Im Gegensatz zu etablierten maschinellen Lernverfahren sehen konstruktivistische Lerntheorien nicht nur ein unüberwachtes oder überwachtes Lernen vor, sondern auch ein Lernen mittels Zweifel. Die drei zugrundeliegenden Prozesse menschlichen Lernens werden als Konstruktion, Rekonstruktion und Dekonstruktion von Wissen und Fähigkeiten bezeichnet.

Konstruktivistisches maschinelles Lernen vereinheit daher überwachte und unüberwachte Lernverfahren mit einer dritten Säule, der maschinellen Dekonstruktion, zu einem einheitlichen Framework. Um einen Dekonstruktionsprozess operationalisieren und automatisieren zu können, werden maschinell erlernte Zusammenhänge hier als Modelle im Sinne der Allgemeinen Modelltheorie nach Herbert Stachowiak interpretiert.

Ansprechpartner

Ausgewählte Publikationen

  • T. Schmid
    Deconstructing the Final Frontier of Artificial Intelligence: Five Theses for a Constructivist Machine Learning | LINK

    Proceedings of the AAAI 2019 Spring Symposium on Combining Machine Learning with Knowledge Engineering (AAAI-MAKE 2019), Stanford University, Palo Alto, California, USA, 2019

  • T. Schmid
    Automatisierte Analyse von Impedanzspektren mittels konstruktivistischen maschinellen Lernens | LINK

    Dissertation, Leipzig, 2018