Die Arbeit befasst sich mit dem Einsatz von Semantik und Ontologie zur Überwindung der Diskrepanz zwischen implizitem und explizitem Wissen mit dem Ziel, Wissensverlust in Unternehmen möglichst zu vermeiden. Ziel ist es, die beiden Wissensarten – implizites und explizites Wissen – unter besonderer Berücksichtigung ihrer Unterschiede zu erläutern. Des Weiteren erfolgt eine Betrachtung semantischer Modelle und Technologien bezugnehmend auf deren Möglichkeit, die Diskrepanz zwischen beiden Wissensarten zu überbrücken.
Der Begriff Wissen kann aus verschiedenen Blickwinkeln betrachtet werden. In der Ökonomie zählt Wissen bereits zu den Produktionsfaktoren neben Boden, Arbeit und Kapital. Ein Grund hierfür liegt im technischen Wandel und Fortschritt der letzten Jahrzehnte bei den Unternehmen.
Um Wissen effizient nutzen zu können, muss eine nachhaltige Verwaltung und fortlaufende Ergänzung erfolgen, welches das Wissensmanagement übernehmen soll. Der Bereich des Wissensmanagement umfasst die Bereiche Wissensbeschaffung, -entwicklung, -transfer und -lernfähigkeit.
Um die Funktion des Wissensmanagement nutzen zu können, benötigt es im ersten Schritt den Input von Wissen als Wissenssammlung. Hier kommt jedoch das Problem zu tragen, dass sich Wissen in zwei Wissensarten untergliedert, nämlich das implizite und das explizite Wissen, wobei nur das explizite Wissen ohne Umsetzungsschwierigkeiten auf materielle Wissensträger festgehalten werden kann. Das implizite Wissen ist zum Beispiel im Unternehmen an den jeweiligen Mitarbeiter gebunden. Somit ist die Abhängigkeit der Verfügbarkeit von dem Fortbestehen des Arbeitsverhältnisses abhängig.
Um den Verlust von Wissen zu reduzieren, muss ein Instrument oder Methode zur Wandlung der Eigenschaften des impliziten Wissens zum Einsatz kommen, welches dieses erfassbar machen kann. Bei einem Versuch, das Wissen einer Person zu erfassen, tritt das Problem auf, dass es sich in den meisten Fällen um Wissensfragmente und nicht um fortlaufende Wissenszusammenhänge handelt. Es fehlt eine Struktur. Hier kommt als ein möglicher Lösungsansatz die Semantik im Zusammenspiel mit der Ontologie zum Einsatz. Dies soll im Rahmen dieser Arbeit näher betrachtet werden.
Inhaltsverzeichnis
1. Einleitung
1.1 Begründung der Themenstellung
1.2 Zielsetzung und Aufbau der Arbeit
2. Definition von wichtigen Begrifflichkeiten
2.1 Definition von Semantik
2.2 Definition von Ontologie
2.3 Explizites Wissen
2.4 Implizites Wissen
2.5 Gegenüberstellung der Unterschiede der Wissensarten
3. Semantische Modelle und Technologien
4. Betrachtung der Modelle und Technologien der Semantik zur Überwindung der Diskrepanz zwischen impliziten und expliziten Wissen
5. Fazit und kritische Reflektion
Zielsetzung und Themen
Das Hauptziel dieser Arbeit ist es, die Unterschiede zwischen implizitem und explizitem Wissen zu analysieren und semantische Modelle sowie Technologien zu bewerten, um die Wissenslücke zwischen diesen Arten zu schließen und den Wissensverlust zu minimieren.
- Grundlagen des Wissensmanagements und Wissensarten
- Differenzierung von implizitem und explizitem Wissen
- Analyse semantischer Modelle (z.B. Entity-Relationship-Modell)
- Die semantische Wissenstreppe und der Einsatz von Ontologien
- Bedeutung der Semantik für das Semantic Web (WEB 3.0)
Auszug aus dem Buch
2.4 Implizites Wissen
Das implizite Wissen zeichnet sich dadurch aus, dass es an die betreffende Person gebunden ist. Es umfasst das Wissen für Können und die Handlungskompetenzen des Besitzers und ist somit schwer in eine Standardform zu bringen. In den meisten Fällen eignet sich die Person das Wissen durch Erfahrung an. Der Anwender führt die Handlung aus, ohne groß darüber nachdenken zu müssen.10 Aus diesem Grund kann diese Art von Wissen nicht einfach niedergeschrieben oder erfasst und auf diesen Weg vollständig an den nächsten weitergegeben werden, da es sich in den Köpfen der betreffenden Personen befindet. Der Wissenstransfer erfolgt hier mittels des Wissensinhabers mündlich oder durch zeigen, wobei ein Problem im Senden und Empfangen der Informationen liegt. Es ist nicht sichergestellt, dass es vollständig und korrekt beim Empfänger ankommt. Die Eigenschaft dieser Wissensart ist zumeist das es sich um Lösungswissen für Probleme handelt.11
Zur Verdeutlichung erfolgt hier ebenfalls eine Darstellung anhand eines Beispiels: Wenn eine geübte Person am Klavier spielt, liegt dessen Konzentration nicht auf der Bewegung der einzelnen Finger, dieses erfolgt unterbewusst, sondern er achtet auf das Stück welches die Person gerade spielt. Das Wissen über die unterbewusste Bewegung der Finger über die einzelnen Klaviertasten kann zunächst nicht einfach durch den Anwender beschrieben und an eine beliebige Person weitergegeben werden.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beleuchtet die ökonomische Bedeutung von Wissen als Produktionsfaktor und thematisiert das Problem des Wissensverlusts durch die Trennung in implizites und explizites Wissen.
2. Definition von wichtigen Begrifflichkeiten: Hier werden die zentralen Termini Semantik, Ontologie sowie die beiden Wissensarten definiert und in einer Tabelle hinsichtlich ihrer Stärken und Schwächen gegenübergestellt.
3. Semantische Modelle und Technologien: Dieses Kapitel erläutert gängige semantische Datenmodelle wie das Entity-Relationship-Modell und die „semantische Wissenstreppe“ zur Strukturierung von Wissen.
4. Betrachtung der Modelle und Technologien der Semantik zur Überwindung der Diskrepanz zwischen impliziten und expliziten Wissen: Dieser Abschnitt untersucht, wie semantische Technologien durch Kontextanreicherung und Wissensvernetzung helfen können, implizites Wissen besser nutzbar zu machen.
5. Fazit und kritische Reflektion: Die Arbeit schließt mit der Erkenntnis, dass semantische Modelle zwar zur Strukturierung beitragen, jedoch die Kooperation der Wissensträger für eine erfolgreiche Wissensexternalisierung unerlässlich bleibt.
Schlüsselwörter
Wissensmanagement, Implizites Wissen, Explizites Wissen, Semantik, Ontologie, Wissensverlust, Wissensstrukturierung, Wissensvermittlung, Semantic Web, Entity-Relationship-Modell, Wissensdomäne, Wissensmodellierung, Informationstechnologie, Wissensressourcen, Wissensakquise
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht die Herausforderungen beim Wissensmanagement, insbesondere die Schwierigkeit, implizites, personengebundenes Wissen in explizites, dokumentiertes Wissen zu überführen.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die Abgrenzung von Wissensarten, die Darstellung semantischer Modelle und die Nutzung von Ontologien zur Strukturierung von Informationen.
Was ist das primäre Ziel der Forschungsarbeit?
Das Ziel ist es, Möglichkeiten der Semantik aufzuzeigen, um die Diskrepanz zwischen den Wissensarten zu verringern und damit Wissensverluste in Unternehmen zu reduzieren.
Welche wissenschaftliche Methode wird verwendet?
Es handelt sich um eine theoretische Literaturanalyse und eine strukturierte Gegenüberstellung von Wissensarten und Modellen.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine begriffliche Fundierung, die Erläuterung technischer Modelle wie das Entity-Relationship-Modell und eine kritische Auseinandersetzung mit deren Potenzial zur Überbrückung von Wissenslücken.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich primär über Wissensmanagement, implizites/explizites Wissen sowie semantische Modellierung und Ontologien definieren.
Warum ist implizites Wissen laut der Arbeit besonders schwer zu erfassen?
Da implizites Wissen an Erfahrungen und Handlungskompetenzen gebunden ist, ist es häufig nicht direkt artikulierbar oder formal in Dokumenten fixierbar.
Welche Rolle spielt die Ontologie im Semantic Web?
Die Ontologie fungiert als zentraler Baustein, um einen strukturierten Datenaustausch zwischen Mensch und Maschine zu ermöglichen und verschiedene Wissensrepräsentationsformen zu vereinheitlichen.
- Quote paper
- Stefan Landfried (Author), 2016, Der Nutzen von Semantik und Ontologie für das Wissensmanagement, Munich, GRIN Verlag, https://www.grin.com/document/317027
