Studienarbeit aus dem Jahr 2020 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1.0, FernUniversität Hagen (Lehrstuhl für Parallelverarbeitung und IT-Sicherheit), Sprache: Deutsch, Abstract: Die Defense Advanced Research Projects Agency (DARPA) des Verteidigungsministeriums der Vereinigten Staaten von Amerika rief 2016 das Explainable Artificial Intelligence (XAI)-Programm ins Leben, mit dem Fokus, Techniken maschinellen Lernens zu entwickeln, die erstens erklärbare Modelle bei gleichbleibend hoher Lernfähigkeit erzeugen und zweitens den Menschen befähigen, AI-Systeme zu verstehen, ihnen angemessen zu vertrauen und die nächste Generation intelligenter Systeme kontrollieren zu können. Denn nur, wenn wir Menschen verstehen, wie KI-Systeme zu Entscheidungen gelangen, haben wir die Möglichkeit, sie mehrwertbringend in industriellen Prozessen anzuwenden und positiv in das tägliche Leben unserer Gesellschaft zu integrieren. Zielvorgabe der vorliegenden Arbeit ist die Darstellung und Analyse zweier Methoden, namentlich der Sensitivity Analysis (SA) und der Layerwise Relevance Propagation (LRP), deren eigene Zielsetzung es ist, die Entscheidungen intelligenter Systeme für den menschlichen Betrachter nachvollziehbar zu machen. Bevor jedoch auf die einzelnen Methoden, deren Funktionsweise und auf eine kritischen Betrachtung eingegangen werden kann, bedarf es einer Abgrenzung des Forschungsgebiets der XAI. Artificial Intelligence (AI) ¿ ein populärer Begriff aktueller Zeit, der mit einer Vielzahl an technologischen Anwendungen in Verbindung gebracht wird. Manchmal prominent und tangibel in Form von menschenähnlichen Robotern, wieder andere Male subtil, weder sichtbar noch greifbar in Form von Algorithmen. Dabei ist die konzeptionelle Idee der Abbildung künstlicher Intelligenz durch Computersysteme keine neue Errungenschaft, sondern geht bis auf die Erkenntnisse von Warren McCulloch und Walter Pitts im Jahr 1943 zurück. McCulloch/Pitts (1943) offerierten ein Modell, das in Anlehnung an das biologische Vorbild künstliche Neuronen an- bzw. ausschaltet, je nach Stimulus durch benachbarte Neuronen. Dabei wird impliziert, dass durch ein Netzwerk künstlicher Neuronen ebenfalls die Möglichkeit der Lernfähigkeit bestünde.

Studienarbeit aus dem Jahr 2020 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1.0, FernUniversität Hagen (Lehrstuhl für Parallelverarbeitung und IT-Sicherheit), Sprache: Deutsch, Abstract: Die Defense Advanced Research Projects Agency (DARPA) des Verteidigungsministeriums der Vereinigten Staaten von Amerika rief 2016 das Explainable Artificial Intelligence (XAI)-Programm ins Leben, mit dem Fokus, Techniken maschinellen Lernens zu entwickeln, die erstens erklärbare Modelle bei gleichbleibend hoher Lernfähigkeit erzeugen und zweitens den Menschen befähigen, AI-Systeme zu verstehen, ihnen angemessen zu vertrauen und die nächste Generation intelligenter Systeme kontrollieren zu können. Denn nur, wenn wir Menschen verstehen, wie KI-Systeme zu Entscheidungen gelangen, haben wir die Möglichkeit, sie mehrwertbringend in industriellen Prozessen anzuwenden und positiv in das tägliche Leben unserer Gesellschaft zu integrieren. Zielvorgabe der vorliegenden Arbeit ist die Darstellung und Analyse zweier Methoden, namentlich der Sensitivity Analysis (SA) und der Layerwise Relevance Propagation (LRP), deren eigene Zielsetzung es ist, die Entscheidungen intelligenter Systeme für den menschlichen Betrachter nachvollziehbar zu machen. Bevor jedoch auf die einzelnen Methoden, deren Funktionsweise und auf eine kritischen Betrachtung eingegangen werden kann, bedarf es einer Abgrenzung des Forschungsgebiets der XAI. Artificial Intelligence (AI) ¿ ein populärer Begriff aktueller Zeit, der mit einer Vielzahl an technologischen Anwendungen in Verbindung gebracht wird. Manchmal prominent und tangibel in Form von menschenähnlichen Robotern, wieder andere Male subtil, weder sichtbar noch greifbar in Form von Algorithmen. Dabei ist die konzeptionelle Idee der Abbildung künstlicher Intelligenz durch Computersysteme keine neue Errungenschaft, sondern geht bis auf die Erkenntnisse von Warren McCulloch und Walter Pitts im Jahr 1943 zurück. McCulloch/Pitts (1943) offerierten ein Modell, das in Anlehnung an das biologische Vorbild künstliche Neuronen an- bzw. ausschaltet, je nach Stimulus durch benachbarte Neuronen. Dabei wird impliziert, dass durch ein Netzwerk künstlicher Neuronen ebenfalls die Möglichkeit der Lernfähigkeit bestünde.

Das Buch "Explainable AI: Interpreting, Explaining and Visualizing Deep Learning" bietet eine umfassende Analyse der Herausforderungen und Lösungen im Bereich der erklärbaren Künstlichen Intelligenz (XAI). In einer Zeit, in der autonome Systeme zunehmend Entscheidungen treffen, ist es entscheidend, dass diese Entscheidungen nachvollziehbar und transparent sind. Das Werk beleuchtet die Notwendigkeit, menschliche Kontrolle und Aufsicht über KI-Systeme zu wahren, insbesondere in sensiblen Bereichen wie der Gesundheitsversorgung und kritischen Infrastrukturen. Die 22 Kapitel des Buches decken eine Vielzahl von Themen ab, darunter Algorithmen, Theorien und Anwendungen von erklärbaren KI-Techniken. Die strukturierte Herangehensweise an die Interpretierbarkeit von KI-Modellen wird durch die Diskussion aktueller Entwicklungen und zukünftiger Richtungen in diesem dynamischen Forschungsfeld ergänzt. Die Leserinnen und Leser erhalten wertvolle Einblicke in Methoden zur Evaluierung und Erklärung von KI-Entscheidungen, was die Grundlage für eine verantwortungsvolle Implementierung von KI-Technologien bildet.

Das Buch "Explainable Edge AI: A Futuristic Computing Perspective" bietet eine umfassende Untersuchung der Erklärbarkeit im Bereich der Edge-KI, einer Kombination aus Edge-Computing und Künstlicher Intelligenz. Es behandelt zentrale Themen wie Transparenz, Fairness, Verantwortlichkeit, Erklärbarkeit, Interpretierbarkeit, Datenfusion und Verständlichkeit, die für die Entwicklung von Edge-KI von Bedeutung sind. Durch die Einführung erklärbarer Modelle und Techniken beleuchtet das Buch die Herausforderungen und Möglichkeiten in diesem aufstrebenden Forschungsfeld. Es beginnt mit den grundlegenden Konzepten der erklärbaren Künstlichen Intelligenz (XAI) und geht dann auf die spezifischen Aspekte der Erklärbarkeit in Edge-KI ein. Angesichts der rasanten Entwicklungen in der Computertechnologie und der Integration neuester KI-Technologien ist es entscheidend, eine menschenzentrierte Computing-Umgebung durch erklärbare Edge-KI zu fördern. Das Buch richtet sich an Studierende, Akademiker, Forscher und Fachleute, die sich mit den neuesten Trends und Herausforderungen in der KI und Edge-Computing auseinandersetzen möchten.

Das Buch "Explainable, Transparent Autonomous Agents and Multi-Agent Systems" dokumentiert die Ergebnisse des zweiten internationalen Workshops zu erklärbaren und transparenten autonomen Agenten sowie Multi-Agenten-Systemen, der 2020 virtuell stattfand. Die Konferenz sollte ursprünglich in Auckland, Neuseeland, stattfinden, wurde jedoch aufgrund der COVID-19-Pandemie online durchgeführt. In diesem Band sind acht überarbeitete und erweiterte Beiträge enthalten, die aus insgesamt 20 Einreichungen ausgewählt wurden. Die Beiträge sind in verschiedene thematische Abschnitte gegliedert, die sich mit erklärbaren Agenten, interdisziplinärer XAI (Explainable Artificial Intelligence), erklärbarem maschinellen Lernen und Demonstrationen befassen. Diese Sammlung bietet wertvolle Einblicke in aktuelle Entwicklungen und Herausforderungen im Bereich der erklärbaren KI und deren Anwendung in autonomen Systemen.

Das Buch "AI in Drug Discovery" ist eine Sammlung von ausgewählten und begutachteten Beiträgen, die im Rahmen des ersten internationalen Workshops zu diesem Thema präsentiert wurden. Dieser Workshop fand im September 2024 während der 33. Internationalen Konferenz über künstliche neuronale Netze in Lugano, Schweiz, statt. Die 12 enthaltenen Artikel bieten einen umfassenden Einblick in die neuesten Entwicklungen und Herausforderungen im Bereich der KI-gestützten Arzneimittelforschung. Die Autoren, darunter renommierte Experten, beleuchten verschiedene Aspekte, wie den Einsatz von Big Data, fortgeschrittenem maschinellen Lernen und erklärbarer KI (XAI). Zudem wird die Anwendung von Deep Learning zur Vorhersage molekularer Eigenschaften sowie die Modellierung und Vorhersage chemischer Reaktionsdaten behandelt. Diese Publikation richtet sich an Fachleute und Forscher, die sich für die Schnittstelle zwischen künstlicher Intelligenz und Chemie interessieren.

Das Buch "Case-Based Reasoning Research and Development" dokumentiert die Proceedings der 30. Internationalen Konferenz über fallbasiertes Schliessen (ICCBR 2022), die vom 12. bis 15. September 2022 in Nancy, Frankreich, stattfand. Der Schwerpunkt der Konferenz lag auf den globalen Herausforderungen, denen sich die fallbasierte Schliessforschung gegenübersieht, insbesondere in Bezug auf Nachhaltigkeit, Klimawandel und globale Gesundheit. In diesem Band sind 26 sorgfältig ausgewählte und begutachtete Beiträge enthalten, die aus 68 eingereichten Arbeiten hervorgegangen sind. Die behandelten Themen umfassen die Integration von fallbasiertem Schliessen (CBR) mit anderen Methoden der künstlichen Intelligenz, wie tiefen Lernarchitekturen, verstärkendem Lernen, lebenslangem Lernen und erklärbarer KI (XAI). Diese Sammlung bietet wertvolle Einblicke in die aktuellen Entwicklungen und Herausforderungen im Bereich des fallbasierten Schliessens und dessen Anwendung auf drängende globale Probleme.

Dieses Buch stellt einen fortschrittlichen Ansatz zur Erkennung von Hassinhalten in Internet-Memes unter Verwendung von multimodalem Lernen und erklärbarer künstlicher Intelligenz (XAI) vor. Meme vereinen Bilder und Text, was ihre Interpretation erschwert, insbesondere wenn böswillige Absichten indirekt durch Sarkasmus, Symbolik oder kontextuelle Hinweise vermittelt werden. Herkömmliche textbasierte Systeme sind oft nicht in der Lage, solche Zusammenhänge zu erfassen. Um dieser Herausforderung zu begegnen, integriert das vorgeschlagene „Explainable Hate Meme Detection System“ (EHMDS) Deep-Learning-Modelle sowohl zur Extraktion visueller als auch textueller Merkmale und anschließend einen aufmerksamkeitsbasierten Fusionsmechanismus, um . Auf Referenzdatensätzen evaluiert, zeigt das Modell im Vergleich zu bestehenden Ansätzen eine höhere Genauigkeit und Interpretierbarkeit. Diese Arbeit trägt zur Entwicklung zuverlässiger KI-Systeme für die Moderation von Inhalten und sichererer digitaler Plattformen bei.

Dieses Buch stellt einen fortschrittlichen Ansatz zur Erkennung von Hassinhalten in Internet-Memes vor, der auf multimodalem Lernen und erklärbarer künstlicher Intelligenz (XAI) basiert. Memes kombinieren Bilder und Text, was ihre Interpretation komplex macht, insbesondere wenn die böswillige Absicht indirekt durch Sarkasmus, Symbolik oder kontextuelle Hinweise vermittelt wird. Herkömmliche textbasierte Systeme sind oft nicht in der Lage, diese Zusammenhänge zu erfassen. Um dieser Herausforderung zu begegnen, integriert das vorgeschlagene Explicable Hate Meme Detection System (EHMDS) Deep-Learning-Modelle zur Extraktion visueller und textueller Merkmale, gefolgt von einem aufmerksamkeitsbasierten Fusionsmechanismus, um die en zwischen den Moden zu verstehen. Das System integriert zudem Techniken zur Erklärbarkeit, wie Grad-CAM und Aufmerksamkeitsvisualisierung, um transparente und für Menschen verständliche Vorhersagen zu liefern. Bei der Bewertung anhand von Referenzdatensätzen zeigt das Modell im Vergleich zu bestehenden Ans

Das vierbändige Set "Explainable Artificial Intelligence" umfasst die begutachteten Tagungsberichte der zweiten Weltkonferenz über erklärbare künstliche Intelligenz (xAI 2024), die vom 17. bis 19. Juli 2024 in Valletta, Malta, stattfand. In diesem Werk werden 95 vollständige Beiträge präsentiert, die sorgfältig aus 204 Einreichungen ausgewählt wurden. Die Konferenzpapiere sind in thematische Abschnitte unterteilt, die verschiedene Aspekte der erklärbaren KI abdecken. Dazu gehören intrinsisch interpretierbare Ansätze, generative erklärbare KI sowie Methoden zur Evaluierung und Benchmarking. Weitere Themen sind die Anwendung von erklärbarer KI in Bereichen wie Graphen, Computer Vision, Fairness, Vertrauen und Sicherheit. Das Buch bietet einen umfassenden Überblick über die neuesten Entwicklungen und Herausforderungen in der Forschung zur erklärbaren künstlichen Intelligenz und deren praktischen Anwendungen in verschiedenen Disziplinen, einschliesslich Gesundheitswesen und Softwaretechnik.

In einer Zeit, in der die Auswahl an Bildungsangeboten Studierende überfordern kann, erweist sich HHFHNet als bahnbrechende Lösung für präzise Kursempfehlungen. Dieser umfassende Leitfaden führt die Leser in die innovative Architektur des Hybrid HAN HDLTex Forward Harmonic Net (HHFHNet) ein, ein ausgeklügeltes System, das die Leistungsfähigkeit von Hierarchical Attention Networks (HAN) und Hierarchical Deep Learning for Texts (HDLTex) kombiniert. Durch die detaillierte Auseinandersetzung mit Term Frequency-Inverse Document Frequency (TF-IDF), rankingbasierten Empfehlungen und erklärbarer künstlicher Intelligenz (XAI) erlernen die Leser die Feinheiten des Aufbaus intelligenter Kursempfehlungssysteme. Das Buch präsentiert einen neuartigen Ansatz zur Bildungsberatung, der inhaltsbasierte Filterung, kollaborative Filterung und hybride Methoden zur Lösung des anspruchsvollen Kaltstartproblems einbezieht. Ob KI-Forscher, Bildungstechnologe oder Entwickler akademischer Institutionen - diese unverzichtbare Ressource bietet die theoretischen Grundlagen und praktischen Umsetzungsstrategien, die für eine Revolutionierung der Kursauswahlprozesse erforderlich sind.

"Practical Explainable AI Using Python" ist ein Fachbuch, das sich mit der Erklärbarkeit und Interpretierbarkeit von KI-Modellen beschäftigt. Es bietet eine umfassende Einführung in die Herausforderungen und Möglichkeiten, die mit der Nutzung von KI-Algorithmen verbunden sind. Der Autor, Pradeepta Mishra, führt die Leser durch die Grundlagen der Modellinterpretation, ethische Überlegungen und die Identifizierung von Vorurteilen in den Vorhersagen von KI-Systemen. Das Buch behandelt sowohl lineare als auch nicht-lineare Modelle sowie Zeitreihenanalysen und bietet praktische Ansätze zur Verbesserung der Transparenz von KI-Entscheidungen. Durch die Verwendung von Python-basierten Frameworks wie TensorFlow, Keras und verschiedenen XAI-Bibliotheken wird den Lesern gezeigt, wie sie die Erklärbarkeit komplexer Modelle, einschliesslich Ensemble-Methoden und unstrukturierter Daten, umsetzen können. Darüber hinaus werden Themen wie kontrafaktische Erklärungen und die Anwendung von KI in der natürlichen Sprachverarbeitung behandelt. Dieses Buch ist eine wertvolle Ressource für alle, die ein tieferes Verständnis für die Funktionsweise von KI-Algorithmen und deren Entscheidungsprozesse erlangen möchten.

"The Psychology of Artificial Superintelligence" ist ein Fachbuch, das sich mit den psychologischen Auswirkungen fortgeschrittener Formen künstlicher Intelligenz (KI) beschäftigt. Es untersucht, wie das Leben mit einer überlegenen Intelligenz aussehen könnte und welche Veränderungen in der menschlichen Lebensqualität durch den Kontakt mit hochentwickelten KI-Systemen entstehen können. Das Buch bietet eine umfassende Analyse aktueller Entwicklungen in Bereichen wie Gehirn-Computer-Schnittstellen, militärischer KI, erklärbarer KI (XAI) und digitalen Klonen. Aus der Perspektive eines klinischen Psychologen wird die Erfahrung des Lebens mit einer Hyperintelligenz erörtert. Ein zentrales Konzept ist die Theorie der universellen Anforderung, die beschreibt, wie Technologien in allen Lebensbereichen genutzt werden wollen. Das Werk richtet sich an ein breites Publikum, das sich für Psychologie, Technologie und die Zukunft der menschlichen Existenz interessiert. Durch seinen einzigartigen Fokus auf psychologische Themen leistet das Buch einen wertvollen Beitrag zur Diskussion über die Zukunft des menschlichen Lebens jenseits rein technologischer Überlegungen.

In einer Zeit, in der die Auswahl an Bildungsangeboten Studierende überfordern kann, erweist sich HHFHNet als bahnbrechende Lösung für präzise Kursempfehlungen. Dieser umfassende Leitfaden führt die Leser in die innovative Architektur des Hybrid HAN HDLTex Forward Harmonic Net (HHFHNet) ein, ein ausgeklügeltes System, das die Leistungsfähigkeit von Hierarchical Attention Networks (HAN) und Hierarchical Deep Learning for Texts (HDLTex) kombiniert. Durch die detaillierte Auseinandersetzung mit Term Frequency-Inverse Document Frequency (TF-IDF), rankingbasierten Empfehlungen und erklärbarer künstlicher Intelligenz (XAI) erlernen die Leser die Feinheiten des Aufbaus intelligenter Kursempfehlungssysteme. Das Buch präsentiert einen neuartigen Ansatz zur Bildungsberatung, der inhaltsbasierte Filterung, kollaborative Filterung und hybride Methoden zur Lösung des anspruchsvollen Kaltstartproblems einbezieht. Ob KI-Forscher, Bildungstechnologe oder Entwickler akademischer Institutionen - diese unverzichtbare Ressource bietet die theoretischen Grundlagen und praktischen Umsetzungsstrategien, die für eine Revolutionierung der Kursauswahlprozesse erforderlich sind.

In diesem Buch wird ein fortschrittlicher Ansatz zur Erkennung hasserfüllter Inhalte in Internet-Memes mithilfe von multimodalem Lernen und erklärbarer künstlicher Intelligenz (XAI) vorgestellt. Memes kombinieren Bilder und Text, was ihre Interpretation komplex macht, insbesondere wenn schädliche Absichten indirekt durch Sarkasmus, Symbolik oder kontextuelle Hinweise vermittelt werden. Herkömmliche textbasierte Systeme können solche Zusammenhänge oft nicht erfassen. Um diese Herausforderung zu bewältigen, integriert das vorgeschlagene Explainable Hate Meme Detection System (EHMDS) Deep-Learning-Modelle für die visuelle und textuelle Merkmalsextraktion, gefolgt von einem aufmerksamkeitsbasierten Fusionsmechanismus, um cross-modale Interaktionen zu verstehen. Das System beinhaltet außerdem Erklärungsmethoden wie Grad-CAM und Aufmerksamkeitsvisualisierung, um transparente und für den Menschen verständliche Vorhersagen zu ermöglichen. Das Modell wurde anhand von Benchmark-Datensätzen evaluiert und zeigt im Vergleich zu bestehenden Ansätzen eine verbesserte Genauigkeit und Interpretierbarkeit. Diese Arbeit trägt zur Entwicklung zuverlässiger KI-Systeme für die Moderation von Inhalten und sicherere digitale Plattformen bei.

In diesem Buch wird ein fortschrittlicher Ansatz zur Erkennung hasserfüllter Inhalte in Internet-Memes mithilfe von multimodalem Lernen und erklärbarer künstlicher Intelligenz (XAI) vorgestellt. Memes kombinieren Bilder und Text, was ihre Interpretation komplex macht, insbesondere wenn schädliche Absichten indirekt durch Sarkasmus, Symbolik oder kontextuelle Hinweise vermittelt werden. Herkömmliche textbasierte Systeme können solche Zusammenhänge oft nicht erfassen. Um diese Herausforderung zu bewältigen, integriert das vorgeschlagene Explainable Hate Meme Detection System (EHMDS) Deep-Learning-Modelle für die visuelle und textuelle Merkmalsextraktion, gefolgt von einem aufmerksamkeitsbasierten Fusionsmechanismus, um cross-modale Interaktionen zu verstehen. Das System beinhaltet außerdem Erklärungsmethoden wie Grad-CAM und Aufmerksamkeitsvisualisierung, um transparente und für den Menschen verständliche Vorhersagen zu ermöglichen. Das Modell wurde anhand von Benchmark-Datensätzen evaluiert und zeigt im Vergleich zu bestehenden Ansätzen eine verbesserte Genauigkeit und Interpretierbarkeit. Diese Arbeit trägt zur Entwicklung zuverlässiger KI-Systeme für die Moderation von Inhalten und sicherere digitale Plattformen bei.

Das Buch "Explainable AI Recipes" bietet eine umfassende Einführung in die Nutzung von Explainable AI (XAI) Bibliotheken und deren Anwendung zur Förderung des Vertrauens in KI- und Machine Learning-Modelle. Es verfolgt einen problemorientierten Ansatz, um die Funktionsweise von Machine Learning-Modellen und deren Algorithmen zu erläutern. Der Inhalt beginnt mit der Interpretation von Modellen für überwachtes Lernen, insbesondere linearen Modellen, und behandelt wichtige Konzepte wie die Bedeutung von Merkmalen, partielle Abhängigkeitsanalysen und die Analyse einflussreicher Datenpunkte für Klassifikations- und Regressionsmodelle. Im weiteren Verlauf werden nicht-lineare Modelle und moderne Frameworks wie SHAP und LIME für die lokale Interpretation behandelt. Auch die Erklärbarkeit von Zeitreihenmodellen sowie Aufgaben im Bereich der natürlichen Sprachverarbeitung, wie Textklassifikation und Sentiment-Analyse, werden behandelt. Das Buch schliesst mit der Analyse komplexer Modelle, einschliesslich neuronaler Netze und Deep Learning-Modelle, unter Verwendung des CAPTUM-Frameworks ab. Nach der Lektüre sind die Leser in der Lage, ihr Wissen über KI- und Machine Learning-Modelle praktisch anzuwenden, um mehr Genauigkeit und Transparenz in ihren Analysen zu erreichen.

WORAUF ES ANKOMMT Liefert genau das, was du zum ausschalten deiner Gegner benötigst. DEINE OBERFLÄCHE. DEINE WAHL. Verfügbar in zwei Verschiedenen Ausführungen: Glänzen glatt und gummiert für feuchte Hände. ES WERDE LICHT Beleuchte dein Mausrad, die CPI-Anzeige, oder das SteelSeries Logo. Oder auch gar nichts davon. GEBAUT VON DEN BESTEN Fnatic, SK, EG, Na'Vi, EHOME, TyLoo. LoL, HoN, CS, SC2, DotA. Alle hatten ihre Finger im Spiel. FLIEGENDER WECHSEL CPI-Taste für blitzschnelle Anpassung deiner Sensitivitäts-Einstellungen. COUNTS PRO INCH Zeigergeschwindigkeit in 90er-Schritten von 90-5700 einstellbar - falls du es genau nehmen willst. UMFLOCHTENES KABEL Das doppelt Nylon-umflochtene Kabel erhöht die Lebensdauer und verhindert verknoten. DIE STEELSERIES ENGINE Programmiere deine Tasten, definiere deine Sensitivität und erstelle unendlich viele Profile. Seit dem Release unserer ersten Maus, haben wir uns bei der Namensgebung stets von der japanischen Sprache inspirieren lassen. Ikari bedeutet Zorn, Xai bedeutet Talent - um nur

Bachelorarbeit aus dem Jahr 2025 im Fachbereich Führung und Personal - Recruiting, Note: 1,0, Hochschule Deggendorf (Technische Hochschule Deggendorf), Veranstaltung: Human Factors/Personalauswahl, Sprache: Deutsch, Abstract: Diese Bachelorarbeit verbindet zwei hochaktuelle Themenfelder: den Einsatz von Künstlicher Intelligenz (KI) in der Personalauswahl und die Erklärbarkeit algorithmischer Entscheidungen (Explainable AI, XAI). Ziel der Arbeit ist es, zu untersuchen, wie unterschiedliche Erklärungsansätze für KI-Entscheidungen die Akzeptanz von Bewerbenden beeinflussen. Ausgangspunkt ist die zunehmende Nutzung algorithmischer Systeme in der Personalgewinnung. Obwohl diese objektiver und effizienter arbeiten können als menschliche Entscheider, stoßen sie bei Bewerbenden oft auf Skepsis. Besonders mangelnde Transparenz und Verständlichkeit der Entscheidungen wirken sich negativ auf das Vertrauen und die Akzeptanz aus. Um diese Problematik zu erforschen, wurden zwei unterschiedliche Erklärungsansätze konzipiert: eine standardisierte, textuelle Erklärung und ein bewerberzentrierter Ansatz, der psychologische Prinzipien sowie visuelle Erklärungen (basierend auf LIME) integriert. Im Rahmen eines Online-Experiments mit 213 Teilnehmenden wurden beide Ansätze unter realitätsnahen Bedingungen getestet. Die Ergebnisse zeigen klar: Bewerberzentrierte Erklärungen steigern signifikant die wahrgenommene Transparenz, Gerechtigkeit, Methodenakzeptanz sowie die allgemeine Bewerberakzeptanz - insbesondere im Fall einer Absage. Die bloße Bereitstellung technischer Informationen reicht hingegen nicht aus, um Akzeptanz zu fördern. Diese Arbeit bietet praktische Gestaltungsansätze für Unternehmen, die KI-gestützte Auswahlverfahren einführen wollen, ohne dabei die Bewerberperspektive zu vernachlässigen. Sie liefert wissenschaftlich fundierte Empfehlungen zur Gestaltung verständlicher, fairer und akzeptierter KI-basierter Personalauswahlprozesse.

Bachelorarbeit aus dem Jahr 2025 im Fachbereich Führung und Personal - Recruiting, Note: 1,0, Hochschule Deggendorf (Technische Hochschule Deggendorf), Veranstaltung: Human Factors/Personalauswahl, Sprache: Deutsch, Abstract: Diese Bachelorarbeit verbindet zwei hochaktuelle Themenfelder: den Einsatz von Künstlicher Intelligenz (KI) in der Personalauswahl und die Erklärbarkeit algorithmischer Entscheidungen (Explainable AI, XAI). Ziel der Arbeit ist es, zu untersuchen, wie unterschiedliche Erklärungsansätze für KI-Entscheidungen die Akzeptanz von Bewerbenden beeinflussen. Ausgangspunkt ist die zunehmende Nutzung algorithmischer Systeme in der Personalgewinnung. Obwohl diese objektiver und effizienter arbeiten können als menschliche Entscheider, stoßen sie bei Bewerbenden oft auf Skepsis. Besonders mangelnde Transparenz und Verständlichkeit der Entscheidungen wirken sich negativ auf das Vertrauen und die Akzeptanz aus. Um diese Problematik zu erforschen, wurden zwei unterschiedliche Erklärungsansätze konzipiert: eine standardisierte, textuelle Erklärung und ein bewerberzentrierter Ansatz, der psychologische Prinzipien sowie visuelle Erklärungen (basierend auf LIME) integriert. Im Rahmen eines Online-Experiments mit 213 Teilnehmenden wurden beide Ansätze unter realitätsnahen Bedingungen getestet. Die Ergebnisse zeigen klar: Bewerberzentrierte Erklärungen steigern signifikant die wahrgenommene Transparenz, Gerechtigkeit, Methodenakzeptanz sowie die allgemeine Bewerberakzeptanz - insbesondere im Fall einer Absage. Die bloße Bereitstellung technischer Informationen reicht hingegen nicht aus, um Akzeptanz zu fördern. Diese Arbeit bietet praktische Gestaltungsansätze für Unternehmen, die KI-gestützte Auswahlverfahren einführen wollen, ohne dabei die Bewerberperspektive zu vernachlässigen. Sie liefert wissenschaftlich fundierte Empfehlungen zur Gestaltung verständlicher, fairer und akzeptierter KI-basierter Personalauswahlprozesse.