Archiv der Kategorie: Grundlagen

Wissensmanagement-Modelle

Wissensmanagement-Modelle

Es gibt im Wissensmanagement zahlreiche Modelle. Warum ist es auch jenseits einer eher akademisch-theoretischen Beschäftigung mit Wissensmanagement nützlich, sich mit einem oder mehreren Modellen auseinanderzusetzen?

  • Ein Modell ist ein vereinfachtes Abbild der Realität und kann daher komplexe Sachverhalte (Was ist Wissensmanagement?) deutlich machen.
  • Es kann dabei helfen, ein gemeinsames Verständnis – im WM-Projektteam, in der Organisation, auf Ebene der Entscheider –  herzustellen.
  • Es kann Orientierung bieten (klare Struktur o.ä.).
  • Es kann dabei helfen, sich auf Wesentliches zu konzentrieren, z. B. in der Entwicklung eines WM-Konzepts.
  • Es kann konkret bei der Stärken-Schwächen-Analyse unterstützen.
  • Es kann dabei helfen, das eigene spezifische Wissensmanagement für andere nachvollziehbar darzustellen.
  • Es kann dabei helfen, Wissensmanagement an andere Themen in der Organisation anzubinden, z. B. Prozessmanagement, Qualitätsmanagement, Innovationsmanagement.

Weitere grundlegende Überlegungen zu Nutzen, aber auch Grenzen von Modellen im Wissensmanagement bietet das Kapitel 4.1. in diesem Studientext von Gabi Reinmann.

Im Folgenden werden einige ausgewählte Wissensmanagement-Modelle näher erläutert:

Denkaufgabe:
Nachdem Sie sich mit den verschiedenen Modellen beschäftigt haben, überlegen Sie:
  • Worin unterscheiden / ähneln sich die vorgestellten Modelle?
  • Wo liegen deren jeweilige Stärken und Schwächen?
  • Welches dieser Modelle würde für meinen Kontext / meine Organisation am besten passen? Warum?
In der Live Session des WMOOC 2016 hat Dr. Angelika Mittelmann unter anderem auch über Ihre eigenen Praxiserfahrungen bei der Einführung von Wissensmanagement gesprochen und darüber, inwieweit Wissensmanagement-Modelle hier von Nutzen sein können. Die relevanteste Passage zum Einsatz von Modellen findet sich ab Min 4:07 bis ca. Min 11:35 im Video (Gesamtdauer 51:01 Min):

Kommentare/Hinweise:
Ergänzungs- o. Änderungsvorschläge hier in der XING-Diskussion, oder (notfalls, wenn kein XING-Account gewünscht) als eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).
Persönliches Wissensmanagement Modell

Persönliches Wissensmanagement Modell

Das Modell zum persönlichen Wissensmanagement (Reinmann & Eppler, 2008) strukturiert den Umgang mit Wissen anhand mehrerer grundlegender Unterscheidungen. Zentral ist zunächst die Trennung zwischen persönlichem, innerem Wissen und der äußeren Wissensumwelt. Letztere umfasst sowohl Personen als Wissensträger als auch materielle Wissensobjekte wie Texte oder Medien. Der Austausch mit dieser Umwelt kann rezeptiv (aufnehmen und verstehen) oder produktiv (gestalten und erzeugen) erfolgen.

Abb. 1: Modell zum persönlichen Wissensmanagement (Reinmann & Eppler, 2008)

Der strukturgenetische Wissensbegriff (Seiler & Reinmann, 2004): Ein Wissensträger konstruiert sein Wissen selbst, kann es verändern, materialisieren und mit anderen teilen.

Dem Modell liegt der oben genannte strukturgenetische Wissensbegriff zugrunde. Dabei wird zwischen zugänglichem, öffentlichem Wissen (Information) und personalem Wissen unterschieden. Letzteres kann sprachlich formulierbar, bildhaft oder an konkretes Handeln gebunden sein. Diese Wissensformen stehen in kontinuierlichen Transformationsprozessen, die auf grundlegenden mentalen Fähigkeiten beruhen.

Mentale Prozesse beim persönlichen Wissensmanagement

 

Für ein erfolgreiches persönliches Wissensmanagement sollten relevante mentale Prozesse näher betrachtet werden (vgl. Reinmann & Eppler, 2008):

Kognitive Basisprinzipien:
Begriffliches, enaktives und bildhaftes Wissen unterscheiden sich dadurch, wie leicht sie dokumentiert, kommuniziert oder praktisch angewendet werden können. Enaktives Wissen existiert nur im Handeln, während bildhaftes Wissen oft als Intuition erlebt wird. Wissensformen sind dabei nicht statisch, sondern unterliegen fortlaufenden quantitativen und qualitativen Transformationsprozessen.

Tab. 1: Kognitive Basisprinzipien

Metakognitive Basisprinzipien:
Persönliches Wissensmanagement sollte bewusst und geplant erfolgen: relevante Situationen erkennen (Ist-Zustand), Ziele definieren (Soll-Zustand), passende Methoden wählen und deren Wirkung überprüfen. Werden Anpassung gefordert, müssen Vorgehen und Ziele reflektiert, bewertet und gegebenenfalls neu ausgerichtet werden.

Tab. 2: Metakognitive Basisprinzipien

Emotional-motivationale Basisprinzipien:
Gefühle, Stimmungen, Motivation und Interessen beeinflussen kognitive und metakognitive Prozesse maßgeblich, da sie bestimmen, wie wir Wissen aufnehmen, verarbeiten und anwenden. Insbesondere Stress verengt das Denken, verschlechtert das Lernen, die Kreativität und das Problemlösen. Dabei ist zwischen akuten Emotionen und länger anhaltenden Stimmungen sowie zwischen situativer Motivation und stabilen Interessen zu unterscheiden. Obwohl sich diese Faktoren kaum planen oder steuern lassen, sollten sie als grundlegende Prinzipien im persönlichen Wissensmanagement berücksichtigt werden.

Tab. 3: Emotional-motivationale Phänomene bzw. Basisprinzipien

Hier geht es zu einem weiterführenden Beitrag, in dem ein Raster zur Methodenwahl bei diesem Modell vorgestellt wird:
Methodenwahl für das persönliche Wissensmanagement.

Quellenangabe:
Reinmann, Gabi; Hartung, Silvia: E-Portfolios und persönliches Wissensmanagement – In: Miller, Damian [Hrsg.]; Volk, Benno [Hrsg.]: E-Portfolio an der Schnittstelle von Studium und Beruf. Münster : Waxmann 2013, S. 43-59
https://doi.org/10.25656/01:10917

Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

Bridging Epistemology Framework

Bridging Epistemology Framework

In ihrem Aufsatz Bridging Epistemologies: The
Generative Dance Between Organizational Knowledge and
Organizational Knowing. (In: Organization Science, 10(4), S. 381-400.) stellen Cook und Brown „die Epistemologie des Besitzes in Frage“: Traditionell wird Wissen als statische Ressource betrachtet, die Einzelpersonen oder Organisationen besitzen, ansammeln, speichern und übertragen können. Diese Perspektive konzentriert sich oft auf Wissen als Objekt, etwas Explizites und im menschlichen Geist Enthaltenes. Im Englischen verwenden die Autoren hierfür den Begriff ‚knowledge‘.

Cook und Brown schlagen eine „Epistemologie der Praxis” vor, die „Wissen als einen dynamischen, handlungsorientierten Prozess“ betrachtet. Anstelle von Wissen als statischer Einheit wird „Wissen” als Verb beschrieben, als etwas, das man *tut*, das untrennbar mit der Praxis verbunden ist und sich durch die Beteiligung an sinnvollen Handlungen im individuellen und gruppenbezogenen Kontext entfaltet. Im Englischen verwenden sie den Begriff ‚knowing‘. Diese Perspektive erkennt den sozialen, kontextabhängigen, mehrdeutigen und dynamischen Charakter von Wissen an.

Mit ihrem Framework wollen Cook und Brown den Gegensatz zwischen ‚Wissen als Objekt‘ und ‚Wissen als Prozess‘ überbrücken und das Zusammenspiel von Wissen betonen. Im Mittelpunkt steht „Wissen als Handeln“, was bedeutet, dass Wissen durch diese Interaktionen kontinuierlich geschaffen und dynamisch angewendet wird. Der „generative Tanz“ aus dem Titel des Aufsatzes impliziert, dass diese verschiedenen Formen des Wissens nicht miteinander konkurrieren, sondern sich gegenseitig befähigen:

  • Explizites individuelles Wissen (Konzepte):
    Formale Wissensstrukturen wie Theorien, Modelle und Rahmenwerke, die Einzelpersonen entwickeln und nutzen.
  • Explizites kollektives Wissen (Geschichten):
    Gemeinsame organisatorische Narrative, Cases und Geschichten, die ein gemeinsames Verständnis innerhalb von Gruppen schaffen.
  • Implizites individuelles Wissen (Fähigkeiten):
    Persönliche Kompetenzen, Erfahrungen und intuitives Know-how, das durch Praxis erworben wurde.
  • Implizites kollektives Wissen (Verhaltensmuster/ soziale Praktiken):
    Kollektives, kulturell verankertes Wissen, wie organisatorische Konventionen, spezifische Sprachen oder Kommunikationsmedien, das das Verhalten und die Normen einer Gruppe prägt.

Implikationen für Organisationen
Der „generative Tanz” ermutigt Organisationen, alle vier Formen des Wissens anzuerkennen und auszugleichen. Er fördert die Schaffung eines sich gegenseitig befähigenden Umfelds, in dem Wissen ein aktiver, sich entwickelnder Prozess ist, anstatt Wissen lediglich als Wettbewerbsressource zu betrachten. Dieser ganzheitliche Ansatz ist, laut Cook und Brown, entscheidend für organisationales Lernen, Innovation und Wissensmanagement, da er anerkennt, dass effektive Entscheidungsfindung und Problemlösung sowohl auf strukturiertem (explizitem) als auch auf in der Praxis verankertem (implizitem) Wissen beruhen, und zwar sowohl auf individueller als auch auf kollektiver Ebene.

Konkret bedeutet dies, dass es weniger um Management als aum Facilitation geht und sich die beiden grundlegenden Strategien ‚Kodifizierung‘ und ‚Personalisierung‘ im Umgang mit Wissen ergänzen.

Im Kontext anderer Modelle

  • Ähnlich wie beim SECI-Modell betonen Cook und Brown die dynamische Interaktion zwischen explizitem und implizitem Wissen.  Sie betrachten dieses Zusammenspiel aber weit weniger technokratisch (Umwandlung von implizit nach explizit…), ein verbreiteter Kritikpunkt am SECI-Modell.
  • Wie beim Münchner Modell liegt ein Fokus auf der Dynamik des Wissens und seinen beiden Polen zwischen Information (Besitz) und Handlung (Praxis).
  • Hinsichtlich des Primats der Gestaltung von Rahmenbedingungen gegenüber der direkten Steuerung von Wissen ist es nahe beim Wissensgarten.

Dieses mit der KI Notebook LM auf Grundlage von Fachartikeln zu Cook und Brown generierte Video bringt es nochmals auf den Punkt (Dauer 7’11 Min., in englischer Sprache)

WM4-Modell

WM4-Modell

Das WM4-Modell von Michael Müller (vgl. Müller, Michael (2022) Wissensmanagement klipp und klar. Wiesbaden) versucht eine Integration von 3 grundlegenden Modellen:

Das Schalen-Modell stellt dar auf welchen Ebenen innerhalb und mit der Ebene ‚Umwelt‘ auch außerhalb der Organisation Wissensmanagement die Wissensarbeit potenziell unterstützt. Es referenziert mit der angedeuteten Dynamik zwischen Individuum, Gruppe und Organisation das SECI-Modell.

Das Prozess-Modell fokussiert auf diejenigen Prozesse des Bausteine-Modells, welche die eigentlichen Geschäftsprozesse unterstützen und sorgt damit für die Verankerung des Wissensmanagements in der geschäftlichen Tätigkeit der Organisation.

Das Ebenen-Modell unterscheidet zwischen einer ‚weichen‘ Ebene (Verhalten/Einstellungen in Bezug auf das Kulturmodell von Edgar Schein) und einer ‚harten‘ Ebene (Organisation und IT-Tools). Insgesamt greift es die Idee des MOT-Modells auf und sensibilisiert für die verschiedenen Handlungsebenen.

Alle Dimensionen sollen auf die Unternehmensziele ausgerichtet sein.

Ergänzt wird das Modell durch die Dimension Zeit, welche die Einführung von Wissensmanagement in Ausbaustufen unterstützen soll.

Insgesamt ist das Modell gedacht als Unterstützung für eine Ist-Analyse sowie die Planung der schrittweisen Implementierung von Wissensmanagement.

 

Grundlagen

Grundlagen

Wissensmanagement wird oft als diffuser Begriff wahrgenommen. Daher ist es wichtig, sich mit den Grundlagen zu beschäftigen, um dann auf einer soliden gemeinsamen Verständnisbasis an die konkreteren Fragestellungen der Einführung, der Werkzeuge und Methoden usw. heranzugehen.

Kommentare/Hinweise:
Ergänzungs- o. Änderungsvorschläge als eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

KI im WM Grundlagen, Uncategorized

KI im Wissensmanagement – Grundlagen

Seit der Veröffentlichung der ersten frei verfügbaren Version von ChatGPT im November 2022 ist das Thema ‚Künstliche Intelligenz KI‘ (Englisch: Artifical Intelligence AI) in aller Munde. Und nicht nur das, die verfügbaren Tools entwickeln sich rasant weiter:  Wie der AI Index Report des Human-Centered Artificial Intelligence (HAI) Instituts der Stanford University aus 2025 zeigt:

  • erreicht nur noch einer von acht analysierten Bereichen (von etablierter Bilderkennung bis hin zu komplexen Aufgaben in der Mathematik und umfangreichem Textverständnis) nicht die von einem Menschen zu erwartende Performance (Human Baseline), und zwar das multimodale Verstehen und Schlussfolgern.
  • ist KI zunehmend Teil unseres täglichen Lebens.
  • steigen Investitionen in KI weltweit rasant.
  • nimmt der KI-Optimismus weltweit deutlich zu, in Deutschland zwischen 2022 und 2025 um 10%.

In einer Umfrage von McKinsey im Jahr 2024 gaben Organisationen diverse Bereiche an, für welche sie entsprechend generative KI-Tools nutzen. Dabei stellt der Bereich Wissensmanagements nach dem Marketing den zweitgrößten Anwendungsbereich dar (vgl. AI Index Report des Human-Centered Artificial Intelligence (HAI) Instituts der Stanford University S. 266)

Doch was genau verstehen wir unter KI?

Hinweis: Da sich die Tools sehr dynamisch entwickeln und wir mit dem freien Kursbuch neutral bleiben wollen, nennen wir keine Tool-Beispiele. Aber sicher kennst du bereits zahlreiche KI-Anwendungen.

Künstliche Intelligenz (KI) ist ein Sammelbegriff für Technologien, die darauf abzielen, kognitive Funktionen auszuführen, die mit menschlichem Denkvermögen gleichgesetzt werden. Dazu zählen unter anderem Wahrnehmung, Lernen, Interaktion, Problemlösung, Entscheidungsfindung und der Ansatz von Kreativität.
Die von der Europäischen Kommission eingesetzte Expertengruppe für künstliche Intelligenz (AI HLEG) definiert den Begriff der künstlichen Intelligenz folgendermaßen:
„Künstliche Intelligenz (KI)-Systeme sind von Menschen entwickelte Software- (und möglicherweise auch Hardware-)Systeme, die – unter der Vorgabe eines komplexen Ziels – in der physischen oder digitalen Dimension agieren, indem sie ihre Umgebung durch Datenerfassung wahrnehmen, die gesammelten strukturierten oder unstrukturierten Daten interpretieren, auf dem daraus abgeleiteten Wissen schlussfolgern oder Informationen verarbeiten und anschließend die beste(n) Handlung(en) auswählen, um das gegebene Ziel zu erreichen….“.

Was ist generative KI?

Generative KI erzeugt Inhalte aus Daten, mit denen sie vorher trainiert worden ist. Die Basis sind  Large Language Models (LLM), die vorhandene Daten nach den Gesetzen der Häufigkeit, Gewohnheit, Wahrscheinlichkeit kombinieren.

Typische Einsatzgebiete generativer KI sind:

  • Informationsrecherche
  • Generierung von Texten, Bildern und Videos
  • Kommunikation, z. B. Chatbots im Kundenservice

Technologische Grundlagen

  • Machine Learning (ML)
    Ein Teilgebiet der KI, bei dem Systeme aus Daten lernen, ohne explizit programmiert zu sein, vielmehr verbessern sich die  Computeralgorithmen durch Erfahrung automatisch. Diese Algorithmen entwickeln ein mathematisches Modell, welches auf sogenannten Trainingsdaten basiert. Damit haben sie die Möglichkeit, Vorhersagen zu treffen oder Entscheidungen zu fällen, ohne speziell dafür programmiert zu sein. ML ist die Grundlage vieler KI-Anwendungen – von Spam-Filtern bis zu Produktempfehlungen.
  • Deep Learning (DL)
    Eine Weiterentwicklung des ML ist Deep Learning (DL). Während ein Modell beim ML regelmäßig trainiert wird, um Genauigkeit und Präzision sicherzustellen, kann das Modell beim DL von selbst dazulernen und im Laufe der Zeit eigenständig, ohne manuelles Training präziser und differenzierter werden, und zwar auf Basis neuronaler Netze. Deep Learning ermöglicht besonders leistungsfähige Modelle, z. B. für Bilderkennung oder Sprachverarbeitung.
  • Large Language Models (LLMs)
    Sehr große, auf Deep Learning basierende Sprachmodelle, die auf riesigen Textmengen trainiert wurden. Sie bilden das Herzstück vieler generativer KI-Anwendungen LLMs können Sprache verstehen, interpretieren und selbstständig neue Texte generieren.

Wenn du die Rolle der Wahrscheinlichkeitsrechnung für eine generative KI verstehen möchtest, erklärt das am besten die Maus (Dauer 5’51 Min.):

Der Lernprozess einer KI und die Rolle der so genannten neuronalen Netze sind hier gut erklärt (Dauer 4’51 Min.):

Andere Formen von KI

Neben der so genannten generativen KI gibt es weitere wichtige Formen von KI, die in unterschiedlichen Anwendungsfeldern zum Einsatz kommen:

  • Analytische KI
    Konzentriert sich auf die Analyse von Daten zur Mustererkennung. Dadurch werden aus großen Datenmengen Informationen extrahiert und auf dieser Basis Vorhersagen getroffen. Es handelt sich also um Machine-Learning-Algorithmen zur Datenanalyse.
    Typische Einsatzgebiete analytischer KI sind Expertensysteme  zur Einbindung menschlichen Fachwissens in automatisierte Abläufe, die Optimierung von Abläufen durch Fehlererkennung in Fertigungsprozessen oder auch die Ahndung von Finanzkriminalität durch Mustererkennung in Geldströmen.
  • Kognitive KI
    Zielt darauf ab, menschliche Denk- und Wahrnehmungsfähigkeiten nachzuahmen und zu nutzen. Sie ist darauf ausgerichtet, Aufgaben zu bewältigen, die sonst menschliche Intelligenz erfordern. Kognitive KI unterscheidet sich von analytischer KI insofern, dass sie ihre Muster und Regeln auf Basis der vorgefundenen Daten selbst entwickelt und diese nicht von einem Menschen vorgegeben bekommt. Während analytischer KI also gesagt wird, wonach sie suchen soll, versucht kognitive KI, das anhand der vorliegenden Daten selbst herauszufinden.
    Typische Einsatzgebiete kognitiver KI sind Natural Language Processing (Umwandlung von Text zu Wort), Gesichts- oder Objekterkennung, neuronale Netze: zur Vorhersage bestimmter Ereignisse in Geschäftsabläufen, Früherkennung von Krankheiten mit Bildanalyse.

Denkaufgabe:

Verfügt eine KI tatsächlich über Wissen? Wenn du an die Definitionen von Daten, Informationen, Wissen, Kompetenz usw. zurückdenkst: Was spricht dafür? Was dagegen?

Wer tiefer einsteigen möchte: Die wesentlichen Erkenntnisse aus dem AI Index Report des Human-Centered Artificial Intelligence (HAI) Instituts der Stanford University gibt es in diesem Video (Dauer 56’15 Min.)

KI Risiken

Risiken von KI

KI bietet sowohl für das organisationale als auch das persönliche Wissensmanagement ein großes Potenzial. Doch sind damit auch große Risiken verbunden, aus denen sich oft Bedenken und Skepsis von Mitarbeitenden bei der Einführung von KI-Lösungen speisen und die bei einer Einführung – nicht nur aus diesem Grund – berücksichtigt werden müssen:

  • Verlust von Kontrolle und Transparenz
    KI-Systeme – insbesondere solche auf Basis von Deep Learning – sind oft so genannte Black Boxes. Ihre Entscheidungen sind für Menschen schwer nachvollziehbar, was zu einem Verlust an Kontrolle und Vertrauen führen kann.
  • Verbreitung von Desinformation
    Generative KI kann täuschend echte Texte, Bilder oder Videos erzeugen – was die Verbreitung von Fake News, Deepfakes und Manipulation erleichtert.
  • Datenschutz und Informationssicherheit
    KI-Systeme benötigen große Datenmengen – oft auch personenbezogene. Es besteht das Risiko, dass:
    – sensible Daten ungewollt preisgegeben werden,
    – Datenschutzvorgaben (z. B. DSGVO) verletzt werden,
    – oder Systeme durch Prompt Injection oder andere Angriffe kompromittiert werden.
  • Diskriminierung und Verzerrung (Bias)
    KI-Systeme übernehmen oft unbewusst Vorurteile aus den Trainingsdaten. Das kann zu diskriminierenden Entscheidungen** führen – etwa bei Bewerbungen, Kreditvergabe oder polizeilichen Prognosen.
  • Abhängigkeit und Kompetenzverlust
    Wenn Organisationen oder Einzelpersonen sich zu stark auf KI verlassen, kann dies zu einem Verlust menschlicher Kompetenzen führen – z. B. im Schreiben, Denken oder Entscheiden.
  • Ethische und rechtliche Grauzonen
    Viele KI-Anwendungen bewegen sich in einem regulatorischen Graubereich. Es fehlen (noch) klare Regeln für Haftung, Verantwortung und ethische Grenzen .

Das EU KI-Gesetz (AI Act)

Um den oben genannten Risiken zu begegnen und Organisationen und Individuen Rechtssicherheit im Umgang mit KI zu geben, hat die Europäische Union im Sommer 2024 den EU AI Act verabschiedet, der im August 2026 vollständig in Kraft tritt.

Die wesentlichen Punkte werden in diesem Video erklärt (Dauer 7’24 Min.):

Daraus ergeben sich für Organisationen, die KI entwickeln oder einsetzen einige Handlungsempfehlungen:

  • Schult eure Mitarbeitenden im Umgang mit KI.
  • Prüfe, ob eure KI-Anwendungen unter den AI Act fallen.
  • Klassifiziere die Systeme nach Risikokategorien.
  • Erarbeitet eine Compliance-Strategie.
  • Dokumentiert die KI-relevanten Prozesse und Datenquellen.

Die oben genannten Punkte sind eine Zusammenfassung mehrerer Studien:
TÜV Nord – Risiken der KI
UNESCO-Empfehlung zur Ethik Künstlicher Intelligenz
MENA Editors Network: Die 10 größten KI-Risiken

 

 

Digitaler Zwilling

Digitaler Zwilling

Bedeutung des „digitalen Zwilling“ für das Wissensmanagement

„Ein digitaler Zwilling (engl. digital twin) ist eine digitale Repräsentanz eines materiellen oder immateriellen Objekts aus der realen Welt in der digitalen Welt.“ („digitaler Zwilling„, Wikipedia, 5.1.2022)

Oft hat man dabei sofort sehr komplexe digitale Lösungen im Kopf, wie z.B. seinen eigenen „Avatar“ wie in „Second Life“  oder das digitale Abbild komplexer Maschinen, Industrieanlagen oder Architektur-Projekte bzw. andere komplexe Simulationen.

Der digitale Zwilling hat aber insbesondere als „digitaler Ankerpunkt“ eines realen Objektes (Gegenstand, Person, Prozess usw.) des realen Lebens eine wichtige Bedeutung für das Wissensmanagement, das Lernen und die Bildung. Hier gibt es auch Überschneidungen zur „augmented reality“ (Erweiterte Realität).

So  sind z.B. „Lernpfade“, die an ein reales Objekt gekoppelt sind (Bsp. Lernpfad des  Mauerbienen-Nistblocks des aracube e.V.) ein digitaler Zwilling, oder allseits bekannt, „Google Maps“ , wo nicht nur die diegitale selbst ein „digitaler Zwilling“ der Realität ist, sondern auch jedes „Objekt“ (Restaurant, Hotel, Betätigungsmöglichkeit, Sehenswürdigkeit, Haltestelle des ÖPNV usw) auf sind hier „digitale Repräsentanten“ des „realen Objektes“.  Diese digitalen Repräsentanten (z.B. Haltestelle des ÖPNV) lässt sich nun mit digitalen Informationen anreichern, z.B. dem „Wissen“, mit wieviel Verspätung der nächste Bus an der Haltestelle eintrifft.

Dieses Beispiel zeigt, welche Bedeutung der „digitale Zwilling“ für das Wissensmanagement haben kann, wenn das Wissen zu einem „Objekt“ (z.B. Schritt eines Arbeitsprozesses) direkt mit dem digitalen Wissen (z.B. Arbeitsanleitung und Ansprechpartnerin zu dem Arbeitsprozessschritt) zu diesem „Objekt“ gekoppelt werden kann.

Sehr gut erläutert wird die Bedeutung und Nutzungsmöglichkeit des digitalen Zwillings von Lukas Klaßen in der entsprechenden WMOOC Live-Session (Dauer: 54:46 min):

zum Index + mehr Details zum Video

Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

Wahr oder Falsch

Die Truthahn-Illusion – Kognitive Verzerrungen

„Die Truthahn-Illusion – Kognitive Verzerrungen beim professionellen Umgang mit Information“

mit Stefan Zillich,Information + Content Professional in Berlin (re:Quest, stz-info.de), Live-Session aus dem Wissensmanagement MOOC (WMOOC 2021).

Kognitive Verzerrungen sind systematische fehlerhafte Neigungen beim Wahrnehmen, Erinnern, Denken und Urteilen.

Sie bleiben meist unbewusst und führen zu Bewertungen und Entscheidungen, die von rationaler Objektivität abweichen. Etwa 200 kognitive Verzerrungen sind bekannt. In dieser Live-Session geht es um jene Verzerrungen, die ganz besonders den professionellen Umgang mit Information erschweren. Letztlich lassen sich kognitive Verzerrungen kaum vermeiden, aber es gibt Ideen und Methoden für die Praxis, um sie zu erkennen und damit umzugehen (Dauer: 54:11 min):

Index zum Video:

  • 00:00 min : Begrüßung
  • 01:00 min : Vorstellung Stefan Zillich
  • 01:38 min : Einführung: Truthahn-Illusion
  • 03:50 min: 3 Problemzonen beim Umgang mit Information
  • 05:20 min: Kognitive Verzerrungen – cognitive bias
  • 07:13 min: Top 8 der Kognitiven Verzerrungen
  • 07:43 min: Ikea-Effekt
  • 10:31 min: Bestätigungsfehler
  • 13:17 min: Anker-Effekt
  • 16:06 min: Rhyme-as-Reason Effect
  • 19:10 min: Post-Purchase Effekt
  • 21:16 min: Shared-Information Bias
  • 22:45 min: Vogelstrauß Effekt
  • 24:59 min: Naiver Realismus
  • 25:59 min: Abschließende Worte zu den Top 8
  • 26:24 min: Am Ende doch nützlich?
  • 28:23 min: Methoden zum Umgang mit Kognitiven Verzerrungen
  • 29:38 min: Vorstellung konkreter Methoden
  • 31:41 min: Critical Thinking
  • 32:27 min: Zusammenfassung – Kognitive Verzerrungen

  • 34:12 min: Beginn Fragen und Antworten
  • 34:34 min: Wie macht man in einem Team o. Auftrag auf die kogniviven Verzerrungen aufmerksam?
  • 37:56 min: Wie bekomme ich selber mit, wann ich gerade kognitiven Verzerrungen unterliege?
  • 40:41 min: Ab wann sind neue Informationen für Projekte „zu spät“?
  • 42:25 min: Wie schafft man es, dass Daten die unbequem sind, mit einbezogen werden?
  • 45:44 min: Was ist ein Beispiel, wo Du selbst besonders kognitiven Verzerrungen aufgesessen bist?
  • 50:40 min: Welche Probleme bringt es, wenn kognitive Verzerrungen in der Schulbildung ausgeklammert werden?
  • 53:43 min: Verabschiedung
Psychologische Grundlagen

Psychologische Konzepte des Lernens

„Wie entsteht Wissen? Psychologische Konzepte des Lernens“

Welche psychologischen Aspekte für unser Lernen wichtig sind, wie sie wirken und wie wir sie beeinflussen können ist Thema dieser Live-Session mit Susanne Zillich (Psychotherapeutin) des Wissensmanagement MOOCs.  Ebenfalls auf das Thema Resilienz und dessen sieben Säulen wird intensiver eingegangen, auch im F&A Teil. Wir entschuldigen uns für die zwischenzeitlichen Tonstörungen. (Dauer: 62:13 min)

Index zum Video:

  • 0:00 min : Begrüßung & Vorstellung
  • 0:24 min : Vorstellung Susanne Zillich
  • 2:54 min : Wie entsteht Wissen
  • 3:37 min : Zitronen- Experiment
  • 4:31 min : Klassische Konditionierung
  • 6:37 min : operante Konditionierung (Lernen durch Belohnung)
  • 11:43 min: Modelllernen (Sozialkognitive Theorie)
  • 13:21 min: Was passiert in unserem Gehirn?
  • 16:35 min: Wie lernen wir am besten?
  • 20:58 min: Resilienz, und kann man sie lernen?
  • 22:25 min: Die sieben Säulen der Resilienz
  • 25:44 min: Ablauf einer Alarmreaktion
  • 31:47 min: Versuch zur Alarmreaktion (Ärger)
  • 39:07 min: Was haben wir über das Lernen gelernt? (Zusammenfassung)
  • 40:47 min: Beginn Fragen & Antworten
  • 41:08 min: Wie kann das Lernen im Alter unterstützt werden?
  • 47:53 min: Resilienz: Sind alle Säulen gleichwertig?
  • 51:20 min: Gibt es einen Test, auf welchem Resilienzlevel man sich befindet?
  • 52:42 min: Humor als gutes Beispiel der Spannungsreduktion
  • 56:20 min: „Fährmann“-Entscheidung aus Siddharta: Ist solch ein „hohes“ Resilienzlevel aus Sicht einer Organisation gut?
  • 1:01:59 min: Verabschiedung

Kommentare/Hinweise:
Ergänzungs- o. Änderungsvorschläge als EMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).