Knowledge Technologies for the Social Sciences (KTS)
Die Abteilung KTS verbessert die Auffindbarkeit unserer Forschungsdaten. Dies geschieht unter anderem mithilfe einer integrierten Suche, automatisierten Aufbereitungsmethoden für digitale Verhaltensdaten und Metadaten wissenschaftlicher Ressourcen sowie deren Integration in innovative Forschungsdateninfrastrukturen. Hierfür forscht KTS an KI-basierten Methoden für die Interpretation, Integration und Nutzung heterogener Daten.
Unser Angebot
GESIS-Suche
Finden Sie Informationen rund um sozialwissenschaftliche Forschungsdaten, Publikationen zu Forschungsdaten sowie Open-Access-Publikationen.
Research Labs
Hier finden Sie nachnutzbare Ergebnisse unserer jüngsten Forschungs- und Entwicklungsprojekte, wie z.B Forschungsdatensätze, Anwendungen & Demos oder Tools & Pipelines.
Knowledge Graph Infrastruktur
Ziel der Knowledge Graph (KG) Infrastruktur ist der Aufbau einer Infrastruktur für die GESIS-weite Verlinkung sozialwissenschaftlicher Forschungsdaten und Ressourcen und deren Interoperabilität und Findbarkeit im Web.
Unsere Teams
Information & Data Retrieval
Das Team Information & Data Retrieval bündelt Service- und Forschungsaktivitäten, die sich mit der effizienten Suche nach Forschungsdaten, insbesondere in den Sozialwissenschaften beschäftigen. Dabei soll der Nutzende effizient und effektiv in allen Phasen der Informationssuche unterstützt werden. Dazu forscht das Team in verschiedenen IR-Bereichen, z.B. Interactive Information Retrieval, entitätsbasierte und semantische Suche oder Personalisierung. Spezifisch ist die vertikale Suche in verschiedenen Informationstypen, etwa in Forschungsdaten oder Literaturdaten. Dabei werden die Informationstypen untereinander verlinkt, um dem Nutzenden Zusammenhänge zwischen den Daten aufzuzeigen und semantische bzw. entitätsbezogene Suchen über alle Daten hinweg zu ermöglichen (siehe GESIS-weite Suche). Eine aktuelle Herausforderung stellt die temporale Suche in großen Datenmengen, insbesondere Web-Daten und digitalen Verhaltensdaten dar, die als sozialwissenschaftliche Forschungsdaten in der Suche unterstützt werden. Ziel des Teams Information & Data Retrieval ist es, für alle Infrastrukturen bei GESIS, geeignete State-of-the-Art Technologien für die Suche bereitzustellen, und durch Forschung in den o.g. Bereichen innovative Suchlösungen anbieten zu können.
Information Extraction & Linking
Das Team Information Extraction & Linking erforscht Methoden und entwickelt Services zur Integration und Verlinkung von Forschungsdaten und Forschungsinformationen. Kernaufgabe des Teams ist die konsequente Etablierung einer Wissensgraph-Infrastruktur mithilfe etablierter Vokabulare und Standards, um so GESIS Forschungsdaten untereinander und mit etablierten Vokabularen, Wissensgraphen und Datenbeständen zu verknüpfen. Dazu entwickelt das Team innovative Methoden zur Extraktion und Verlinkung von Forschungsdaten und -informationen und betreibt Forschung in den Bereichen Informationsextraktion und Natural Language Processing (NLP), Entity Resolution sowie Interlinking und Datenfusionierung. Aktuelle Herausforderungen ergeben sich z.B. durch das Mining von Forschungsdaten und die Verlinkung von / mit Forschungsdatenreferenzen oder anderen Daten im Web oder die Verlinkung mit grossen Web Archiven, bestehend z.B. aus Twitter-Daten. Neben der Verlinkung von Forschungsdaten und den dazugehörigen wissenschaftlichen Publikationen wird ebenfalls die Verlinkung und Homogenisierung von etablierten Vokabularen und Annotationsframeworks vorangetrieben, die eine ganzheitliche Sicht auf Forschungsdaten entlang der FAIR Prinzipien unterstützt und die übergreifende Suche, z.B. im Rahmen der GESIS-weiten Suche und im Web ermöglicht.
FAIR Data
Das Team FAIR Data verbessert die Nutzbarkeit von Forschungsdaten entlang der FAIR-Prinzipien durch die forschungsbasierte Konsolidierung und Integration digitaler GESIS-Dienste sowie die Verbesserung der Sicht- und Auffindbarkeit von GESIS-Daten im Web. Hierfür betreibt das Team Forschung an der Schnittstelle von Informationsextraktion, Wissensgraphen, Datenintegration und Information Retrieval und bringt diese konsequent in die Verbesserung von Forschungsdaten und Diensten ein. Im Rahmen der Weiterentwicklung des Integrierten Informationsangebots von GESIS arbeitet das Team kontinuierlich mit anderen Teams bei KTS und Abteilungen bei GESIS zusammen. Darüber hinaus stellt die Zusammenarbeit mit nationalen und internationalen Forschungsdateninfrastrukturinitiativen (insbesondere NFDI) eine zentrale Aufgabe dar, durch die Transfer in die Community und die Anschlussfähigkeit an Standards und Innovationen aus der Community (z.B. zu FAIR Assessment) sichergestellt wird. Das Team ist an drei NFDI-Konsortien beteiligt.
Big Data Analytics
Das Team Big Data Analytics befasst sich mit Forschung und Dienstleistungen im Zusammenhang mit groß angelegter Datenverarbeitung. Ziel ist es, die (skalierbare) Analytik im Sinne einer verantwortungsvollen Datenwissenschaft FAIR zu machen (Findable, Accessible, Interoperable and Reproducible). Unsere Aktivitäten reichen vom Entwurf skalierbarer Infrastruktur für die Verarbeitung großer Datenmengen bis zur Entwicklung von Analysemethoden für die Sozialwissenschaften. Ziel ist es, diese Methoden, wo immer möglich, öffentlich zugänglich, reproduzierbar und erklärbar zu machen. Das Team arbeitet an der Schnittstelle von Wissensgraphen, verteilter Analytik und Big Data.
Human Information Interaction
Das Team Human Information Interaction (HII) arbeitet und forscht an der Schnittstelle zwischen Human Computer Interaction und Machine Learning. Mithilfe von Methoden der nutzendenzentrierten Entwicklung bezieht das Team Nutzende aktiv in den Entwicklungsprozess mit ein und trägt somit dazu bei, digitale Dienste mit überzeugender Usability und User Experience zu entwickeln. Ein Beispiel dafür ist die GESIS Suche, unsere integrierte Suche über verschiedene Informationstypen. Ein weiteres Ziel besteht darin, mit Hilfe von Machine Learning aus digitalen Verhaltensdaten Erkenntnisse zu kognitiven Prozessen zu generieren und in User Models abzubilden. In der Forschung beschäftigt sich das Team unter anderem mit Online-Diskurs Verhalten und wie dieses verbessert werden kann, was Eyetracking und physiologische Daten (z.B. EEG) über kognitive Prozesse beim Lesen und Verstehen von Texten (z.B. Fragebögen oder Web-Inhalten) verraten und wie Nutzende mit eher vagen Informationsbedürfnissen besser bei der Informationssuche unterstützen werden können.
