Überdeckungsmodelle zur Akquisition und Verarbeitung von Unsicherem Wissen

Es gibt eine Vielzahl von Mechanismen, die diagnostisches Schließen ermöglichen. Im medizinischen Umfeld bietet sich neben heuristischen, regelbasierten Ansätzen die Modellierung von unsicherem Wissen durch kausale Netze an. Zur Repräsentation von unsicherem Wissen werden häufig Bayes'sche Netze verwendet, mit deren Hilfe Problemstellungen sehr präzise modelliert werden können. Allerdings ist diese Form der Wissensrepräsentation für einige Anwendungsfälle zu allgemein oder mächtiger als nötig. In diesem Fall können Überdeckungsmodelle verwendet werden, mit denen einfacher unsicheres Wissen zu modellieren ist, da einerseits weniger Wahrscheinlichkeiten angegeben werden müssen und andererseits Wissen sowohl qualitativ als auch quantitativ repräsentiert werden kann. Das heißt, Relationen müssen nicht unbedingt über Wahrscheinlichkeiten definiert werden, sondern es gibt alternativ die Möglichkeit, Erklärungspunkte anzugeben, was in manchen Fällen ausreichend ist. In dieser Arbeit wird untersucht, welche Beziehungen zwischen Bayes'schen Netzen und Überdeckungsmodellen bestehen und unter welchen Bedingungen eine Transformation von SCM in Bayes'sche Netze möglich ist.