guest ::
001008710 001__ 1008710 001008710 005__ 20250930172527.0 001008710 0247_ $$2HBZ$$aHT031039874 001008710 0247_ $$2Laufende Nummer$$a44154 001008710 0247_ $$2datacite_doi$$a10.18154/RWTH-2025-03106 001008710 037__ $$aRWTH-2025-03106 001008710 041__ $$aEnglish 001008710 082__ $$a620 001008710 1001_ $$0P:(DE-82)IDM03694$$aJungnickel, Robert$$b0$$urwth 001008710 245__ $$aIntegrating human knowledge into a machine-learning process for modelling ongoing transitions in socio-technical systems$$cvorgelegt von Robert Jungnickel$$honline 001008710 246_3 $$aIntegration von menschlichem Wissen in einen maschinellen Lernprozess zur Modellierung aktueller Transitionen in sozio-technischen Systemen$$yGerman 001008710 260__ $$aAachen$$bRWTH Aachen University$$c2025 001008710 300__ $$a1 Online-Ressource : Illustrationen 001008710 3367_ $$02$$2EndNote$$aThesis 001008710 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd 001008710 3367_ $$2BibTeX$$aPHDTHESIS 001008710 3367_ $$2DRIVER$$adoctoralThesis 001008710 3367_ $$2DataCite$$aOutput Types/Dissertation 001008710 3367_ $$2ORCID$$aDISSERTATION 001008710 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 001008710 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2025$$gFak04$$o2025-02-24 001008710 5203_ $$aKomplexe 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.$$lger 001008710 520__ $$aComplex 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.$$leng 001008710 536__ $$0G:(GEPRIS)390919832$$aDFG project G:(GEPRIS)390919832 - EXC 2186: Das Fuel Science Center – Adaptive Umwandlungssysteme für erneuerbare Energie- und Kohlenstoffquellen (390919832)$$c390919832$$x0 001008710 588__ $$aDataset connected to Lobid/HBZ 001008710 591__ $$aGermany 001008710 653_7 $$aE-fuels 001008710 653_7 $$aEurope 001008710 653_7 $$aadaptive systems 001008710 653_7 $$aalternative fuels 001008710 653_7 $$abiofuels 001008710 653_7 $$aclean energy 001008710 653_7 $$acognitive modeling 001008710 653_7 $$acollective intelligence 001008710 653_7 $$acomplex systems 001008710 653_7 $$acomputational social science 001008710 653_7 $$acontext-awareness 001008710 653_7 $$acyber-physical systems 001008710 653_7 $$adecarbonization 001008710 653_7 $$adecision support systems 001008710 653_7 $$adigital transformation 001008710 653_7 $$adynamic graph embedding 001008710 653_7 $$aelectrification 001008710 653_7 $$aembedding techniques 001008710 653_7 $$aenergy systems 001008710 653_7 $$aenergy transition 001008710 653_7 $$aexplainable Ai 001008710 653_7 $$agraph representation learning 001008710 653_7 $$agreen fuels 001008710 653_7 $$ahuman feedback 001008710 653_7 $$ahuman knowledge 001008710 653_7 $$ahuman knowledge space 001008710 653_7 $$ahuman search space 001008710 653_7 $$ahuman-Ai collaboration 001008710 653_7 $$ahuman-centered machine learning 001008710 653_7 $$ahuman-centric factors 001008710 653_7 $$ahuman-centric machine learning 001008710 653_7 $$ahuman-machine evaluation 001008710 653_7 $$ahuman-machine interaction 001008710 653_7 $$ahuman-machine knowledge space 001008710 653_7 $$ahuman-machine learning 001008710 653_7 $$ahuman-machine search space 001008710 653_7 $$ahybrid intelligence 001008710 653_7 $$ahybrid node embedding 001008710 653_7 $$ahydrogen fuels 001008710 653_7 $$ainteractive machine learning 001008710 653_7 $$ainterpretability 001008710 653_7 $$aknowledge discovery 001008710 653_7 $$aknowledge graph embedding 001008710 653_7 $$aknowledge space 001008710 653_7 $$alink prediction 001008710 653_7 $$alow-carbon fuels 001008710 653_7 $$amachine knowledge 001008710 653_7 $$amachine knowledge space 001008710 653_7 $$amachine learning 001008710 653_7 $$amachine search space 001008710 653_7 $$amachine-centric factors 001008710 653_7 $$amental models 001008710 653_7 $$amulti-level perspective 001008710 653_7 $$anetwork science 001008710 653_7 $$anode embedding 001008710 653_7 $$aonline learning 001008710 653_7 $$apositional encoding 001008710 653_7 $$apower-to-X 001008710 653_7 $$arenewable energy 001008710 653_7 $$arepresentation learning 001008710 653_7 $$asearch space 001008710 653_7 $$aself-attention 001008710 653_7 $$asocial informatics 001008710 653_7 $$asocial network analysis 001008710 653_7 $$asocio-technical systems 001008710 653_7 $$asustainability transitions 001008710 653_7 $$asustainable energy 001008710 653_7 $$asynthetic fuels 001008710 653_7 $$asystem dynamics 001008710 653_7 $$atemporal knowledge graph 001008710 653_7 $$atemporal link prediction 001008710 653_7 $$atheory-human-machine 001008710 653_7 $$atransformer 001008710 653_7 $$atransition 001008710 653_7 $$atransition model 001008710 653_7 $$atransition modelling 001008710 653_7 $$atransition monitoring 001008710 653_7 $$atransition network 001008710 653_7 $$atransition research 001008710 653_7 $$avisual network analysis 001008710 7001_ $$0P:(DE-82)IDM01328$$aIsenhardt, Ingrid$$b1$$eThesis advisor$$urwth 001008710 7001_ $$0P:(DE-82)IDM02836$$aNitsch, Verena$$b2$$eThesis advisor$$urwth 001008710 8564_ $$uhttps://publications.rwth-aachen.de/record/1008710/files/1008710.pdf$$yOpenAccess 001008710 8564_ $$uhttps://publications.rwth-aachen.de/record/1008710/files/1008710_source.docx$$yRestricted 001008710 909CO $$ooai:publications.rwth-aachen.de:1008710$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery 001008710 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM03694$$aRWTH Aachen$$b0$$kRWTH 001008710 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01328$$aRWTH Aachen$$b1$$kRWTH 001008710 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02836$$aRWTH Aachen$$b2$$kRWTH 001008710 9141_ $$y2025 001008710 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess 001008710 9201_ $$0I:(DE-82)417200_20140620$$k417200$$lWerkzeugmaschinenlabor WZL der RWTH Aachen$$x0 001008710 9201_ $$0I:(DE-82)417510_20140620$$k417510$$lLehrstuhl für Informations-, Qualitäts- und Sensorsysteme in der Produktion$$x1 001008710 961__ $$c2025-05-12T09:15:35.390507$$x2025-03-23T17:19:19.814933$$z2025-05-12T09:15:35.390507 001008710 9801_ $$aFullTexts 001008710 980__ $$aI:(DE-82)417200_20140620 001008710 980__ $$aI:(DE-82)417510_20140620 001008710 980__ $$aUNRESTRICTED 001008710 980__ $$aVDB 001008710 980__ $$aphd