GenClass

Ziel des Projekts ist es, neue mathematische Klassifikationsmethoden zu entwickeln, die es erlauben, menschliche und im Besonderen weibliche Entscheidungsprozesse abzubilden. Konkret sollen Unterschiede in der Entscheidungsfindung bei Männern und Frauen mathematisch nachgewiesen und quantifiziert werden. Dafür sollen neue Klassifikationsverfahren entwickelt werden, die substantiell besser in der Lage sind, menschliche Entscheidungen zu reproduzieren und die im Rahmen von automatischen Qualitätssicherungssystemen mit der Fähigkeit vom Menschen zu lernen eingesetzt werden können. Dabei soll in „machine learning“ Systemen die menschliche (männliche und weibliche) Komponente stärker berücksichtigt werden. GenClass strebt die Entwicklung eines Prototyps einer Softwarebibliothek an, die in Kombination mit Bildverarbeitungsalgorithmen als „machine learning“ Komponente in Bildverarbeitungsbibliotheken vertrieben und verkauft werden kann.

GenClass

Modellierung geschlechterspezifischer Unterschiede bei der Entscheidungsfindung in der Qualitätssicherung

Beteiligte Organisationen

Profactor GmbH (Projektkoordination), Prospect Unternehmensberatung GmbH

Laufzeit

Juni 2009 – November 2011

Projektleiter

Dr. Christian Eitzinger
christian.eitzinger@profactor.at

Homepage

---

Ziel des Projekts

Ziel des Projekts ist es, neue mathematische Klassifikationsmethoden zu entwickeln, die es erlauben, menschliche und im Besonderen weibliche Entscheidungsprozesse abzubilden. Konkret sollen Unterschiede in der Entscheidungsfindung bei Männern und Frauen mathematisch nachgewiesen und quantifiziert werden. Dafür sollen neue Klassifikationsverfahren entwickelt werden, die substantiell besser in der Lage sind, menschliche Entscheidungen zu reproduzieren und die im Rahmen von automatischen Qualitätssicherungssystemen mit der Fähigkeit vom Menschen zu lernen eingesetzt werden können. Dabei soll in „machine learning“ Systemen die menschliche (männliche und weibliche) Komponente stärker berücksichtigt werden. GenClass strebt die Entwicklung eines Prototyps einer Softwarebibliothek an, die in Kombination mit Bildverarbeitungsalgorithmen als „machine learning“ Komponente in Bildverarbeitungsbibliotheken vertrieben und verkauft werden kann.

Fragestellung

Inwiefern lassen sich die in der Praxis beobachteten Unterschiede in Entscheidungsprozessen zwischen Frauen und Männern mathematisch beschreiben und quantifizieren?

Hintergrund des Projekts

Die visuelle Prüfung von Produkten am Ende eines Produktionsprozesses ist ein wichtiger Produktionsschritt, der sehr häufig ausschließlich von Frauen durchgeführt wird. Der spezifische Einsatz von Frauen in diesem Bereich wird damit begründet, dass Frauen ausdauernder sind, aber auch reproduzierbarere Entscheidungen treffen können. Dies ist besonders ausgeprägt, wenn bei der Qualitätssicherung die Ästhetik im Vordergrund steht und nicht nur rein funktionelle Überlegungen. So spielen wahrscheinlich Arbeitshaltungen von Frauen als Ergebnis von geschlechtsspezifischer Sozialisation eine Rolle bei der beobachteten besseren Jobperformance von Frauen. Arbeitszufriedenheit und Leistungsmotivation hängt aber auch davon ab, welche Alternativen und Karrierechancen gesehen werden – und diese sind in einem segregierten Arbeitsmarkt für Frauen nachweislich geringer als für Männer. Frauen haben gelernt, an sich selbst sehr hohe Ansprüche zu stellen und den Anforderungen, die von außen an sie herangetragen werden, so gut wie möglich zu entsprechen. Im Bereich des maschinellen Lernens sind Gender-Aspekte bisher kaum berücksichtigt worden. Im Rahmen dieses Projekts soll gezeigt werden, dass Gender-Aspekte nicht nur mathematisch analysiert und quantifiziert werden, sondern auch zur Entwicklung neuer Methoden führen können.

Geschlechter-/Gender-Konzeption

Das Projekt fokussiert auf die Unterschiede zwischen Frauen und Männern in bestimmten kognitiven Fähigkeiten, die u.a. durch Geschlechterrollen und Stereotypen bedingt sind. Die gewählte geschlechtsdifferenzierte Herangehensweise ist eingebettet in ein Verständnis, dass Technik nicht geschlechtsneutral ist, sondern eingebettet in Alltagstheorien über Frauen und Männer, die aus Stereotypen, Rollenvorstellungen und identitätsbezogenen Wissensbeständen bestehen.

Ergebnisse

Das erste Ziel, die mathematisch nachweisbaren Unterschiede zwischen Frauen und Männern bezüglich ihrer Entscheidungsfindung, konnte erreicht werden. Die Analyse zeigt signifikante Unterschiede in der Wichtigkeit einzelner Merkmale für den Entscheidungsprozess mit einem Niveau von 99,4% (p=0,006).

Das zweite Ziel, die Entwicklung eines Klassifikationsverfahrens, welches besser in der Lage ist, aus menschlichen Erfahrungen zu lernen, konnte nicht erreicht werden. Die entwickelten Entscheidungsbäume mit ähnlichkeitsbasierten Knoten zeigten vergleichbare oder geringfügig schlechtere Genauigkeiten als herkömmliche Klassifikatoren.

Das dritte Ziel, die stärkere Berücksichtigung der menschlichen (männlichen und weiblichen) Komponenten in „machine learning“ Systemen, wurde durch die Veröffentlichung mehrerer Publikationen erreicht (siehe Publikationen).

Dissemination der Ergebnisse

Wolfgang Heidl wurde für seine Dissertation an der Johannes Keppler Universität mit dem Erwin Wenzl Preis ausgezeichnet. Die Dissertation “Machine learned models for structural behavior differences” (2013) basiert auf der Forschung zum Projekt GenClass. Blogbeitrag Profactor zur Auszeichnung der Dissertation von Heidl

Heidl, Wolfgang; Thumfart, Stefan; Eitzinger, Christian (2012). Humans differ: so should models. systematic differences call for per-subject modeling. Paper presented at the 4th Int. Conf. on Agents and Artificial Intelligence.

Heidl, Wolfgang; Thumfart, Stefan; Lughofer, Edwin; Eitzinger, Christian; Klement, Erich P. (2011). Machine learning based analysis of gender differences in visual inspection decision making. Submitted to Information Sciences.

Heidl, Wolfgang; Thumfart, Stefan; Lughofer, Edwin; Eitzinger, Christian; Klement, Erich P. (2011). Decision tree-based analysis suggests structural gender differences in visual inspection. Paper presented at AIA2011, IASTED International Conference on Artificial Intelligence and Applications.

Heidl, Wolfgang; Thumfart, Stefan; Lughofer, Edwin; Eitzinger, Christian; Klement, Erich P. (2010). Classifier-based analysis of visual inspection: gender differences in decision-making. Paper presented at SMC2010, IEEE Conference on Systems, Man and Cybernetics.

Pressemitteilungen zum Projekt wurden am 14. September 2009 und am 15. September 2011 von profactor veröffenticht.

Pressemitteilung ProFactor

Pressemitteilung PresseBox