Bohnebeck, Uta

Loading...
Thumbnail Image
Preferred name
Bohnebeck, Uta
Main Affiliation
Email
uta.bohnebeck@hs-bremen.de
ORCID

Settings

Now showing 1 - 2 of 2
  • Loading...
    Thumbnail Image
    Some of the metrics are blocked by your 
    consent settings
    Item type:Publication,
    Interventionen in Concept Bottleneck Models
    (2026-09-29)
    Goretzky, Frederic
    ;
    Fuchs, Rajmund
    ;
    Bohnebeck, Uta
    Diese Arbeit untersucht, wie Explainable Artificial Intelligence (XAI) dazu beitragen kann, spezifische Domänen für Citizen Science zugänglicher zu machen. Das Problem besteht darin, dass die Komplexität spezifischer Domänen für Laien oft schwer zu handhaben ist. Daher wird betrachtet, inwiefern erklärbare CBM Transparenz schaffen kann und die Komplexität durch einen adaptiven Interventionsmechanismus für Bürger reduziert werden kann. Die Ergebnisse zeigen, dass adaptiv gewählte Konzepte zur Intervention einen signifikanten Einfluss auf die Vorhersagegenauigkeit besitzen. Weiter zeigte sich, dass der Fehler, bei Auswahl der richtigen Konzepte, stärker reduziert werden konnte, als bei der Intervention vieler weniger relevanter Konzepte. Die Untersuchungen zeigen, dass eine adaptive Interventionsstrategie ein geeignetes Mittel sein kann, um Verständnis und Vertrauen in die Künstliche Intelligenz (KI) zu fördern.
    Report
      22  12
  • Loading...
    Thumbnail Image
    Some of the metrics are blocked by your 
    consent settings
    Item type:Publication,
    Technischer Bericht zu Label-Free Concept Bottleneck Models
    (2026-09-29)
    Scharnke, Cedric
    ;
    Krüger, Ole
    ;
    Bohnebeck, Uta
    Label-Free Concept Bottleneck Models nutzen eine Zwischenschicht aus LLM-generierten Konzepten, um Entscheidungen bei der Klassifikation von Bildern nachvollziehbar zu machen. Diese Arbeit greift diesen Ansatz auf und untersucht, wie sich alternative Sprachmodelle und Promptvarianten auf die generierten Konzeptmengen und die resultierende Klassifikation auswirken. Konkret werden anhand der Datensätze CIFAR-10, CIFAR-100 und CUB-200-2011 drei LLMs mit je sechs Promptvarianten in insgesamt 54 Konfigurationen mit der GPT-3-Baseline verglichen. Lexikalisch unterscheiden sich die generierten Konzeptmengen häufig stark von der Baseline, ohne dass daraus unmittelbar auf semantisch neue oder bessere Konzepte geschlossen werden kann. In den drei für die qualitative Betrachtung ausgewählten Fallbeispielen aus CUB-200-2011 finden sich bei Baseline und Mistral-P5 sowohl visuell nachvollziehbare als auch nicht erkennbare stark beitragende Konzepte. Auch für die ergänzten Unexpected-Konzepte ergibt sich kein eindeutiger Erklärungsgewinn. Die höchsten beobachteten Klassifikationsgenauigkeiten liegen 0,97 Prozentpunkte bei CIFAR-10, 1,68 Prozentpunkte bei CIFAR-100 und 0,52 Prozentpunkte bei CUB-200-2011 über der jeweiligen Baseline. Alle drei Bestkonfigurationen verwenden dabei mehr finale Konzepte als ihre Baseline. Die gepaarte Fehleranalyse auf CUB-200-2011 zeigt zudem, dass die höheren Gesamtgenauigkeiten aus gleichzeitig korrigierten und neu entstandenen Fehlklassifikationen hervorgehen. Insgesamt zeigen die Ergebnisse, dass Sprachmodell und Prompt die Zusammensetzung der Concept Bottlenecks deutlich verändern und teilweise höhere Klassifikationsgenauigkeiten ermöglichen. Ein zusätzlicher Erklärungswert gegenüber der Baseline lässt sich anhand der vorliegenden Evaluation jedoch nicht nachweisen. Für eine belastbarere Bewertung sollte insbesondere untersucht werden, ob unterschiedlich formulierte Konzepte inhaltlich dieselben Merkmale beschreiben. Zudem sind eine skalierbare Bewertung der visuellen Nachvollziehbarkeit und mehrere unabhängige Läufe erforderlich.
    Report
      66  23