Wissensmodellierung

Wissensmodellierung analysiert eine standardisierte semantische Modellierung von Wissensansammlungen im textuellen Umfeld. Dabei zeige ich, dass bei Auszeichnungs- und Klassifizierungskonzepten, die schon bei Sprache und Schrift gefunden werden können, von semantischen Markup gesprochen werden kann. Am Anfang arbeite ich die Struktur als ausschlaggebendes Charakteristikum von Datensammlungen heraus und vergleiche herkömmliche Daten- beziehungsweise Wissensmanagementsysteme mit Konzepten ähnlichen Anspruchs. SGML und XML besitzen die Möglichkeit beliebige Daten primär nach textimmanenten Features plattformunabhängig zu strukturieren. Weiter können diese Metasprachen Informationen sekundär strukturieren und zwar durch die Schaffung entsprechender SGML-Anwendungen, wie zum Beispiel die der Topic Maps. Durch die Umstände der Metastrukturierung zur semantischen Auszeichnung von Content zur besseren Navigation in großen Wissenssammlungen, wie das Internet, wurden in letzter Zeit einige Metadaten-Initiativen laut. Um Metadaten zwischen Agenten oder Webservices ohne Bedeutungsverlust auszutauschen müssen Standards geschaffen werden. Einmal im Vokabular des Modells, als Ontologie, und ebenso als standardisierte Metasprache. Leistungsstarke zukunftsorientierte offene standardisierte Metasprachen zur sekundären Informationsmodellierung sind Topic Maps, dessen Vorteile und Konzepte ich ausreichend behandelt habe. Denkbar wäre eine semantische Anreicherung des Internet. Ähnliche Visionen bezeichnete Tim Berners-Lee als Semantic Web. Die multidimensionalen Bedeutungsnetze von Wissenmodellen können auch unabhängig von ihren Ressourcen verwendet werden und stellen auch als Einzelanwendung eine Erkenntnis in den kategorialen Beziehungen dar. Agenten können durch Bedeutung stiftende Ontologien in Wissenssammlungen logische Schlüsse ziehen und somit implizites Wissen explizieren. Den Abschluss meiner Diplomarbeit bildet eine Topic Map Anwendung nach XTM 1.0 generiert aus dem Nachlass Wittgensteins.