1970 und 1990, hatte aber erhebliche Probleme, da der Informationsbedarf schwer voraussehbar ist und der soziale Kontext vernachlässigt wurde. In der 2. Generation wurden Begriffe wie implizites Wissen und Wissensgenerierungskonzepte eingeführt, eng verbunden mit dieser Etappe ist das SECI-Modell von Nonaka and Takeuchi [1995], auf welches später noch eingegangen wird. Ziel war es, eine Wissensdatenbank aufbauen, in die Mitarbeiter/-innen ihr Wissen dokumentieren können und aus der sich dann andere im Unternehmen zum Wohle des gesamten Unternehmen bedienen können. (Schütt [2003]) Daraus resultierten datenbankbasierte Dokumentenmanagementsysteme, welche als Wissensmanagementsysteme bezeichnet wurden. Diese System waren zwar korrekt konzipiert, aber die Mitarbeiter waren nicht ausreichend motiviert und die Nutzungsrelevanz war nicht klar [North, 1999], weswegen diese Systeme sozial-technologische Nachsorge erfordern. Aktuelle Entwicklungen können der 3. Generation von Wissensmanagementsystemen zugeordnet werden, welche durch Integration von sozialen und technologischen Ansätzen als ganzheitlichen Ansatz die Fehler der 1. und 2. Generation vermeiden soll. Es scheint keine einheitliche Strategie zu geben, sondern es werden zum Beispiel einfache, schlanke Systeme im Rahmen eines sozio-technischen Systemansatzes für konkrete soziale Gegebenheiten entwickelt [Meyer, 2004a]. SECI-Modell Das SECI-Modell ist ein sehr oft referenziertes Modell der Wissenserzeugung. Es wird genutzt, um Wissensarten ineinander zu überführen und Wissen durch aufeinanderfolgende Prozesse spiralförmig (siehe Abbildung 6) von individuellen Wissen auf Organisationsstufen wie Personengruppen und Organisationen zu heben. Dies wurde oft auch so interpretiert, dass das gesamte Wissen einer Organisation, einschließlich allen impliziten Wissen, in Wissensdatenbanken gelagert werden könnte [Schütt, 2003]. Die Abkürzung SECI steht dabei für: Sozialisation (Socialisation): implizites Wissen zu implizitem Wissen, z.b geteilte Erfahrungen oder Vorführen von Tätigkeiten Externalisierung (Externalization): implizit zu explizit, z.b. durch Artikulation oder Formalisierung von Wissen über den Gebrauch von Metaphern oder Analogien Kombination (Combination): explizit zu explizit, z.b. durch Neu- und Wiederanordnung von Wissen oder Zuordnung in andere Konzepte Internalisierung (Internalization): explizit zu implizit, z.b. über Lernen und Verinnerlichung von Wissen

22 2 GRUNDLAGEN 17 Abbildung 6: SECI-Modell zur Wissenstransformation KM-System Merkmale eines KM-Systems sind nach Gronau and Kalisch [2002] Mechanismen zur Kommunikation, ein integrierter Zugriff auf verschiedene Quellen, eine strukturierte, navigierbare Präsentation über Taxonomien und die Möglichkeit, Informationen anzufordern oder danach zu suchen (Pull-Technologie) beziehungsweise auch automatisch über passende Inhalte informiert zu werden (Push). Alle diese Funktionen sollen sich auf einer einheitlichen, anpassbaren Ebene befinden. Allerdings sind die meisten KM-Systeme (der 2. Generation) systemorientiert und technisch, anstatt nutzerorientiert und flexibel. Zudem benötigt traditionelles KM zuerst Experten zur Erstellung der Taxonomien, welche später auch regelmäßig angepasst werden müssen [von Hellberg and Ritter, 2006]. Des Weiteren sind viele KM-Werkzeuge für Entscheider entworfen, aber nicht für den einzelnen Mitarbeiter, welcher sein Wissen weitergeben soll [Barth, 2004]. Trotzdem wird mit der 3. Generation von KM die Organisation von persönlichen Wissenbasen immer wichtiger. System für Personal Knowledge Management Personal Knowledge Management (PKM) ist ein System, welches von Individuen zur eigenen Nutzung entworfen wird. Bei Frand and Hixon [1999] heisst es genauer: PKM [...] ist ein konzeptuelles System, um Informationen zu organisieren und zu integrieren, von denen wir persönlich denken, dass diese wichtig genug sind, um ein Teil unserer persönlichen Wissensbasis zu werden. PKM liefert eine Strategie zur Umwandlung von ungeordneten Informationsteilen in etwas, was systematisch angewandt werden kann und unser persönliches Wissen erweitert. Des Weiteren sollte PKM menschliche Prozesse für individuelle Wissensarbeit automatisieren, beschleunigen oder verbessern (Barth [2004]). Idealerweise würde ein PKM-System überall und jederzeit funktionieren und erreichbar sein. Im Zusammenhang mit PKM spielen Werkzeuge eine große

23 2 GRUNDLAGEN 18 Rolle, denn Werkzeuge sind etwas sehr persönliches. Entsprechende Werkzeuge für PKM sollten nutzbar sein, ohne an technische oder finanzielle Ressourcen einer Firma oder Organisation gebunden zu sein. Millikin-Framework Dorsey [2001] beschreibt im Millikin-Framwork sieben Qualitäten, welche in einem PKM-System erfüllt sein müssen. Diese Qualitäten können als Heuristiken genutzt werden, um PKM-Systeme zu planen oder zu evaluieren. 1. Informationen abrufen und wiedergewinnen: In einer sehr informationsreichen Umgebung mit Datenbanken, elektronischen Bibliotheken, Webseiten, Diskussionsforen (-gruppen) und Gesprächsprotokollen, müssen geeignete Informationen identifiziert werden. 2. Informationen bewerten: Qualität und Relevanz von Informationen müssen bewertet werden. 3. Informationen organisieren: Ein sehr zentraler Punkt von PKM beschäftigt sich mit Strukturierung von Informationen, z.b. einzelne Informationen miteinander zu verbinden oder auf Konsistenz achten. 4. Kollaboration bei Informationen: PKM bedeutet nicht, dass individuelle Wissensarbeit nur einzeln stattfindet. Zusammenarbeit kann über gemeinsame Arbeitsbereiche (z.b. geteilte Wissensbasen) oder Werkzeuge wie Diskussionsgruppen oder Instant Messaging stattfinden. 5. Informationen analysieren: Analyse baut auf Organisation von Informationen auf und ist wichtig, um die Bedeutung von Informationen näher zu bestimmen und zu extrahieren. Resultate der Analyse können z.b. Statistiken oder auch Übersichten (z.b. Graphen) und Zusammenfassungen sein. 6. Informationen präsentieren: Informationen und Wissen muss in geeigneter Form anordenbar sein, um es unter Beachtung von unterschiedlichen sozialen Kontexten präsentieren zu können. 7. Informationen schützen: Neben der Absicherung von Informationen gegen unerlaubten Zugriff, gehören auch Archivierung und das Anlegen von Sicherungskopien zum Schutz von Information. Des Weiteren ist auch die Vergabe von Lizenzen für Informationen wichtig. Im Millikan-Framework wird persönliches Wissen nicht mit privaten Wissen gleichgesetzt, sondern PKM als Strategie für privates und öffentliches Wissen aufgefasst. Es dient zur Selbsterkennung eigener Fähigkeiten und Kompetenzen, auch innerhalb eines öffentlichen Wirkungsbereichs [Avery et al., 2001]. So wird es auch in dieser Arbeit verstanden.

24 2 GRUNDLAGEN 19 Personal Information Management Die Begriffe Personal Information Management (PIM) und PKM werden oft miteinander verwendet. Eine praktische Herangehensweise für die Beschreibung von PIM ist die Auswertung von genutzten Werkzeugen. Die in einer Studie [Jones and Thomas, 1997] über Nutzerbefragung ermittelten PIM-Werkzeuge waren Aufgabenlisten, Adressbücher, persönliche Organizer, Notizbücher, Terminkalender und PDAs (Personal Digital Assistants). Unabhängig, ob analoges oder digitales Werkzeug, lassen sich folgende Arten von Informationen extrahieren, welche durch diese Werkzeuge verwaltet werden: Kontakte und Adressen, Aufgaben, Termine, andere kalendarischen Daten und Notizen. In dieser Arbeit wird PIM als der Teil von PKM betrachtet, bei welchen die eben genannten Arten von Informationen verwaltet werden. In einer anderen Studie [von Hellberg and Ritter, 2006] äußerten die Befragten den Wunsch nach Unterstützung in der täglichen Wissensarbeit. Gleichzeitig zeigte sich, dass es keine klare Vorstellung gab, was KM für ihre tägliche Arbeit bedeuten könnte und das persönliche Interessen und individuelle Vorteile bei KM wichtiger als kollektive Interessen sind. Insofern kann PIM auch als Motivation und Einstieg in ein erweitertes PKM verstanden werden, da die oben zu PIM zugeordneten Informationsarten auch als Informationen des täglichen Bedarfs gewertet werden können. 2.3 Heuristiken für Bedienbarkeit Wenn etwas schwer zu benutzen ist, benutze ich es nicht so oft. Melanie Krug [Krug, 2002] Für die Bedienbarkeit von Nutzeroberflächen wurden durch Nielsen [2005] verschiedene Heuristiken formuliert. Auch wenn dies eher Faustregeln statt festen Richtlinien sind, kann damit die Bedienbarkeit eines Werkzeugs überprüft werden. Die einzelnen Heuristiken sind numeriert, um sie später bei der Spezifikation der Benutzeroberfläche (siehe Kapitel 5.5, Seite 69) zu referenzieren. Sichtbarkeit des Systemstatus (H1): Das System sollte den Nutzer ständig durch eine angemessene Rückmeldung in einem überschaubaren Zeitrahmen informieren, was aktuell geschieht. Übereinstimmung zwischen dem System und der realen Welt (H2): Das System sollte keine systemorientierte Terminologie, sondern dem Benutzer vertraute Wörter, Phrasen und Konzepte verwenden. Es sollte bei Informationen die natürliche und logische Reihenfolge einhalten. Benutzerkontrolle und -freiheit (H3): Oft wählen Benutzer fälschlicherweise Systemfunktionen und brauchen einen klar gekennzeichneten "Notausgang", um den unerwünschten Zustand schnell und einfach verlassen zu können. Das System sollte Undo- und Redo-Funktionen unterstützen.