DSR Knowledge Class of Problems and Artefacts

0.0 (0)

Fichier Détails

Cartes-fiches	22
Langue	Deutsch
Catégorie	Mécatronique
Niveau	Université
Crée / Actualisé	21.12.2019 / 22.01.2020
Lien de web	https://card2brain.ch/box/20191221_dsr_knowledge_class_of_problems_and_artefacts
Intégrer	<iframe src="https://card2brain.ch/box/20191221_dsr_knowledge_class_of_problems_and_artefacts/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Liste des carte

Étudier

Problemidentifikation nach Johannesson (2014)

Problemdefinition

Problem ist der Unterschied zwischen aktuellem Zustand und dem gewünschten Zustand und wofür eine Lösung angestrebt wird.

Position and Justify

Kontext geben und klar aufzeigen, wieso es sinvoll ist, das Problem anzugehen bzw. zu lösen.

Aufzeigen von Konsequenzen / Nutzen der Lösung ist eine Möglichkeit die Rechtfertigung (Justification) des Aufwands der Erstellung der Lösung zu einem Problem / Problemklasse aufzuzeigen.

Root Causes (Die Wurzel des “allen” Übels)

Um ein Problem lösen zu können ist ein tiefgründigers Verständnis als die reine Identifikation und Beschreibung nötig.

Hintergründe zur Entstehung / Wechselwirkungen können wertvolle Hinweise sein, die einerseitsTeil der Lösungfindung sein können und andererseits bzgl. Lösungsakzeptanz / Erfolg der Lösung relevant sein können.
Ishikawas Diagramm als Hilfe (Visualisierung)

Ishikawa Digram

Zweck bzw. Anwendungen von Wissen nach Johanesson (2014)

Beschreibung eines Phänomens
Erklärung eines Phänomens
Prognose eines Phänomens

Definitorisches Wissen

Besteht aus Konzepten, Konstrukten, Terminologien, Definitionen, Vokabularien, Klassifikationen, Taxonomien u.a.

Zum Beispiel HCI (Human Computer Interaction) bzw. Usability

->Beschreibung aber nicht Nachweis einer Existenz.

Deskriptives Wissen

Beschreibt eine Realität (existierend oder vargangen)
Zusammenfassend, generalisierend und auch klassifizierend

-> Beschreibung aber auch hier, wird in aller Regel kein Existenznachweis geliefert.

Erklärendes Wissen

Wieso und warum etwas funktioniert, wird mit erklärendem Wissen erläutert.
Nicht nur beschreibend, sondern erklärend.

-> Begründungen und Erläuterungen von Zusammenhängen werden festgehalten.

-> Es werden jedoch keine Prognosen abgegeben.

Prognostizierendes Wissen

Nur die korrekte Prognose zählt und wird erläutert, nicht jedoch, wie die erklärenden Zusammenhänge bzgl. des Phänomens aussehen.

«Verständnis» ist nicht zentral, sondern einzig die akkurate Vorhersage. COCOMO Modell

Händewaschen als Hygienemassnahme (Heute weiss man wieso dies nützt.)

-> Ergebnisse werden vorhergesagt, jedoch nicht erklärt.

Erklärendes und prognostizierendes Wissen

Liefert Erklärungen und kann Prognosen abgeben.
TAM (Technology Acceptance Model)
Händewaschen als Hygienemassnahme (Heute weiss man wieso dies nützt.) In solchen Modellen (TAM) werden Zusammenhänge sowie Vorhersagen über Effektstärken gemacht.

Verordnendes (präskriptiv) Wissen

In aller Regel aufgeteilt in ein Modell und eine Anwendung desselbigen.
SCRUM / XP

-> z.B. «Software iterativ entwickeln!»

Explizites Wissen

Aufgezeichnetes Wissen
Anleitungen / «How-Tos»
Kann einfach von einer Person einer anderen Person zugänglich gemacht werden (z.B. Einsichtnahme oder Mail)

-> Nicht für alles Wissen geeignet (z.B. Velo oder Autofahren)

Implizites Wissen

Schwer in Worte zu fassen
Schwer zu explizieren bzw. in eine Textform zu bringen.
Emotionen erkennen
Gesichtszüge erkennen / lesen
Bauchgefühl und Entscheide (im Gegensatz dazu Nutzwertanalyse [NWA])

Verkörpertes (embodied) Wissen

Teil von physischen Objekten, Prozessen oder Strukturen.
Eine Brotbackmaschine läuft automatisch ab, da Wissen zum Backen in der Maschinesteckt.
Reverse Engineering versucht Artefakte oder physische Objekte zu verstehen und die verborgenen Funktionalität und Strukturen zu erkennen.

Wissen in Organisationen

Personen (z.B. implizites Wissen)
Dokumenten / Handbüchern (z.B. explizites Wissen)
Routinen (4-Augenprinzip)
Technologie (Zutritt nur mit Badge)
Reverse Engineering versucht Artefakte oder physische Objekte zu verstehen und die verborgenen Funktionalität und Strukturen zu erkennen

-> Risiko, dass ein Artefakt kontraproduktiv ist, besteht, daher ist ein Einsatz von Design Science zu empfehlen, um am Artefakt solches Wissen abzuholen bzw. zu überprüfen, ob die Lösung auch den weniger zugänglichen Formen von Wissen genügt.