h1

h2

h3

h4

h5
h6

001     1008710
005     20250930172527.0
024 7 _ |2 HBZ
|a HT031039874
024 7 _ |2 Laufende Nummer
|a 44154
024 7 _ |2 datacite_doi
|a 10.18154/RWTH-2025-03106
037 _ _ |a RWTH-2025-03106
041 _ _ |a English
082 _ _ |a 620
100 1 _ |0 P:(DE-82)IDM03694
|a Jungnickel, Robert
|b 0
|u rwth
245 _ _ |a Integrating human knowledge into a machine-learning process for modelling ongoing transitions in socio-technical systems
|c vorgelegt von Robert Jungnickel
|h online
246 _ 3 |a Integration von menschlichem Wissen in einen maschinellen Lernprozess zur Modellierung aktueller Transitionen in sozio-technischen Systemen
|y German
260 _ _ |a Aachen
|b RWTH Aachen University
|c 2025
300 _ _ |a 1 Online-Ressource : Illustrationen
336 7 _ |0 2
|2 EndNote
|a Thesis
336 7 _ |0 PUB:(DE-HGF)11
|2 PUB:(DE-HGF)
|a Dissertation / PhD Thesis
|b phd
|m phd
336 7 _ |2 BibTeX
|a PHDTHESIS
336 7 _ |2 DRIVER
|a doctoralThesis
336 7 _ |2 DataCite
|a Output Types/Dissertation
336 7 _ |2 ORCID
|a DISSERTATION
500 _ _ |a Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
502 _ _ |a Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025
|b Dissertation
|c Rheinisch-Westfälische Technische Hochschule Aachen
|d 2025
|g Fak04
|o 2025-02-24
520 3 _ |a 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.
|l ger
520 _ _ |a 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.
|l eng
536 _ _ |0 G:(GEPRIS)390919832
|a DFG project G:(GEPRIS)390919832 - EXC 2186: Das Fuel Science Center – Adaptive Umwandlungssysteme für erneuerbare Energie- und Kohlenstoffquellen (390919832)
|c 390919832
|x 0
588 _ _ |a Dataset connected to Lobid/HBZ
591 _ _ |a Germany
653 _ 7 |a E-fuels
653 _ 7 |a Europe
653 _ 7 |a adaptive systems
653 _ 7 |a alternative fuels
653 _ 7 |a biofuels
653 _ 7 |a clean energy
653 _ 7 |a cognitive modeling
653 _ 7 |a collective intelligence
653 _ 7 |a complex systems
653 _ 7 |a computational social science
653 _ 7 |a context-awareness
653 _ 7 |a cyber-physical systems
653 _ 7 |a decarbonization
653 _ 7 |a decision support systems
653 _ 7 |a digital transformation
653 _ 7 |a dynamic graph embedding
653 _ 7 |a electrification
653 _ 7 |a embedding techniques
653 _ 7 |a energy systems
653 _ 7 |a energy transition
653 _ 7 |a explainable Ai
653 _ 7 |a graph representation learning
653 _ 7 |a green fuels
653 _ 7 |a human feedback
653 _ 7 |a human knowledge
653 _ 7 |a human knowledge space
653 _ 7 |a human search space
653 _ 7 |a human-Ai collaboration
653 _ 7 |a human-centered machine learning
653 _ 7 |a human-centric factors
653 _ 7 |a human-centric machine learning
653 _ 7 |a human-machine evaluation
653 _ 7 |a human-machine interaction
653 _ 7 |a human-machine knowledge space
653 _ 7 |a human-machine learning
653 _ 7 |a human-machine search space
653 _ 7 |a hybrid intelligence
653 _ 7 |a hybrid node embedding
653 _ 7 |a hydrogen fuels
653 _ 7 |a interactive machine learning
653 _ 7 |a interpretability
653 _ 7 |a knowledge discovery
653 _ 7 |a knowledge graph embedding
653 _ 7 |a knowledge space
653 _ 7 |a link prediction
653 _ 7 |a low-carbon fuels
653 _ 7 |a machine knowledge
653 _ 7 |a machine knowledge space
653 _ 7 |a machine learning
653 _ 7 |a machine search space
653 _ 7 |a machine-centric factors
653 _ 7 |a mental models
653 _ 7 |a multi-level perspective
653 _ 7 |a network science
653 _ 7 |a node embedding
653 _ 7 |a online learning
653 _ 7 |a positional encoding
653 _ 7 |a power-to-X
653 _ 7 |a renewable energy
653 _ 7 |a representation learning
653 _ 7 |a search space
653 _ 7 |a self-attention
653 _ 7 |a social informatics
653 _ 7 |a social network analysis
653 _ 7 |a socio-technical systems
653 _ 7 |a sustainability transitions
653 _ 7 |a sustainable energy
653 _ 7 |a synthetic fuels
653 _ 7 |a system dynamics
653 _ 7 |a temporal knowledge graph
653 _ 7 |a temporal link prediction
653 _ 7 |a theory-human-machine
653 _ 7 |a transformer
653 _ 7 |a transition
653 _ 7 |a transition model
653 _ 7 |a transition modelling
653 _ 7 |a transition monitoring
653 _ 7 |a transition network
653 _ 7 |a transition research
653 _ 7 |a visual network analysis
700 1 _ |0 P:(DE-82)IDM01328
|a Isenhardt, Ingrid
|b 1
|e Thesis advisor
|u rwth
700 1 _ |0 P:(DE-82)IDM02836
|a Nitsch, Verena
|b 2
|e Thesis advisor
|u rwth
856 4 _ |u https://publications.rwth-aachen.de/record/1008710/files/1008710.pdf
|y OpenAccess
856 4 _ |u https://publications.rwth-aachen.de/record/1008710/files/1008710_source.docx
|y Restricted
909 C O |o oai:publications.rwth-aachen.de:1008710
|p dnbdelivery
|p driver
|p VDB
|p open_access
|p openaire
910 1 _ |0 I:(DE-588b)36225-6
|6 P:(DE-82)IDM03694
|a RWTH Aachen
|b 0
|k RWTH
910 1 _ |0 I:(DE-588b)36225-6
|6 P:(DE-82)IDM01328
|a RWTH Aachen
|b 1
|k RWTH
910 1 _ |0 I:(DE-588b)36225-6
|6 P:(DE-82)IDM02836
|a RWTH Aachen
|b 2
|k RWTH
914 1 _ |y 2025
915 _ _ |0 StatID:(DE-HGF)0510
|2 StatID
|a OpenAccess
920 1 _ |0 I:(DE-82)417200_20140620
|k 417200
|l Werkzeugmaschinenlabor WZL der RWTH Aachen
|x 0
920 1 _ |0 I:(DE-82)417510_20140620
|k 417510
|l Lehrstuhl für Informations-, Qualitäts- und Sensorsysteme in der Produktion
|x 1
980 1 _ |a FullTexts
980 _ _ |a I:(DE-82)417200_20140620
980 _ _ |a I:(DE-82)417510_20140620
980 _ _ |a UNRESTRICTED
980 _ _ |a VDB
980 _ _ |a phd

LibraryCollectionCLSMajorCLSMinorLanguageAuthor
Marc 21