Was ist Wissensrepräsentation in der KI?

Die Wissensrepräsentation ist die Grundlage der künstlichen Intelligenz, die es Maschinen ermöglicht, die Welt zu verstehen und darüber nachzudenken. In diesem Artikel befassen wir uns mit den Feinheiten der Wissensrepräsentation, ihrer wichtigen Rolle in der künstlichen Intelligenz und den verschiedenen Techniken, die eingesetzt werden, um ein menschenähnliches Verständnis in Maschinen zu erreichen.

Was ist Wissensrepräsentation?

Wissensrepräsentation ist ein grundlegendes Konzept in der künstlichen Intelligenz (KI) und der Kognitionswissenschaft. Sie dient als Brücke zwischen Rohdaten und den Denkfähigkeiten intelligenter Systeme und ermöglicht es Maschinen, Wissen in einer strukturierten Weise zu speichern, zu organisieren und zu verarbeiten, die der menschlichen Kognition ähnelt.

Im Kern geht es bei der Wissensdarstellung um die Kodierung von Informationen über die Welt in einem Format, das von KI-Systemen verstanden und genutzt werden kann. Diese Informationen umfassen Fakten, Konzepte, Beziehungen, Regeln und Heuristiken. Die primären Ziele der Knowledge Representation sind die folgenden:

1. Effizienz: Wissen sollte so gespeichert und verarbeitet werden, dass ein schneller Abruf und eine schnelle Schlussfolgerung möglich sind.
2. Ausdruckskraft: Sie sollte in der Lage sein, komplexe Beziehungen und verschiedene Arten von Wissen darzustellen.
3. Inferenz: Die Wissensdarstellung sollte intelligente Systeme in die Lage versetzen, Schlussfolgerungen zu ziehen, Entscheidungen zu treffen und Probleme zu lösen.
4. Flexibilität: Sie sollte sich an Änderungen und Aktualisierungen des Wissens anpassen, wenn neue Informationen verfügbar werden.

Um diese Ziele zu erreichen, sind verschiedene Formalismen und Modelle entwickelt worden. Dazu gehören symbolische Darstellungen wie Logik und Ontologien, subsymbolische Darstellungen wie neuronale Netze und hybride Modelle, die sowohl symbolische als auch subsymbolische Elemente kombinieren. Die Wissensrepräsentation spielt eine zentrale Rolle in Anwendungen, die von Expertensystemen und dem Verstehen natürlicher Sprache bis hin zu Empfehlungssystemen und autonomer Robotik reichen und die Grundlage für die kognitiven Fähigkeiten der KI bilden. In den folgenden Abschnitten werden wir verschiedene Formalismen und Methoden zur Knowledge Representation und ihre Anwendungen genauer untersuchen.

Was sind die verschiedenen Arten von Wissen?

Im Bereich der Wissensrepräsentation ist Wissen kein monolithisches Konzept, sondern ein vielschichtiges, das verschiedene Arten von Informationen umfasst, die Maschinen verstehen und verarbeiten müssen. Hier sind die wichtigsten Arten von Wissen:

• Deklaratives Wissen: Deklaratives Wissen wird auch als Faktenwissen bezeichnet und umfasst Aussagen über Tatsachen. Dazu gehören Informationen über die Eigenschaften, Merkmale und Beziehungen zwischen Objekten oder Konzepten. Zum Beispiel: “Der Himmel ist blau” oder “Paris ist die Hauptstadt Frankreichs” sind deklarative Aussagen.
• Prozedurales Wissen: Bei prozeduralem Wissen geht es darum, “wie” man Aufgaben oder Handlungen ausführt. Es umfasst Schritt-für-Schritt-Anweisungen, Algorithmen und Prozesse. Ein Rezept zum Backen eines Kuchens oder eine Reihe von Regeln für das Schachspiel sind beispielsweise prozedurales Wissen.
• Meta-Wissen: Metawissen bezieht sich auf Wissen über Wissen. Es umfasst Informationen über die Quellen, die Zuverlässigkeit und den Kontext anderer Arten von Wissen. In der KI ist es wichtig, die Glaubwürdigkeit und Relevanz von Informationen zu beurteilen.
• Heuristisches Wissen: Heuristisches Wissen besteht aus Faustregeln oder Richtlinien, die bei der Problemlösung und Entscheidungsfindung helfen. Diese Regeln sind normalerweise weniger streng und flexibler als deklaratives oder prozedurales Wissen. Eine Heuristik zum Lösen eines Labyrinths könnte beispielsweise lauten: “Folge immer der linken Wand”.
• Bereichsspezifisches Wissen: Bereichsspezifisches Wissen ist auf einen bestimmten Bereich oder eine bestimmte Domäne zugeschnitten. Es umfasst spezialisierte Informationen, die in einem bestimmten Kontext relevant sind. Medizinisches Wissen über Krankheiten und Behandlungen ist zum Beispiel bereichsspezifisch.
• Bereichsunabhängiges Wissen: Im Gegensatz dazu ist das bereichsunabhängige Wissen allgemein und nicht an einen bestimmten Bereich gebunden. Es umfasst grundlegende Prinzipien, die in verschiedenen Bereichen anwendbar sind. Logisches Denken und mathematisches Wissen sind Beispiele für bereichsunabhängiges Wissen.
• Stillschweigendes Wissen: Stillschweigendes Wissen ist oft unausgesprochen und schwer zu artikulieren. Es umfasst Fähigkeiten, Intuitionen und Einsichten, die der Einzelne durch Erfahrung erwirbt. Stillschweigendes Wissen lässt sich nur schwer formalisieren, spielt aber eine wichtige Rolle bei der menschlichen Entscheidungsfindung und beim Fachwissen.
• Explizites Wissen: Explizites Wissen ist genau dokumentiert und kann leicht kodifiziert und kommuniziert werden. Es ist häufig in Lehrbüchern, Datenbanken und schriftlichen Dokumenten zu finden.
• Implizites Wissen: Implizites Wissen ist das Gegenteil von explizitem Wissen und wird nicht explizit ausgedrückt. Dazu gehören unausgesprochene Normen, kulturelles Verständnis und ungeschriebene Regeln.
• Allgemeingültiges Wissen: Allgemeingültiges Wissen bezieht sich auf das alltägliche Verständnis und die Argumentation der Menschen. Es umfasst das Wissen über die allgemeinen Fakten und Konzepte der Welt, wie z. B. Schwerkraft, Zeit und Kausalität. Das Erfassen und Darstellen von Alltagswissen ist eine große Herausforderung für die KI.

Das Verständnis dieser verschiedenen Wissenstypen ist entscheidend für die Entwicklung effektiver Wissensrepräsentationssysteme. Die Wahl der Darstellung hängt von der Art des Wissens ab, das in KI-Anwendungen gespeichert und genutzt werden soll.

Welche verschiedenen Formalismen gibt es für die Darstellung von Wissen?

Im Bereich der künstlichen Intelligenz ist die Wissensrepräsentation der Grundstein für die Kodierung und Strukturierung von Informationen, die Maschinen verstehen und verarbeiten können. Um dies zu erreichen, wurden verschiedene Formalismen und Modelle entwickelt, die jeweils auf bestimmte Herausforderungen und Bereiche zugeschnitten sind. Sehen wir uns einige der bekanntesten Formalismen an, die für die Darstellung von Wissen verwendet werden.

Propositionale Logik: Die Aussagenlogik vereinfacht die Wissensdarstellung durch die Verwendung von Propositionen oder Aussagen, die entweder wahr oder falsch sein können. Sie eignet sich für die Darstellung grundlegender Fakten und Beziehungen unter Verwendung logischer Operatoren wie AND, OR und NOT. Zum Beispiel: “Es regnet (P)” UND “Ich habe einen Regenschirm (Q)” kann als “P UND Q” ausgedrückt werden.

Logik erster Ordnung (FOL): Die Logik erster Ordnung erweitert die Aussagenlogik durch die Einführung von Variablen, Quantoren (z. B. ∀ für “für alle” und ∃ für “es gibt”) und Prädikaten (z. B. P(x) bedeutet “P ist wahr für x”). FOL ermöglicht die präzise Darstellung komplexer Beziehungen und Regeln.

Beschreibungslogiken: Beschreibungslogiken sind von zentraler Bedeutung für Ontologietechnik und Wissensdarstellung. Sie verwenden Konzepte, Rollen, Individuen und Axiome, um Domänenwissen zu definieren. Die Web Ontology Language (OWL) ist ein bekanntes Beispiel für eine Beschreibungslogik.

Semantische Netze: Semantische Netze stellen Wissen als ein Netz von Knoten und Links dar. Knoten stellen Konzepte dar, und Links zeigen Beziehungen zwischen Konzepten an. Sie sind ideal für die Modellierung hierarchischer Strukturen und semantischer Assoziationen.

Frames: Frames erweitern semantische Netze, indem sie Wissen in Frames strukturieren, die jeweils Slots (Attribute) und Werte (Daten) enthalten. Frames werden häufig in Expertensystemen und wissensbasierten Anwendungen verwendet.

Konzeptuelle Graphen: Konzeptgraphen kombinieren die Ausdruckskraft von FOL mit der Klarheit von visuellen Diagrammen. Sie verwenden Knoten und beschriftete Bögen, um komplexe Beziehungen in einem verständlicheren Format darzustellen.

Ontologien: Ontologien formalisieren Wissen mit einer Taxonomie von Konzepten und Beziehungen. Sie werden häufig verwendet, um domänenspezifisches Wissen zu strukturieren, und spielen eine entscheidende Rolle im Semantic Web. RDF und OWL sind gängige Ontologiesprachen.

Die Wahl des Formalismus hängt von den spezifischen Anforderungen einer KI-Anwendung, der Art des darzustellenden Wissens und dem gewünschten Grad an Ausdruckskraft und Schlussfolgerungsmöglichkeiten ab. Die Wissensrepräsentation ist ein dynamisches Feld, und Forscher erforschen weiterhin neue Formalismen und hybride Ansätze, um die Darstellung von menschenähnlichem Verständnis in Maschinen zu verbessern.

Was sind Ontologien?

Ontologien sind grundlegende Strukturen für die Wissensdarstellung und das Semantic Web. Sie dienen als explizite und formale Spezifikationen einer gemeinsamen Konzeptualisierung innerhalb eines bestimmten Bereichs. Im Wesentlichen definieren Ontologien die Begriffe, Konzepte und Beziehungen, die zur Beschreibung und Darstellung von Wissen in einem bestimmten Kontext verwendet werden. Hier ein genauerer Blick darauf, was Ontologien beinhalten:

1. Formale und explizite Definitionen: Ontologien bieten eine formale und explizite Definition von Konzepten in einer Domäne, einschließlich ihrer Attribute, Beziehungen und Beschränkungen. Diese Klarheit ist von entscheidender Bedeutung für ein gemeinsames Verständnis zwischen den verschiedenen Beteiligten, sowohl Menschen als auch Maschinen.
2. Hierarchie und Taxonomie: Ontologien organisieren Konzepte oft hierarchisch und bilden eine Taxonomie, in der Konzepte auf der Grundlage breiterer oder allgemeinerer Kategorien kategorisiert werden. Diese hierarchische Struktur ermöglicht Schlussfolgerungen über Subsumtionsbeziehungen, bei denen ein Konzept mehreren übergeordneten Kategorien zugeordnet werden kann.
3. Beziehungen und Eigenschaften: Sie definieren Beziehungen und Eigenschaften, die Konzepte innerhalb der Domäne miteinander verbinden. Diese Beziehungen helfen dabei festzustellen, wie verschiedene Konzepte miteinander verbunden sind, und bieten einen Rahmen für Schlussfolgerungen und Abfragen.
4. Interoperabilität: Ontologien fördern die Interoperabilität, indem sie ein gemeinsames Vokabular und ein gemeinsames Verständnis von Begriffen und Konzepten bereitstellen. Dies ist besonders wichtig in Kontexten, in denen mehrere Systeme oder Organisationen Informationen austauschen und nutzen müssen.
5. Standardisierung: Ontologien können standardisiert werden, was bedeutet, dass sie bestimmten Konventionen und Formaten folgen. Bekannte Ontologiesprachen wie RDF (Resource Description Framework) und OWL (Web Ontology Language) bieten Standards für die Definition und den Austausch von Ontologien.
6. Wiederverwendbarkeit: Ontologien können in verschiedenen Anwendungen und Domänen wiederverwendet werden. So kann beispielsweise eine medizinische Ontologie, die Konzepte im Zusammenhang mit Krankheiten und Behandlungen definiert, in verschiedenen Gesundheitsanwendungen wiederverwendet werden.
7. Inferenz und Schlussfolgerungen: Ontologien unterstützen Inferenzen und Schlussfolgerungen. Auf der Grundlage der definierten Beziehungen und Einschränkungen können automatisierte Systeme logische Schlussfolgerungen ziehen und Abfragen beantworten. Wenn die Ontologie zum Beispiel festlegt, dass “Vögel Tiere sind” und “Tiere sich bewegen können”, kann sie daraus schließen, dass “Vögel sich bewegen können”.

Zusammenfassend lässt sich sagen, dass Ontologien strukturierte Rahmenwerke zur Darstellung von Wissen sind, die das Verständnis, die Interoperabilität und die Schlussfolgerungen in einem bestimmten Bereich verbessern. Sie spielen eine zentrale Rolle in der künstlichen Intelligenz, bei wissensbasierten Systemen, beim Informationsabruf und im breiteren Bereich des Wissensmanagements. Ontologien erleichtern die Erfassung, den Austausch und die Nutzung von Wissen in verschiedenen Anwendungen und sind damit eine Schlüsselkomponente im Zeitalter der datengesteuerten Entscheidungsfindung und der intelligenten Systeme.

Wie wird die Wissensrepräsentation in der KI eingesetzt?

Die Wissensrepräsentation bildet das Fundament von Systemen der künstlichen Intelligenz (KI), da sie ihnen die Fähigkeit verleiht, zu verstehen, zu argumentieren und fundierte Entscheidungen zu treffen. Diese grundlegende Komponente wird in verschiedenen KI-Anwendungen eingesetzt und steuert wichtige Funktionen:

In Expertensystemen ist die Wissensdarstellung von zentraler Bedeutung, da sie KI in die Lage versetzt, menschliches Fachwissen in bestimmten Bereichen zu replizieren. Diese Systeme speichern bereichsspezifisches Wissen in einem strukturierten Format und sind so in der Lage, Probleme zu diagnostizieren, Empfehlungen auszusprechen und sachkundige Entscheidungen zu treffen.

Im Bereich der Verarbeitung natürlicher Sprache (NLP) spielt die Wissensdarstellung eine entscheidende Rolle. NLP-Aufgaben wie Textverständnis und Stimmungsanalyse hängen davon ab, um die Bedeutung von Wörtern und Sätzen in ihrem kontextuellen Rahmen zu entschlüsseln. Durch die Verwendung von Ontologien und semantischen Netzen können KI-Systeme Sprache eindeutig zuordnen und so Benutzeranfragen verstehen und kohärente Antworten erzeugen.

Empfehlungssysteme nutzen die Wissensrepräsentation, um die Präferenzen der Benutzer und die Eigenschaften der Artikel zu erfassen. Durch die Strukturierung von Daten, die sich auf das Nutzerverhalten und die Eigenschaften von Artikeln beziehen, liefern diese Systeme personalisierte Empfehlungen, wie sie häufig in E-Commerce-Plattformen und Streaming-Diensten zu finden sind.

Robotersysteme, die mit Wissensrepräsentation ausgestattet sind, können in ihrer Umgebung effektiv navigieren. Dank ihres strukturierten Wissens können sie Routen planen, mit Objekten interagieren und die räumlichen Beziehungen zwischen Objekten verstehen.

Im Bereich des maschinellen Lernens ist die Wissensdarstellung für die Entwicklung von Merkmalen unerlässlich. Sie hilft bei der Erstellung aussagekräftiger Merkmale aus Rohdaten und verbessert so die Vorhersagefähigkeiten von Modellen.

Systeme zur Beantwortung von Fragen nutzen die Wissensrepräsentation, um relevante Informationen aus strukturierten und unstrukturierten Datenquellen zu extrahieren, so dass sie mithilfe von Ontologien und semantischen Modellen präzise auf Benutzeranfragen antworten können.

Autonome Fahrzeuge nutzen die Wissensrepräsentation, um Verkehrsregeln, Straßenbedingungen und das Verhalten anderer Fahrzeuge zu verstehen. Dieses Verständnis ist für den sicheren und effizienten Betrieb von autonomen Fahrzeugen unerlässlich.

Zusammenfassend lässt sich sagen, dass die Wissensrepräsentation als Brücke zwischen Rohdaten und der Fähigkeit der KI, die Welt zu interpretieren, zu verstehen und mit ihr zu interagieren, dient. Sie ermöglicht es intelligenten Systemen, Wissen zu kodieren, zu speichern und zu manipulieren, wodurch sie in die Lage versetzt werden, ein breites Spektrum an Aufgaben und Anwendungen in verschiedenen Bereichen auszuführen. In der künstlichen Intelligenz hat die Qualität der Wissensdarstellung einen erheblichen Einfluss auf die Effektivität eines Systems und seine Fähigkeit, Entscheidungen zu treffen, die der menschlichen Kognition ähneln.

Was sind Wissensgraphen?

Wissensgraphen sind ein leistungsfähiges Mittel zur Darstellung und Organisation von strukturiertem Wissen, das häufig in verschiedenen Anwendungen in den Bereichen künstliche Intelligenz, Datenmanagement und semantisches Web eingesetzt wird. Diese Graphen sind so konzipiert, dass sie Informationen in einem Format kodieren, das einem Netzwerk ähnelt, in dem Entitäten und ihre Beziehungen miteinander verbunden sind. Betrachten wir nun die Kernkonzepte von Wissensgraphen:

• Graphenstruktur: Wissensgraphen haben eine graphenbasierte Struktur, die aus Knoten und Kanten besteht. Die Knoten stellen Entitäten oder Konzepte dar, während die Kanten die Beziehungen oder Verbindungen zwischen diesen Entitäten kennzeichnen. Mit dieser Struktur lassen sich komplexe Wissensdomänen intuitiv modellieren.
• Entitäten: In Wissensgraphen können Entitäten eine breite Palette von Objekten darstellen, von Personen und Orten bis hin zu abstrakten Konzepten, Produkten und mehr. Diese Entitäten können reale Objekte oder theoretische Konstrukte sein.
• Beziehungen: Die Kanten (auch als Beziehungen bezeichnet) in einem Wissensgraphen stellen die Verbindungen zwischen Entitäten dar. Diese Beziehungen können ein- oder zweidirektional sein und geben die Art der Verbindung an. In einem Wissensgraphen über Filme könnte es beispielsweise Entitäten geben, die Schauspieler repräsentieren, und Beziehungen, die “gespielt in” darstellen und die Schauspieler mit den Filmen verbinden, in denen sie aufgetreten sind.
• Attribute: Wissensgraphen können Attribute oder Eigenschaften enthalten, die mit Entitäten verbunden sind. Diese Attribute liefern zusätzliche Details oder Metadaten über die Entitäten und erhöhen so den Reichtum des dargestellten Wissens. Eine Entität, die eine Person darstellt, kann beispielsweise Attribute wie “Geburtsdatum”, “Geburtsort” und “Nationalität” haben.
• Verknüpfte Daten: Wissensgraphen folgen häufig den Grundsätzen der verknüpften Daten, die eine nahtlose Integration und Abfrage von Informationen aus verschiedenen Quellen ermöglichen. Diese Interkonnektivität fördert ein Netz von Daten, das für verschiedene Anwendungen genutzt werden kann.
• Ontologische Rahmenwerke: In vielen Fällen halten sich Wissensgraphen an bestimmte ontologische Rahmenwerke, d. h. strukturierte Taxonomien oder Klassifikationen. Diese Rahmenwerke definieren die Arten von Entitäten und Beziehungen, die dargestellt werden können, und gewährleisten Konsistenz und Interoperabilität.
• Semantische Anreicherung: Wissensgraphen sind häufig semantisch angereichert, d. h., sie kodieren Bedeutung und Kontext innerhalb des Graphen. Diese semantische Ebene verbessert die Fähigkeit des Graphen, Beziehungen und Entitäten auf eine menschenähnliche Weise zu verstehen und zu interpretieren.

Zusammenfassend lässt sich sagen, dass Wissensgraphen ein vielseitiges Mittel zur Strukturierung und Darstellung von strukturiertem Wissen sind. Sie verwenden ein graphenbasiertes Format zur Kodierung von Entitäten, Beziehungen und Attributen und ermöglichen so die Modellierung komplexer Wissensdomänen. Wissensgraphen werden in einer Vielzahl von Bereichen eingesetzt und spielen eine entscheidende Rolle bei der Verbesserung des Datenmanagements, der Informationsbeschaffung und des semantischen Verständnisses.

Was sind die Herausforderungen bei der Wissensrepräsentation?

Die Wissensrepräsentation ist eine wichtige Komponente der künstlichen Intelligenz, die die Argumentation und Entscheidungsfindung in KI-Systemen erleichtert. Sie ist jedoch mit mehreren Herausforderungen verbunden.

Eine große Herausforderung bei der Wissensrepräsentation liegt im Wissenserwerb, denn der Prozess des Erwerbs, der Erstellung und der Pflege von Wissen kann sehr arbeitsintensiv und fehleranfällig sein. Die schiere Menge der zu kodierenden Informationen kann überwältigend sein, insbesondere in großen und dynamischen Bereichen.

Die verschiedenen Wissensrepräsentationssprachen und -formalismen sind unterschiedlich ausdrucksstark. Keine ist jedoch universell in der Lage, alle Arten von Wissen zu erfassen, und einige Darstellungen können Verzerrungen oder Einschränkungen bei der Darstellung bestimmter Konzepte oder Beziehungen aufweisen.

Eine weitere Hürde ist die Integration von unterschiedlichem Wissen aus verschiedenen Quellen. Diese Quellen können unterschiedliche Darstellungen und Terminologien verwenden, was den Abgleich und die Zuordnung von Ontologien zur Vereinheitlichung des Wissens erforderlich macht.

Auch die Skalierbarkeit stellt eine Herausforderung dar. Umfangreiche und komplexe Wissensrepräsentationen können unhandlich und ressourcenintensiv werden, was die Effizienz von KI-Systemen beeinträchtigen kann.

Der Umgang mit Unsicherheit und Unbestimmtheit im Wissen ist von entscheidender Bedeutung. Die reale Welt ist oft voll von unsicheren oder mehrdeutigen Daten, und Wissensrepräsentationssysteme müssen Techniken zur Bewältigung solcher Unsicherheiten enthalten, wie z. B. probabilistische Darstellungen und Fuzzy-Logik.

Außerdem ist Wissen nicht statisch, sondern entwickelt sich im Laufe der Zeit weiter. Die Anpassung von Repräsentationen, um sich entwickelndes Wissen zu berücksichtigen oder aus neuen Daten zu lernen, ist eine nicht triviale Aufgabe.

Der gesunde Menschenverstand, eine Fähigkeit, die der Mensch täglich einsetzt, stellt für KI-Systeme eine große Herausforderung dar. Sie haben oft Schwierigkeiten mit dem gesunden Menschenverstand, was dazu führt, dass sie nur begrenzt in der Lage sind, Zusammenhänge zu verstehen.

Die Ausweitung der Wissensrepräsentation auf mehrere Sprachen und Kulturen führt zu zusätzlicher Komplexität, einschließlich Übersetzungsproblemen und sprachübergreifender Mehrdeutigkeit.

Die Bewältigung dieser Herausforderungen ist ein ständiger Schwerpunkt der Forschung und Entwicklung auf dem Gebiet der künstlichen Intelligenz. Forscher und Praktiker arbeiten unermüdlich daran, die Genauigkeit, Effizienz und Anpassungsfähigkeit von Wissensrepräsentationssystemen zu verbessern, damit KI in den verschiedensten Anwendungen hervorragende Leistungen erbringen kann.

Das solltest Du mitnehmen

• Die Darstellung von Wissen ist die Grundlage der KI, die es Systemen ermöglicht, Informationen zu verstehen und zu nutzen.
• Verschiedene Formalismen und Modelle, darunter Ontologien und semantische Netze, strukturieren das Wissen.
• Sie spielt eine zentrale Rolle in Expertensystemen, NLP, Empfehlungsmaschinen, Robotik und mehr.
• Die Wissensrepräsentation schlägt die Brücke zwischen Rohdaten und der Fähigkeit der KI, Schlussfolgerungen zu ziehen, und ist damit eine entscheidende Komponente in intelligenten Systemen.
• Ihre Qualität hat großen Einfluss auf die Effektivität und die Entscheidungsfähigkeit von KI.
• Fortschritte bei der Wissensdarstellung werden die Zukunft der KI-Anwendungen weiterhin prägen.

Andere Beiträge zum Thema Knowledge Representation

Hier findest Du einen interessanten Artikel zur Wissenspräsentation der Indiana University.