Die Arbeit ordnet sich in das Gebiet der unscharfen Klassifikation ein und stellt im Detail eine Weiterführung der Forschung zur Fuzzy-Pattern-Klassifikation dar. Es handelt sich dabei um eine leistungsfähige systemtheoretische Methodik zur klassifikatorischen Modellierung komplexer, hochdimensionaler, technischer oder nichttechnischer Systeme auf der Basis von metrischen Messgrößen und/oder nichtmetrischen Experten-Bewertungen. Die Beschreibung der Unschärfe von Daten, Zuständen und Strukturen wird hierbei durch einen einheitlichen Typ einer Zugehörigkeitsfunktion des Potentialtyps realisiert. Ziel der Betrachtungen ist die weiterführende Nutzung des bestehenden Klassenmodells zur unscharfen Beschreibung nichtkonvexer Objektmengenmorphologien. Ausgehend vom automatischen datengetriebenen Aufbau der konvexen Klassenbeschreibung, deren vorteilhaften Eigenschaften sowie Defiziten wird im Rahmen der Arbeit eine Methodik vorgestellt, die eine Modellierung beliebiger Objektmengenmorphologien erlaubt, ohne das bestehende Klassifikationskonzept zu verlassen. Kerngedanken des Vorgehens sind: 1.) Die Aggregation von Fuzzy-Pattern-Klassen auf der Basis so genannter komplementärer Objekte. 2.) Die sequentielle Verknüpfung von Fuzzy-Pattern-Klassen und komplementären Klassen im Sinne einer unscharfen Mengendifferenz. 3.) Die Strukturierung des Verknüpfungsprozesses durch die Clusteranalyse von Komplementärobjektmengen und damit der Verwendung von Konfigurationen aus komplementären Fuzzy-Pattern-Klassen. Das dabei gewonnene nichtkonvexe Fuzzy-Klassifikationsmodell impliziert eine Vernetzung von Fuzzy-Klassifikatoren in Form von Klassifikatorbäumen. Im Ergebnis entstehen Klassifikatorstrukturen mit hoher Transparenz, die - neben der üblichen zustandsorientierten klassifikatorischen Beschreibung in den Einzelklassifikatoren - zusätzliche Informationen über den Ablauf der Klassifikationsentscheidungen erfassen. Der rechnergestützte Entwurf und die Eigenschaften der entstehenden Klassifikatorstruktur werden an akademischen Teststrukturen und realen Daten demonstriert. Die im Rahmen der Arbeit dargestellte Methodik wird in Zusammenhang mit dem Fuzzy-Pattern-Klassifikationskonzept realisiert, ist jedoch aufgrund ihrer Allgemeingültigkeit auf eine beliebige datenbasierte konvexe Klassenbeschreibung übertragbar. / This work contributes to the field of fuzzy classification. It dedicates itself to the subject of "Fuzzy-Pattern-Classification", a versatile method applied for classificatory modeling of complex, high dimensional systems based on metric and nonmetric data, i.e. sensor readings or expert statements. Uncertainties of data, their associated morphology and therewith classificatory states are incorporated in terms of fuzziness using a uniform and convex type of membership function. Based on the properties of the already existing convex Fuzzy-Pattern-Class models and their automatic, data-driven setup a method for modeling nonconvex relations without leaving the present classification concept is introduced. Key points of the elaborated approach are: 1.) The aggregation of Fuzzy-Pattern-Classes with the help of so called complementary objects. 2.) The sequential combination of Fuzzy-Pattern-Classes and complementary Fuzzy-Pattern-Classes in terms of a fuzzy set difference. 3.) A clustering based structuring of complementary Fuzzy-Pattern-Classes and therewith a structuring of the combination process. A result of this structuring process is the representation of the resulting nonconvex fuzzy classification model in terms of a classifier tree. Such a nonconvex Fuzzy-Classifier features high transparency, which allows a structured understanding of the classificatory decision in working mode. Both the automatic data-based design as well as properties of such tree-like fuzzy classifiers will be illustrated with the help of academic and real word data. Even though the proposed method is introduced for a specific type of membership function, the underlying idea may be applied to any convex membership function.

Lerncontentmodelle beschreiben den modularen Aufbau von Lernmaterialien auf verschiedenen Komplexitätsebenen von Assets bis hin zu fertigen Kursmaterialien. In Autorenwerkzeugen wird diese Untergliederung oft unterstützt, bspw. durch Mediendatenbanken, modularisierte Inhaltsstrukturen oder pädagogische Metadaten zum unterstützten Lernszenario. User Generated Content in Social-Software-Anwendungen entsteht nicht auf diesem strukturierten Weg, sondern spontan und abhängig von den bereitgestellten Funktionen. Der Beitrag zeigt, dass sie sich aber weiterhin bezüglich ihrer Abhängigkeit vom Lernkontext klassifizieren lassen. Als Abstufungen ergeben sich Assets, Informations- und Lernobjekte, zielgruppenbasierte Zusammenstellungen und Kursunterlagen. Damit soll einerseits eine taxonomische Grundlage geschaffen werden, um User Generated Content als Lernmaterialien einzuordnen, es ist aber vornehmlich ein erster Schritt hin zur deren systematischer Re-Integration in institutionelle Lernmaterialien.

In der österreichischen Bibliothekenlandschaft waren bis vor einiger Zeit Klassifikationen kaum ein Thema, wenn doch dann für die Freihandaufstellung, wobei auch hier die sog. Haussystematiken bei weitem in der Überzahl waren und es auch weiterhin sind. Erst in den letzten Jahren ist, verbunden mit dem Thema der Suchmaschinentechnologie, auch das Thema Klassifikationen wieder etwas in den Vordergrund gerückt, wobei in Österreich bisher vor allem die Regensburger Verbundklassifikation (RVK) und die Basisklassifikation (BK) angewendet werden, und auch das Interesse an der DDC wächst. Aber auch das Thema Aufstellung stellt sich für viele Bibliotheken in diesem Kontext erneut in dem Sinn, dass – im Zuge von Baumaßnahmen, aber teilweise auch aus grundsätzlichen Erwägungen – auch größere Bibliotheken ein Abgehen von vorhandenen Haussystematiken in Erwägung ziehen.

Die 8 Vorträge waren Teil der 27. Tagung der Jahrestagung der Gesellschaft für Klassifikation an der Universität Cottbus, 11-14. März 2003. Im bibliothekarischen Zweig Sacherschließung und Bibliothekswissenschaft ging es diesmal um Inhaltserschließung und Controlling. Das Leitreferat hielt Dr. Klaus Ceynowa, Göttingen, der die Zuhörer in das bibliothekarische Controlling insbesondere bei der Bestandserschließung einführte. Die Kernfrage lautete: Können wir uns die Sacherschließung noch leisten ? Die nachfolgenden Referate konzentrierten sich auf Kostenreduzierung, Effizienzerhöhung bei den Erschließungsprozeduren, Erweiterung der inhaltserschlossenen Anteile in den OPAC-Angeboten sowie Erhöhung der automatisierten Anteile bei der Erschließungsarbeit.

The ensuing lectures were part of the 28th annual conference of the German Classification Society held March 9.-11th 2004 at the University of Dortmund, Germany. In the branch "Subject indexing and librarian science" the main topics read subject indexing and cutting costs, mainly by automatic procedures. Main speaker was Dr. Bernhard Eversberg, Braunschweig. His main point was "Subject-Indexing: We can't do without" which was likewise the overall-topic for the meeting of the librarians. / Die hier wiedergegebenen Vorträge waren Teil der 28. Jahrestagung der Gesellschaft für Klassifikation an der Universität Dortmund, 9.-11 März 2004. Im bibliothekarischen Zweig Sacherschließung und Bibliothekswissenschaft ging es diesmal um Inhaltserschließung und Kosten, insbesondere um Einsparungen durch automatische Verfahren. Das Leitreferat hielt Dr. Bernhard Eversberg, Braunschweig. Die Kern-Feststellung lautete: Sachschließung - wir müssen sie (uns) leisten! Und das war zugleich das Thema der Dortmunder Veranstaltung.

Diese Arbeit zeigt ausgehend von einer Darstellung der theoretischen Grundlagen automatischer Textklassifikation, dass die aus der Statistical Learning Theory stammenden Support Vector Machines geeignet sind, zu einer präziseren Erkennung unerwünschter E-Mail-Werbung beizutragen. In einer Testumgebung mit einem Corpus von 20 000 E-Mails wurden Testläufe verschiedene Parameter der Vorverarbeitung und der Support Vector Machine automatisch evaluiert und grafisch visualisiert. Aufbauend darauf wird eine Erweiterung für die Open-Source-Software SpamAssassin beschrieben, die die vorhandenen Klassifikationsmechanismen um eine Klassifikation per Support Vector Machine erweitert.

Anlässlich der Jahrestagung der GfKl in Freiburg gestalteten die beiden Arbeitsgruppen „Bibliotheken“ und „Dezimalklassifikationen“ jeweils einen Tag mit Veranstaltungen. Das diesjährige Motto lautete „Zutrauen in die digitale Zukunft“. Zentrale Fragestellung war die Erörterung weiterer Arbeitsgebiete. Der Tenor sollte sein, die klassifikatorischen Felder neben dem klassischen Feld der Bibliothek zu entdecken.

In dieser Arbeit werden drei verschiedene Ansätze zur Indexierung beim inhaltsbasierten Image Retrieval evaluiert werden. Als Basis werden dafür Farben und Formen mit Hilfe von annularen Histogrammen extrahiert. Eine Ähnlichkeitsmetrik für diese Histogramme wird über das Produkt der Eulerschen Distanz und der Histogramm Distanz gebildet, der sogenannten Distanzmetrik. Unter Verwendung dieser Metrik werden folgende drei Verfahren der inhaltsbasierten N-Nearest- Neighbor Suche nach Bildern in dieser Arbeit vorgestellt: 1. Einfache, sequentielle Suche in den Histogrammen der Bilder 2. Verwendung des Evolving Tree, einer Art SOM, als Indexstruktur 3. Nutzung des Vantage Point Trees als Indexstruktur Abschließend sollen die drei beschriebenen Verfahren miteinander verglichen und ausgewertet werden. Im Hinblick auf das inhaltsbasierte Image Retrieval zeigen sich die Vorteile und Nachteile der Anwendung dieser Verfahren.

Einleitend zur Archivierung in MONARCH entstand ein Text zur bibliothekarischen Veranstaltung in Hamburg, Juli 2008. Wichtig für die Bibliothekare in der Gesellschaft für Klassifikation ist: Ihr gemeinsames Thema ist die Inhaltserschliessung; dabei soll der Rote Faden immer dorthin laufen, wo Neues oder Trends zu entdecken sind.

Literaturbericht Dezimalklassifikationen: DDC, UDK und weitere