Zum Verständnis menschlichen sozialen, administrativen und wirtschaftlichen Verhaltens, das als Spiel bzw. strategische Interaktion aufgefasst werden kann, reichen die rein analytischen Methoden nicht aus. Es ist nötig, Daten menschlichen strategischen Verhaltens zu sammeln. Basierend auf Daten lässt sich solches Verhalten modellieren, simulieren bzw. vorhersagen. Der theoretische Teil der Zielsetzung wird über praxisorientierte Konzeptualisierung strategischer Interaktion realer Agenten - Menschen und Maschinen - und gegenseitige Integration der Konzepte aus Spieltheorie und Multiagentensysteme erreicht, die über die bisherigen Ansätze hinausgehen. Der praktische Teil besteht darin, ein allgemein verwendbares System zu entwerfen, das strategische Interaktionen zwischen realen Agenten mit maximalen wissenschaftlichen Nutzen durchführen kann. Die tatsächliche Implementation ist eines der Ergebnisse der Arbeit. Ähnliche vorhandene Systeme sind GDL-Server (für Maschinen) [Genesereth u.a., 2005] und z-Tree (für Menschen) [Fischbacher, 2007]. Die Arbeit ist in drei Bereiche unterteilt - (1) Entwicklung von Sprachen für die Beschreibung eines Spiels, (2) ein auf diesen Sprachen basierendes Softwaresystem und (3) eine Offline-Analyse der u.a. mit dem System bereits gesammelten Daten als Beitrag zur Möglichkeiten der Verhaltensbeschreibung. Die Innovation dieser Arbeit besteht nicht nur darin ,einzelne Bereiche mit einander zu kombinieren, sondern auch Fortschritte auf jedem Bereich für sich allein zu erreichen. Im Bereich der Spielbeschreibungssprachen, werden zwei Sprachen - PNSI und SIDL - vorgeschlagen, die beide Spiele bei imperfekter Information in diskreter Zeit definieren können. Dies ist ein Fortschritt gegenüber der bisherigen Sprachen wie Gala und GDL. Speziell die auf Petrinetzen basierende Sprache PNSI kann gleichermaßen für Gameserver und für spieltheoretische Algorithmen von z.B. GAMBIT verwendet werden. Das entwickelte System FRAMASI basiert auf JADE [Bellifemine u.a., 2001] und ist den bisherigen Client-Server-Lösungen durch Vorteile der Multiagentensysteme voraus. Mit dem entstandenen System wurde bereits ein Experiment entsprechend den Standards der experimentellen Spieltheorie durchgeführt und somit die Praxistauglichkeit nachgewiesen. Das Experiment hatte als Ziel, Daten zur menschlichen Unvorhersagbarkeit und zur Vorhersagefähigkeit anderer zu liefen. Dafür wurden Varianten von \"Knobeln\" verwendet. Die Daten dieses Experiments sowie eines Experiments einer externen Arbeitsgruppe mit ähnlicher Motivation wurden mit Hilfe von Datamining analysiert. Dabei wurden die in der Literatur berichteten Gesetzmäßigkeiten des Verhaltens nachgewiesen und weitere Gesetzmäßigkeiten entdeckt. / To understand human social, administrative and economic behavior, which can be considered as a game or strategic interaction, the purely analytical methods do not suffice. It is necessary to gather data of human strategic behavior. Based on data, one can model, simulate and predict such behavior. The theoretical part of the objective is achieved using a practice oriented conceptualization of the real agents\' - humans and machines - strategic interaction and mutual integration of the concepts from game theory and multi-agent systems, which go beyond the related work. The practical part is the design of an universally usable system that can perform the strategic interactions between real agents with maximum scientific benefit. The current implementation is one of the results of the work. Similar existing systems are GDL-server (for machines) [Genesereth et al., 2005] and z-Tree (for humans) [Fischbacher, 2007]. The work is divided in three fields - (1) development of languages for the description of a game, (2) a software system based on these languages and (3) an offline analysis of the data already gathered among other things using the system as a contribution to behavior definition facilities. The innovation of this work does not consist only in combining of the several fields to each other, but also in achieving of improvements in every field on its own. In the field of game definition languages, two languages are proposed - PNSI and SIDL, which both can define games of imperfect information in discrete time. It is an improvement comparing with hitherto languages as Gala and GDL. Especially, the Petri net based language PNSI can likewise be used for game servers and game theoretic algorithms like GAMBIT. The developed system FRAMASI is based on JADE [Bellifemine et al., 2001] and is ahead of the hitherto client-server solutions through the advantages of the multi-agent systems. Using the originated system, an experiment has been conducted according to the standards from the experimental game theory, and thus demonstrated the practicability. The experiment had the objective to provide data on the human unpredictability and the ability to predict others. Therefore, variants of Roshambo were used. The data from this experiment and from an experiment of an external workgroup with a similar motivation were analyzed using data mining. As results, the regularities of the behavior reported in literature have been demonstrated and further regularities have been discovered.

Diese Arbeit befasst sich mit zwei ebenso alten wie bis in die Gegenwart bedeutsamen kontroversen Positionen in der Philosophie- und Wissenschaftsgeschichte: Einerseits dem Nativismus, der davon ausgeht, dass (wesentliche) Ideen in den Menschen eingeboren sind, hier vertreten durch die Position Noam Chomskys, dessen Arbeiten über universelle Grammatik die Linguistik im 20. Jahrhundert revolutionierten und weitreichende Auswirkungen auf Philosophie und Kognitionswissenschaften hatten. Dem gegenübergestellt wird die Position von Jean Piaget, der als Entwicklungspsychologe aus seiner Arbeit mit Kindern ein radikal konstruktivistisches Stufenmodell der Erkenntnisentwicklung vom Baby bis zum wissenschaftsfähigen Erwachsenen entwickelt hat, das auf angeborene Ideen verzichtet. Dargestellt werden historische und erkenntnistheoretische Hintergründe dieser interdisziplinären Streitfrage und die Argumente beider Positionen.

Inspired by the enormous technological advancements of previous decades, this doctoral thesis revolves around users’ perception of emotion-sensitive artificial intelligence (AI), with particular focus on the role of human likeness attributions. For the development of my hypotheses, I acknowledge both cognitive scientific as well as philosophical and cultural psychological literature. Eventually, my interdisciplinary review culminates in one central assumption: Since many people regard the recognition of mental and emotional states in other entities as a core component of their human uniqueness, affective technology with similar capabilities runs the risk of being seen as uncanny or aversive—turning into a discomforting ‘challenger’ of an inherently human domain. Indeed, a first empirical study (N = 92) provides evidence for the validity of my hypothesis. My findings show that empathically acting characters in a virtual environment are met with much stronger aversion if participants suspect them to be controlled by highly complex AI (autonomous agents) instead of other humans (avatars). Acknowledging statements from my participants which repeatedly hint towards the importance of threat perceptions, I turn this concept into the main subject of a second study. Based on additional literature research, I develop a “Model of Autonomous Technology Threat”, which combines two potential determinants of technology aversion: Whereas the model’s distal facet summarizes overarching attitudes about human uniqueness, I also postulate a strong influence of immediate (proximal) perceptions, including the experience of situational control or users’ concern about their immediate physical well-being. Using yet another virtual reality (VR) setting, I ask participants (N = 125) to interact with an allegedly autonomous—in fact remotely controlled—digital agent under different conditions, which allow for a statistical comparison of my proposed model. Although the yielded results do lend some support to the validity of the distal path, it is mostly the proposed proximal factor that connects to participants’ threat experience, which in turn emerges as a negative predictor of technology acceptance. Lastly, a third study is designed to investigate whether perceptions of human likeness possess any relevance in the context of disembodied emotion-sensitive AI. Moreover, I now focus on potential cross-cultural differences, inviting participants from different cultural backgrounds (N = 89) to familiarize themselves with automatic emotion recognition software. Whereas Chinese participants, whose cultural socialization encompasses a much broader understanding of ‘animacy’, only show brief arousal after feedback from the affective software, I observe a significantly longer increase in physiological activity among German participants. At the same time, the obtained subjective measures paint a surprising picture: The more participants attribute human likeness to the emotion-sensitive machine—an abstract mechanical box in this scenario—the higher they actually rate the technology’s attractiveness. By summarizing the three conducted studies, I reach the conclusion that only AI stimuli involving elaborate embodiments activated both paths of the developed threat model, which might be a requirement for a distinctly aversive reaction. The presentation of the abstract software in Study 3, on the other hand, did not influence participants’ immediate control perceptions—a possible explanation as to why attributions of human likeness turned out as a positive predictor for the subjective evaluations in this experiment. / Inspiriert von den enormen technologischen Fortschritten der letzten Jahrzehnte beschäftigt sich die vorliegende Dissertation mit der Wahrnehmung emotionssensitiver künstlicher Intelligenz (KI) und nimmt dabei vor allem die Bedeutung von erlebter Menschenhaftigkeit in den Fokus. Bei der Entwicklung meiner Hypothesen finden Befunde von kognitionswissenschaftlichen Studien ebenso Beachtung wie philosophische und kulturpsychologische Literatur. Tatsächlich gipfelt die interdisziplinäre Recherche in einer deutlichen Vermutung: Da das Erkennen von Geistes- und Gefühlszuständen in anderen Lebewesen von vielen Personen als Kernkomponente ihrer menschlichen Einzigartigkeit betrachtet wird, laufen affektive Technologien mit ähnlichen Fähigkeiten Gefahr, unheimlich oder abstoßend zu wirken – sie werden zu unliebsamen ‚Eroberern‘ einer urmenschlichen Domäne. In einer ersten empirischen Studie (N = 92) finde ich Hinweise auf die Gültigkeit der getroffenen Annahme. Es zeigt sich, dass empathisch agierende Figuren in einer virtuellen Umgebung deutlich stärkere Ablehnung hervorrufen, wenn Probanden dahinter keine Menschen (Avatare), sondern ein hochkomplexes KI-System (autonome Agenten) vermuten. Nachdem persönliche Beobachtungen und Aussagen der Versuchspersonen wiederholt auf die Rolle von Bedrohungswahrnehmnungen hindeuten, stelle ich diese Variable ins Zentrum einer zweiten Untersuchung. Mithilfe vertiefender Literaturrecherche entwickle ich ein „Model of Autonomous Technology Threat“ („Modell der Bedrohung durch autonome Technologie“), welches zwei potentielle Determinanten von Technologieaversion kombiniert: Während die distale Facette übergeordnete Einstellungen zu menschlicher Einzigartigkeit bündelt, wird zudem ein starker Einfluss von unmittelbaren (proximalen) Wahrnehmungen postuliert, etwa dem erlebten Ausmaß an situativer Kontrolle oder der Sorge um die eigene physische Unversehrtheit. Ein neues Virtual-Reality-Experiment, in dem Probanden (N = 125) mit einem angeblich autonomen – tatsächlich jedoch ferngesteuerten – Agenten interagieren, dient dazu, das Modell statistisch zu überprüfen. Obgleich sich durchaus Hinweise zur Bedeutsamkeit des distalen Pfades abzeichnen, erweisen sich vor allem proximale Faktoren als signifikanter Prädiktor von Bedrohungsempfinden und infolgedessen der Nutzerakzeptanz. Mit einer dritten Studie soll schließlich exploriert werden, inwieweit die Wahrnehmung von Menschenartigkeit auch bei nicht verkörperlichten, emotionssensitiven KIs Relevanz besitzt. Zugleich rücke ich nun Kultureinflüsse in den Fokus, indem ich Versuchspersonen verschiedener kultureller Herkunft (N = 89) eine automatisierte Emotionserkennungssoftware kennenlernen lasse. Während chinesische Probanden, deren kulturelle Sozialisation tendenziell ein breiteres Verständnis von ‚Beseeltheit‘ umfasst, nur kurzzeitig vom Feedback der affektiven Software in Erregung versetzt werden, lässt sich bei deutschen Versuchspersonen ein deutlich längerer Anstieg physiologischer Aktivierung feststellen. Zugleich zeichnet die Messung subjektiver Empfindungen ein überraschendes Bild: Die emotionssensitive Maschine – in diesem Fall ein abstrakter, mechanischer Kasten – wird umso positiver bewertet, je mehr Menschenhaftigkeit Probanden in ihr erkennen. Angesichts der drei durchgeführten Studien komme ich zu dem Schluss, dass lediglich Szenarien mit verkörperlichter KI im Sinne des entwickelten Bedrohungsmodells beide Pfade bedienen, was für eine eindeutig aversive Reaktion erforderlich sein könnte. Die Gestaltung der Software in Studie 3 spielte unterdessen für das unmittelbare Kontrollerleben der Versuchspersonen keine Rolle; eine mögliche Erklärung, warum sich Attributionen von Menschenähnlichkeit hier sogar positiv in den subjektiven Evaluationen niederschlugen.

An abstract knowledge representation of cognitive robots - as used for reasoning and planning - typically relies on symbols denoting objects of the world and states of affairs. The process of creating and maintaining the correct connection between a symbol denoting an object and its corresponding perceptual image (called percept), both referring to the same physical object, is called symbol anchoring. Most current cognitive systems implement an ad hoc solution which may work for the specific, intended application under certain conditions. Conversely, we suggest a formal and general approach to the symbol anchoring problem, which enhances previous approaches in terms of flexibility, applicability and expressiveness, and which completely automates the process of determining and maintaining all plausible hypotheses of correspondences between object symbols and perceptual images of physical objects. Based on the first-order logical Fluent Calculus, our approach inherits its rich expressiveness with respect to knowledge representation and reasoning. Implementing all required symbol anchoring functionalities, our approach also complies with fundamental concepts of phenomenalism, representationalism and the sense-data theory of philosophy of cognition.

Die DGOF veröffentlicht hier digitale Kompendien zu aktuellen Themen der Online-Forschung mit Fachbeiträgen von Experten und Expertinnen aus der Branche.

No description available.

The recognition of hand signs is important for several applications. Myographic methods, such as surface electromyography (sEMG), force myography (FMG) and surface electrical impedance myography (sEIM) deliver interesting physiological signals, can build the basis for hand signs recognition and are subjected to investigation by a limited number of sensors at suitable positions and adequate signal processing algorithms for perspective implementation in wearable embedded systems. A database has been collected with measurements of American sign language (ASL) gestures at the forearm and wrist of more than 100 healthy persons in total. Novel classification methods have been developed based on Extreme Learning Machine (ELM) supported by a grasshopper optimization algorithm (GOA) as a core weight pruning process. A K-tournament selection strategy introduced to the GOA ensures its population’s diversity. The K-Tournament Grasshopper Optimization Algorithm (KTGOA) has been further improved for discrete optimization problems and implemented to select the ELM weights as a K-Tournament Grasshopper Extreme Learner (KTGEL). To improve the balance between exploration and exploitation, the balancing coefficients of the KTGEL are subjected to uniform randomization. The resulting Random K-Tournament Grasshopper Extreme Learner (RKTGEL) is a novel classifier with a simultaneously automated feature selection. In a first stage and based on the conventional ELM method, the number of sensors and their positions have been investigated. For FMG, it has been shown that 8 sensors are suitable, for sEMG, only 2 sensors are suitable and for sEIM, 4 equidistant electrodes are suitable for measurements in the frequency range from 1 kHz to 4 kHz. In a second step, different collections of hand signs having reduced ambiguity, middle ambiguity and great ambiguity have been defined and subjected to classification by the novel algorithms. Combinations between sEMG and FMG or between sEIM and FMG reach thereby an accuracy of 100% in the cases of small and medium ambiguous signs collection even with data collected from at least 20 subjects. However, for the case of a high ambiguity, a targeted reduction of ambiguity by excluding hand signs with a high similarity is necessary. From the set of 20 gestures with a high level of ambiguity and after excluding respectively one hand sign from 6 ambiguous gesture pairs and the ambiguous sign ’Z’, 13 signs remained including letters and numbers collected from 40 subjects with 2 sEMG and 8 FMG sensors. After reduction of ambiguity, the RKTGEL reached an overall accuracy of 97%.:1 Introduction 2 Hand Gesture Recognition based on Myography 3 Extreme Learning Machine 4 Random K-Tournament Grasshopper Extreme Learner 5 Data Collection and Pre-Processing 6 Implementation of the Random K-Tournament Grasshopper Extreme Learner 7 Summary and Outlook / Die Handzeichenerkennung ist für verschiedene Anwendungen wichtig. Myographische Methoden, wie die Oberflächen-Elektromyographie (sEMG), die Kraft-Myographie (FMG) und die Oberflächen-Elektrische-Impedanz-Myographie (sEIM) liefern interessante physiologische Signale, die die Grundlage für die Erkennung von Handzeichen bilden können und mit einer begrenzten Anzahl von Sensoren an geeigneten Positionen und geeigneten Signalverarbeitungsalgorithmen für eine perspektivische Implementierung in tragbare eingebettete Systeme untersucht werden müssen. Eine Datenbank mit Messungen von Gesten der amerikanischen Gebärdensprache (ASL) am Unterarm und Handgelenk von insgesamt mehr als 100 gesunden Personen wurde erhoben. Neuartige Klassifizierungsmethoden wurden entwickelt, die auf einer Extreme Lernmaschine (ELM) basieren, unterstützt durch einen Grashüpfer-Optimierungsalgorithmus (GOA) als zentralen Prozess für das Verbindungspruning. Eine K-Tournament-Auswahlstrategie, die in den GOA eingeführt wurde, gewährleistet die Diversität seiner Population. Der K-Tournament-Grashüpfer-Optimierungsalgorithmus (KT-GOA) wurde für diskrete Optimierungsprobleme weiter verbessert und zur Auswahl der ELM-Gewichte als K-Tournament-Grashüpfer-Extrem-Lerner (KTGEL) implementiert. Um das Gleichgewicht zwischen Exploration und Exploitation zu verbessern, werden die Ausgleichskoeffizienten des KTGEL einer gleichmäßigen Randomisierung unterzogen. Der resultierende 'Random K-Tournament Grasshopper Extreme Learner (RKTGEL)' ist ein neuartiger Klassifikator mit einer gleichzeitig automatisierten Merkmalsselektion. In einem ersten Schritt und basierend auf der konventionellen ELM-Methode wurden die Anzahl der Sensoren und deren Positionen untersucht. Für FMG hat sich gezeigt, dass 8 Sensoren geeignet sind, für sEMG sind nur 2 Sensoren geeignet und für sEIM sind 4 äquidistante Elektroden für Messungen im Frequenzbereich von 1 kHz bis 4 kHz geeignet. In einem zweiten Schritt wurden verschiedene Kollektionen von Handzeichen mit reduzierter Mehrdeutigkeit, mittlerer Mehrdeutigkeit und großer Mehrdeutigkeit definiert und durch die neuartigen Algorithmen einer Klassifizierung unterzogen. Kombinationen zwischen sEMG und FMG bzw. zwischen sEIM und FMG erreichen dabei in den Fällen der klein- und mittelmehrdeutigen Zeichensammlung selbst bei Daten von mindestens 20 Probanden eine Genauigkeit von insgesamt 100%. Für den Fall einer hohen Mehrdeutigkeit ist jedoch eine gezielte Reduktion der Mehrdeutigkeit durch Ausschluss von Handzeichen mit hoher Ähnlichkeit notwendig. Aus der Menge von 20 Gesten mit hoher Mehrdeutigkeit und nach Ausschluss von jeweils einem Handzeichen aus 6 mehrdeutigen Gestenpaaren und dem mehrdeutigen Zeichen ’Z’ blieben 13 Zeichen, darunter Buchstaben und Zahlen, die von 40 Probanden mit 2 sEMG- und 8 FMG-Sensoren erhoben wurden. Nach der Reduzierung der Mehrdeutigkeit erreichte das RKTGEL eine Gesamtgenauigkeit von 97%.:1 Introduction 2 Hand Gesture Recognition based on Myography 3 Extreme Learning Machine 4 Random K-Tournament Grasshopper Extreme Learner 5 Data Collection and Pre-Processing 6 Implementation of the Random K-Tournament Grasshopper Extreme Learner 7 Summary and Outlook

In der Geschäftsprozessmodellierung haben sich semiformale, grafische Darstellungen etabliert. Die Bezeichnung der Elemente in diesen Modellen ist dabei an betriebswirtschaftliche Fachtermini angelehnt und erfolgt mit Hilfe der natürlichen Sprache, die jedoch Interpretationsspielräume mit sich bringt. Die Semantik der einzelnen Modellelemente ist somit für Menschen und Maschinen nicht eindeutig interpretierbar. In der vorliegenden Dissertation erfolgt daher die Konzeption und Realisierung einer semantischen Prozessmodellierung, die die Verknüpfung der semiformalen Prozessmodellierung mit formalen Begriffssystemen (Ontologien) gestaltet und werkzeugtechnisch unterstützt. Durch diese Verknüpfung wird die Semantik der einzelnen Modellelemente um eine eindeutige und maschinell verarbeitbare Semantik erweitert. Hierdurch können die mit formalen Ontologien möglichen Schlussfolgerungen angewendet werden, um etwa bei der Suche in Modellbeständen oder der Korrektheitsprüfung genauere oder vollständigere Ergebnisse zu erhalten. Im Ergebnis werden somit die im Bereich der Informatik und Künstlichen Intelligenz etablierten Ansätze der Wissensrepräsentation, insbesondere der Beschreibungslogik, in die fachlichen Prozessmodellierung eingebettet. Die Erprobung des Konzepts erfolgt über eine prototypische Implementierung, die einerseits die technische Umsetzbarkeit zeigt, andererseits auch für ein Laborexperiment zur Evaluation genutzt wurde.

General purpose Twitter sentiment analysis is a novel field that is closely related to traditional Twitter sentiment analysis but slightly differs in some key aspects. The main difference lies in the fact that the novel approach considers the unfiltered public Twitter stream while most of the previous approaches often applied various filtering steps which are not feasible for many applications. Another goal is to yield more reliable results by only classifying a tweet as positive or negative if it distinctly consists of the respective sentiment and mark the remaining messages as uncertain. Traditional approaches are often not that strict. Within the course of this thesis it could be verified that the novel approach differs significantly from the traditional approach. Moreover, the experimental results indicated that the archetypical approaches could be transferred to the new domain but the related domain data is consistently sub par when compared to high quality in-domain data. Finally, the viability of the best classification algorithm could be qualitatively verified in a real-world setting that was also developed within the course of this thesis.

The analysis of the immensity of data in space and time is a challenging task. For this thesis, the time-dependent data has been explored in various directions. The studies focused on data visualization, feature extraction, and data classification. The data that has been used in the studies comes from various well-recognized archives and has been the basis of numerous researches. The data characteristics ranged from the univariate time series to multivariate time series, from hand gestures to unconstrained views of general human movements. The experiments covered more than one hundred datasets. In addition, we also discussed the applications of visual analytics to video data. Two approaches were proposed to create a feature vector for time-dependent data classification. One is designed especially for a bio-inspired model for human motion recognition and the other is a subspace-based approach for arbitrary data characteristics. The extracted feature vectors of the proposed approaches can be easily visualized in two-dimensional space. For the classification, we experimented with various known models and offered a simple model using data in subspaces for light-weight computation. Furthermore, this method allows a data analyst to inspect feature vectors and detect an anomaly from a large collection of data simultaneously. Various classification techniques were compared and the findings were summarized. Hence, the studies can assist a researcher in picking an appropriate technique when setting up a corresponding model for a given characteristic of temporal data, and offer a new perspective for analyzing the time series data. This thesis is comprised of two parts. The first part gives an overview of time-dependent data and of this thesis with its focus on classification; the second part covers the collection of seven publications.