Integrating human knowledge into a machine-learning process for modelling ongoing transitions in socio-technical systems

Jungnickel, Robert; Nitsch, Verena; Isenhardt, Ingrid

doi:44154

Integrating human knowledge into a machine-learning process for modelling ongoing transitions in socio-technical systems = Integration von menschlichem Wissen in einen maschinellen Lernprozess zur Modellierung aktueller Transitionen in sozio-technischen Systemen

Jungnickel, Robert^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Robert Jungnickel

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Isenhardt, Ingrid (Thesis advisor)^RWTH* ; Nitsch, Verena (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-02-24

Online
DOI: 10.18154/RWTH-2025-03106
URL: https://publications.rwth-aachen.de/record/1008710/files/1008710.pdf

Einrichtungen

Projekte

DFG project G:(GEPRIS)390919832 - EXC 2186: Das Fuel Science Center – Adaptive Umwandlungssysteme für erneuerbare Energie- und Kohlenstoffquellen (390919832) (390919832)

Inhaltliche Beschreibung (Schlagwörter)
E-fuels (frei) ; Europe (frei) ; adaptive systems (frei) ; alternative fuels (frei) ; biofuels (frei) ; clean energy (frei) ; cognitive modeling (frei) ; collective intelligence (frei) ; complex systems (frei) ; computational social science (frei) ; context-awareness (frei) ; cyber-physical systems (frei) ; decarbonization (frei) ; decision support systems (frei) ; digital transformation (frei) ; dynamic graph embedding (frei) ; electrification (frei) ; embedding techniques (frei) ; energy systems (frei) ; energy transition (frei) ; explainable Ai (frei) ; graph representation learning (frei) ; green fuels (frei) ; human feedback (frei) ; human knowledge (frei) ; human knowledge space (frei) ; human search space (frei) ; human-Ai collaboration (frei) ; human-centered machine learning (frei) ; human-centric factors (frei) ; human-centric machine learning (frei) ; human-machine evaluation (frei) ; human-machine interaction (frei) ; human-machine knowledge space (frei) ; human-machine learning (frei) ; human-machine search space (frei) ; hybrid intelligence (frei) ; hybrid node embedding (frei) ; hydrogen fuels (frei) ; interactive machine learning (frei) ; interpretability (frei) ; knowledge discovery (frei) ; knowledge graph embedding (frei) ; knowledge space (frei) ; link prediction (frei) ; low-carbon fuels (frei) ; machine knowledge (frei) ; machine knowledge space (frei) ; machine learning (frei) ; machine search space (frei) ; machine-centric factors (frei) ; mental models (frei) ; multi-level perspective (frei) ; network science (frei) ; node embedding (frei) ; online learning (frei) ; positional encoding (frei) ; power-to-X (frei) ; renewable energy (frei) ; representation learning (frei) ; search space (frei) ; self-attention (frei) ; social informatics (frei) ; social network analysis (frei) ; socio-technical systems (frei) ; sustainability transitions (frei) ; sustainable energy (frei) ; synthetic fuels (frei) ; system dynamics (frei) ; temporal knowledge graph (frei) ; temporal link prediction (frei) ; theory-human-machine (frei) ; transformer (frei) ; transition (frei) ; transition model (frei) ; transition modelling (frei) ; transition monitoring (frei) ; transition network (frei) ; transition research (frei) ; visual network analysis (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Komplexe Systeme, wie z. B. grundlegende Transitionen in sozio-technischen Systemen, erfordern von Entscheidungsträgern, dass sie über eine einfache historische Analyse hinausgehen, um ein umfassendes Verständnis zu erlangen. Die große Menge an Informationen – ob von Menschen oder durch maschinelles Lernen generiert – kann zu kognitiven und analytischen Grenzen führen. Um diesen Herausforderungen zu begegnen, ist das Ziel dieser Arbeit, ein Netzwerkmodell für Transitionen zu entwickeln, das menschliches Wissen in einen maschinellen Lernprozess integriert, um die Beziehungen zwischen den Akteuren in aktuellen Transitionen zu modellieren und vorherzusagen. Das Hauptergebnis dieser Arbeit ist, dass die Integration von qualitativem menschlichem Wissen in einen quantitativen maschinellen Lernprozess messbare Einblicke in aktuelle sozio-technische Transitionen liefern kann. Dies wird durch die Entwicklung eines Transitionsmodells demonstriert, das aus zwei miteinander verbundenen Submodellen besteht: dem visuellen Netzwerkmodell und dem menschenzentrierten maschinellen Lernmodell. Die Untersuchung begann mit theoretischen Überlegungen zur methodischen Integration quantitativer und qualitativer Ansätze, um die Überwachung aktueller Transitionen zu ermöglichen. Während das visuelle Netzwerkmodell den grundlegenden Datensatz der Transitionsakteure und deren Verbindungen untereinander bildet, ermöglicht das menschenzentrierte maschinelle Lernmodell die kontinuierliche Interaktion zwischen Mensch und Maschine, um die Vorhersage der Verbindungen zwischen diesen Akteuren zu untersuchen. Durch die Simulation des menschlichen Feedbacks konnte das Modell seine Vorhersagen optimieren und sein Potenzial zur Vorhersage des Verhaltens einer Transition demonstrieren. Die aktuelle Transition des europäischen Marktes von fossilen zu alternativen Kraftstoffen dient als Testlabor, um praktische Anforderungen und Strategien für die Entwicklung des Transitionsmodells zu identifizieren. Das Exzellenzcluster ‚The Fuel Science Center (FSC)‘ an der RWTH Aachen stellt den Anwendungsfall für die Evaluierung der Modellentwicklung dar. Zusammenfassend lässt sich sagen, dass diese Arbeit bestehende Ansätze zur Modellierung von Transitionen und zur Vorhersage zeitlicher Beziehungen erweitert, indem menschliches Wissen in einen kontinuierlichen maschinellen Lernprozess integriert wird. Das entwickelte Transitionsmodell ist generell anwendbar und dient als grundlegende Referenz für die Erfassung des komplexen Verhaltens sozio-technischer Transitionen, sei es in Europa oder darüber hinaus.

Complex systems, such as fundamental transition in socio-technical systems, demand that decision-makers move beyond simple historical analysis to achieve a comprehensive understanding. The vast amount of information – whether generated by humans or through machine-learning – can lead to cognitive and analytical limitations. To address these challenges, the objective of this work is to develop a transition model as a network that integrates human knowledge into a machine-learning process to model and predict the relationships between actors in ongoing transitions. The main outcome of this work is that the integration of qualitative human knowledge into a quantitative machine-learning process can provide measurable insights into ongoing socio-technical transitions. This is demonstrated through the development of a transition model that comprises two interrelated sub-models: the visual network model and the human-centric machine-learning (HCML) model. The work started with theoretical considerations on how to methodologically integrate quantitative and qualitative approaches to enable the monitoring of ongoing transitions. While the visual network model provided the foundational dataset of transition actors and the links between them, the HCML model facilitated ongoing human-machine interaction to explore the prediction of links between these actors. By simulating human feedback, the model optimised its predictions and demonstrated its potential to predict behaviour during ongoing transitions. The ongoing transition from fossil fuels to alternative fuels in the European market served as a test laboratory to identify practical requirements and strategies for the transition model’s development. The Cluster of Excellence ‘The Fuel Science Centre (FSC)’ at RWTH Aachen University represented the use case to evaluate the model development. In conclusion, this work extends existing approaches to transition modelling and temporal link prediction by incorporating human knowledge into an ongoing machine-learning process. The developed transition model is general applicable and serves as a foundational reference for capturing the complex behaviour of socio-technical transitions, whether in Europe or beyond.

OpenAccess:
PDF
(additional files)