KONECO: Berücksichtigung von kontextuellen Faktoren und strukturellen Gegebenheiten in einem dynamischen Rahmen

Abstract

Das KONECO-Projekt hat wesentlich zu den förderpolitischen Zielen des BMFTR in den Bereichen KI-Forschung, interdisziplinäre Zusammenarbeit und Transfer in die Lehre beigetragen. KI-Forschung und methodische Innovation: Ein zentraler Beitrag ist die Entwicklung neuartiger Datenstrukturen und Analysemethoden für ökonomische Daten. Ökonomische Daten weisen häufig statistische Besonderheiten auf, die den Einsatz konventioneller maschineller Lernverfahren erschweren – insbesondere “heavy tails” (z.B. bei Handelsdaten), bei denen extreme Werte überproportional häufig auftreten. Das Projekt adressierte diese Herausforderung durch die Entwicklung eines wissensgraphbasierten Ansatzes, der ökonomische Daten in Knowledge Graphs transformiert und mittels spezialisierter Embedding-Verfahren analysierbar macht. Diese methodische Innovation ermöglicht es, komplexe multi- dimensionale Zusammenhänge in ökonomischen Daten zu erfassen, die in tabellarischen Standardformaten verloren gehen würden. Die entwickelte Ontologie zur Übersetzung ökonomischer Prozesse in Knowledge-Graph-Strukturen stellt einen wichtigen konzeptionellen Beitrag dar, der über das Projekt hinaus Anwendung finden kann. Interdisziplinäre Zusammenarbeit: Das Projekt demonstriert exemplarisch, wie fruchtbare interdisziplinäre Kooperation zwischen Wirtschaftswissenschaften und Informatik gelingen kann. Eine wesentliche Leistung war der Aufbau eines gemeinsamen Vokabulars zwischen den beteiligten Disziplinen. Die systematische Dokumentation unterschiedlicher Begrifflichkeiten und methodischer Herangehensweisen in den Projektdatenbanken schafft nicht nur für das Projektteam, sondern auch für zukünftige interdisziplinäre Vorhaben wertvolle Grundlagen. Die intensive Auseinandersetzung mit den fundamentalen Werken beider Forschungsrichtungen in gemeinsamen Lesegruppen hat gezeigt, wie sich auf verschiedenen Ebenen Parallelen und Verknüpfungen erschließen lassen. Diese Erfahrungen wurden in die Entwicklung des interdisziplinären Seminarformats eingebracht. Transfer in die Lehre: Das Projekt hat seine Forschungsergebnisse erfolgreich in die akademische Lehre transferiert. Das entwickelte, interdisziplinäre Seminar "Network Inference: Interdisciplinary Data Research" im Wintersemester 2023/24 ermöglichte Master- und fortgeschrittenen Bachelorstudierenden aus Wirtschaftswissenschaften und Informatik, moderne Methoden des maschinellen Lernens für wirtschaftliche Fragestellungen anzuwenden. Das Seminar “Soziale Netzwerke” wurde auch in den Wintersemestern 2024/25 und 2025/26 angeboten. Das im Projekt entwickelte Wiki diente, auch für die Lehrveranstaltungen, als Wissensdatenbank und Nachschlagewerk. Besonders hervorzuheben ist die Entwicklung eines interaktiven Jupyter-Notebooks, das die im Projekt entwickelten Methoden für Studierende und Forschende zugänglich macht und als nachhaltiges Lehrmaterial über das Projektende hinaus zur Verfügung steht. Wissenschaftliche Sichtbarkeit: Die Projektergebnisse wurden auf internationalen Konferenzen präsentiert und in wissenschaftlichen Publikationen veröffentlicht. Für das Papier "Multidimensional Knowledge Graph Embeddings for International Trade Flow Analysis" erhielten wir den "Best Paper Award" bei der 16. International Conference on Knowledge Engineering and Ontology Development. Dies unterstreicht die internationale Relevanz und wissenschaftliche Qualität der erzielten Ergebnisse und trägt zur Sichtbarkeit deutscher KI-Forschung im internationalen Kontext bei.