Strukturiertes Literaturreview dazu, wie Machine-Learning-Ansätze Unsicherheit, Ungenauigkeit und Risiko in Entscheidungsunterstützungssystemen (DSS) handhaben.
Projektrahmen
- Modulleistung im Auslandssemester
- Modul: Decision Support Systems
- Polytechnic University of Coimbra (Coimbra Institute of Engineering), Portugal
- Veröffentlicht 2026 bei der IEEE International Conference on Computer Systems and Technologies (CompSysTech)
Forschungsfragen
- Welche Arten von Unsicherheit, Ungenauigkeit und Risiko gibt es in DSS?
- Welche ML-Techniken werden eingesetzt, um damit umzugehen?
- Wie wirksam sind diese Techniken laut den berichteten Evaluationen?
Methodik
- Strukturierter Literaturreview nach Kitchenham
- Zeitraum: Publikationen von 2020 bis 2025
- Vierstufige Auswahl: Identifikation, Deduplizierung, Screening, Eignungsprüfung
- Von rund 1.800 Treffern wurden 46 Studien ausgewertet
- Strukturierte Datenextraktion und vergleichende Synthese
Zentrale Ergebnisse
- Unsicherheit wird zunehmend als zentrale Designdimension von DSS verstanden
- Für Unsicherheit eignen sich vor allem Bayes’sche Methoden und Ensembles
- Für vages Expertenwissen eignen sich Fuzzy-Logik und Evidenztheorie
- Hybride Architekturen sind am vielversprechendsten, um Risiko in Entscheidungen einzubinden
- Am besten wirkt das, wenn Unsicherheit direkt in Entscheidungslogik und Human-in-the- Loop-Prozesse einfließt