a0725639 [PR Aufgabe 1:...eit][Exportseite]
Abgabedokument zu PR Aufgabe 1: Daten – Information(en) – Wissen - Weisheit
Zusammenfassung von Fabian Ehrentraud, 2012-03-25.
In diesem Bericht wird zum Themenbereich Daten – Information(en) – Wissen - Weisheit (engl. Data – Information – Knowledge – Wisdom) eine Einführung gegeben, wobei weiter unten auch Beispiele angeführt werden.
Für einen prägnanten Überblick der verwendeten Fachvokabel gibt es noch das Begriffswörterbuch.
Definitionen und Erklärungen - Überblick über die Begriffe
DIKW ist ein verbreitetes Modell im Knowledge Management. Es besteht aus den 4 Bausteinen Daten, Information, Wissen, und Weisheit. Doch was bedeuten diese Begriffe eigentlich?
Das Wissen hat eine weitaus komplexere Beschaffenheit als einfache Daten und Informationen und erfordert den aktiven Beitrag von Menschen um Wissenssysteme zu handhaben. Um ein angemessenes Wissensmanagement zu implementieren ist es deshalb von entscheidender Bedeutung, frühzeitig die Hauptunterschiede zwischen Daten, Informationen und Wissen zu klären.
Daten
"data is raw. It simply exists and has no significance beyond its existence (in and of itself). It can exist in any form, usable or not. It does not have meaning of itself. In computer parlance, a spreadsheet generally starts out by holding data."
Daten allein sind also noch nichts Wert. Sie müssen noch interpretiert und ausgesiebt werden um verwendbar zu werden.
Information(en)
"information is data that has been given meaning by way of relational connection. This "meaning" can be useful, but does not have to be. In computer parlance, a relational database makes information from the data stored within it."
Information ist also schon einen Schritt weiter und besteht aus mehreren Daten. Wie funktioniert die Umwandlung?
"Daten könnten in Informationen umgewandelt werden, indem man fünf Hauptverfahren anwendet:
Verdichtung – Datenelemente werden zusammengefasst und in eine prägnantere Form gebracht. Unnötige Tiefe wird beseitigt;
Kontextualisierung – der Zweck oder Grund, weshalb die Daten überhaupt gesammelt wurden ist bekannt oder selbstverständlich
Berechnung – Daten werden verarbeitet und kumuliert, um nützliche Informationen zu liefern
Klassifizierung – ist ein Prozess, um den Daten eine Gattung oder eine Kategorie zuzuordnen
Berichtigung – ist ein Prozess, um Fehler zu beseitigen"
Wissen und Verständnis
"knowledge is the appropriate collection of information, such that it's intent is to be useful. Knowledge is a deterministic process. When someone "memorizes" information (as less-aspiring test-bound students often do), then they have amassed knowledge. This knowledge has useful meaning to them, but it does not provide for, in and of itself, an integration such as would infer further knowledge. For example, elementary school children memorize, or amass knowledge of, the "times table". They can tell you that "2 x 2 = 4" because they have amassed that knowledge (it being included in the times table). But when asked what is "1267 x 300", they can not respond correctly because that entry is not in their times table. To correctly answer such a question requires a true cognitive and analytical ability that is only encompassed in the next level... understanding. In computer parlance, most of the applications we use (modeling, simulation, etc.) exercise some type of stored knowledge."
Information kann zu Wissen angehäuft werden, um einen Sinn zu erhalten - doch um weiteres Wissen zu generieren, oder Zusammenhänge zu begreifen benötigt es der nächsthöheren Stufe, der des Verständnisses.
"Typische Fragen in Zusammenhang mit Daten und Informationen enthalten die Fragewörter wer?, was?, wo? und wann?, während Fragen, die sich auf Wissen beziehen, wie? und warum? beinhalten."
Weisheit
"wisdom is an extrapolative and non-deterministic, non-probabilistic process. It calls upon all the previous levels of consciousness, and specifically upon special types of human programming (moral, ethical codes, etc.). It beckons to give us understanding about which there has previously been no understanding, and in doing so, goes far beyond understanding itself. It is the essence of philosophical probing. Unlike the previous four levels, it asks questions to which there is no (easily-achievable) answer, and in some cases, to which there can be no humanly-known answer period. Wisdom is therefore, the process by which we also discern, or judge, between right and wrong, good and bad. I personally believe that computers do not have, and will never have the ability to posses wisdom. Wisdom is a uniquely human state, or as I see it, wisdom requires one to have a soul, for it resides as much in the heart as in the mind. And a soul is something machines will never possess (or perhaps I should reword that to say, a soul is something that, in general, will never possess a machine)."
Weisheit ist demnach das ultimative Ziel, das auch nur von Menschen erreicht werden kann. Charakteristisch sind Fragen auf die keine Antworten existieren.
Zusammenhang der Begriffe
"Die rohen Daten haben zunächst keinen Informationsgehalt, sie stellen eher eine Art Rauschen dar. Erst die Verarbeitung der Daten, ihre Strukturierung und Ordnung schafft Informationen (bzw. die Strukturierung ihrer Unterschiede). Werden diese wiederum in einem Kontext gestellt, interpretiert und mit Bedeutung gefüllt, so entsteht Wissen. Die Entstehung von Wissen ist somit bereits auf die Kommunikation der Informationen angewiesen."
[hakken]
So baut sich also die Pyramide auf. Doch der Wissensfluss muss auch in die andere Richtung funktionieren:
"Damit Wissen zwischen zwei Personen übertragen werden kann, muss es in Form von Daten ausgedrückt werden. Fehler während dieses Prozesses sind Mißverständnisse."
[lasvidas]
In Abbildung [1] wird der Zusammenhang der Begriffe dargestellt, in der Kette Daten-Informationen-Wissen-Weisheit wird das Verständnis und die Verbundenheit von Informationen immer größer.
~32~~8211~~32~Wissen~32~-~32~Weisheit&CEWebS_rev=54)
Abbildung 1: Gene Bellinger, Durval Castro and Anthony Mills. "Transforming Data to Wisdom." ''systems-thinking.org''
Abbildung [2] zeigt die DIKW-Pyramide mit zusätzlichen Erklärungen jeder Stufe.
~32~~8211~~32~Wissen~32~-~32~Weisheit&CEWebS_rev=54)
Abbildung 2: Bildbeschreibung|Liebowitz. "Relations between data, information, knowledge and wisdom."
In Abbildung [3] sind die 4 Stufen nicht als Pyramide, sondern als konzentrische Kreise dargestellt, mit Vergleich zum "Organizational Purpose".
~32~~8211~~32~Wissen~32~-~32~Weisheit&CEWebS_rev=54)
Abbildung 3: Bowles, Marcus. "Knowledge taxonomy and relationship to organisational purpose." ''The Instituet for Working Futures''
Abbildung [4] bringt noch einen Zeitbezug in das Thema hinein - Information, Wissen und Verstehen (eingeschoben) beziehen sich auf die Vergangenheit und Weisheit auf die Zukunft.
~32~~8211~~32~Wissen~32~-~32~Weisheit&CEWebS_rev=54)
Wie in Abbildung [5] zu sehen ist, könnte es auch möglich sein, die DIKW-Pyramide mit Visuellem Verstehen zu verbinden.
~32~~8211~~32~Wissen~32~-~32~Weisheit&CEWebS_rev=54)
Eine alternative Darstellung davon zeigt Abbildung [6].
~32~~8211~~32~Wissen~32~-~32~Weisheit&CEWebS_rev=54)
(Konkrete) Beispiele
Anhand verschiedener Beispiele lassen sich die Zusammenhänge zwischen den Begriffen veranschaulichen.
"Die Qualitätskontrolle eines Produktionsprozesses bei einem Weinhersteller.
Daten: Die Daten könnten sich auf numerische Mengen von Prozesselementen beziehen, einschließlich Flaschengewicht, Daten über die Farbe des Weins und Daten über den prozentualen Anteil von Weinzutaten. Nur wenn diese Datenelemente in die richtige Reihenfolge gebracht werden oder in einen präziseren und besser organisierten Rahmen gestellt werden, werden sie eine Bedeutung haben.
Informationen: In diesem Beispiel könnten Informationen zum Beispiel aus einer Excel-Tabelle bestehen, die verschiedene Produktionselemente einer bestimmten Rotweincharge beschreibt. Zum Beispiel könnte der Titel der Tabelle folgendermaßen lauten: Flaschengewicht für Roten Chardonnay, Charge Nr. 12445, produziert am 14.6.2006. Es ist offensichtlich, dass diese Tabelle mit geordneten Informationen einen bestimmten Zweck hat (das Flaschengewicht innerhalb akzeptabler Grenzen zu kontrollieren) und dass sie mit einem bestimmten Produktionselement oder Objekt (Roter Chardonnay) und Produktionsereignis (Flaschen gefüllt für Charge Nr. 12445 am 14.6.2006) verbunden ist.
Wissen: Wenn man über das spezifische Wissen diskutiert, das mit den oben genannten Daten und Informationen assoziiert ist, dann könnte man leicht feststellen, dass:
1. jemand diese Tabelle interpretieren muss, der Experte auf dem Gebiet der statistischen Qualitätskontrolle ist. Dieser wissensbasierte Prozess erfordert neben Expertenwissen eine Mischung aus gerahmter Erfahrung, Werten und Kontextinformation.
2. diese Person zusätzlich ein Bezugssystem für die Bewertung der Informationen braucht, um eine Entscheidung treffen zu können. Die Person könnte sie mit anderen Weinchargen vergleichen oder mit den akzeptablen Gewichtsgrenzen einer Weinflasche, wie sie von staatlicher Seite auferlegt wurden. Die endgültige Entscheidung des Qualitätsmanagers könnte sein, die Flaschen zum Auffüllen zurückzuschicken, oder die Charge als Qualität A oder Qualität B einzustufen und dann zu entscheiden, in welche Märkte die Charge verkauft werden sollte.
3. nur dieser Experte entscheiden könnte wie die fragliche Weincharge von den vergangenen Chargen und den Qualitätsstandards abwich und warum diese Charge an Markt A (anspruchsvollere Kunden) oder an Markt B (weniger anspruchsvolle Kunden) verkauft werden sollte.
Weisheit: In diesem Beispiel könnte man die zugehörige Weisheit als die Fähigkeit des Qualitätsexperten oder der Qualitätsabteilung beschreiben, den gesamten Prozess der Qualitätskontrolle zu verbessern. Dazu würden sowohl die Qualitätsstandards als auch der erforderliche Kontrollprozess unter Berücksichtigung von Vorwissen und Erfahrung nochmals überprüft. In jedem der oben erwähnten Fälle wird die Firma den Prozess der Qualitätskontrolle verbessern."
"Data represents a fact or statement of event without relation to other things.
Ex: It is raining.
Information embodies the understanding of a relationship of some sort, possibly cause and effect.
Ex: The temperature dropped 15 degrees and then it started raining.
Knowledge represents a pattern that connects and generally provides a high level of predictability as to what is described or what will happen next.
Ex: If the humidity is very high and the temperature drops substantially the atmospheres is often unlikely to be able to hold the moisture so it rains.
Wisdom embodies more of an understanding of fundamental principles embodied within the knowledge that are essentially the basis for the knowledge being what it is. Wisdom is essentially systemic.
Ex: It rains because it rains. And this encompasses an understanding of all the interactions that happen between raining, evaporation, air currents, temperature gradients, changes, and raining."
"Data - The lowest card in the deck. A phone number without an owner....pretty unsubstantial stuff on its own
We move higher up...
Information - Being able to cobble together disparate types of data into a relation ship. Knowing who Jane Smith is AND her phone number is INFORMATION.
We move higher up...
Knowledge - The fact that piecing together pieces of data to form information NETS you something: If I call Jane Smith on her telephone number, I can get tickets to a sold out concert.
Last step...
Wisdom - Gleaning some kind of value from your KNOWLEDGE: If I call Jane Smith on her phone number, I will get tickets that are fake. I will be ripped off and not be allowed into the show. Hence, Jane Smith is a fraudulent ticket broker..."
"Information + Thought → Knowledge.
Knowledge + Action → Wisdom."
"In an old AD&D book, it tried to explain the difference between Intelligence & Wisdom.
The story went like this:
Suppose you're outside, and it's raining.
Intelligence lets you know that it's raining.
But Wisdom tells you to go indoors."
Es gibt sogar eine eher mythische Betrachtungsweise der Begriffe im Kontext des alchemistischen Dreisprungs:
"[...]
Über unsere Sinne nehmen wir Informationen auf – hier im Beispiel primär visuelle Eindrücke. Unser Wissen „surft“ mit diesen Daten blitzschnell in seiner Bibliothek und fasst die Informationsfragmente in einer er- und bekannten Gestalt zusammen: hier klassifiziert als „Apfelbaum“.
Mit dem Schlüsselbegriff „Apfelbaum“ sind zahlreiche, weitere Wissensbausteine organisch verknüpft, wie z.B. „nicht bedrohlich“ „essbare Frucht“, „kann Schatten spenden“, „benötigt Wasser“, „hilft bei der Herstellung von Sauerstoff“, „benötigt Licht“ – usw.
[...]
Wissen schert sich zunächst einmal nicht um Moral und Ethik: schlägt uns nüchtern unsere Optionen vor und überlässt es (s)einer eigenen Handlungsinstanz, welchen Weg wir nun wählen, welcher Weg uns nun wählt.
Die wissentliche Informationsgestalt „Apfelbaum“ könnte auch noch einen weiteren Kanal öffnen. Wir sehen den Baum, riechen ihn, halten Inne. Wir sind von der Schönheit der Blüte berührt, denken über das Wunder von tiefen Wurzeln in der Erde und hohen Ästen, die in in den Himmel ragen nach. Wir sind mit Dankbarkeit für den Lebensspender „Apfel“ erfüllt. Wir dienen dem Baum still und bringen seine Früchte und Schönheiten unseren Mitmenschen näher.
Auf diese Weise beschrieben schmeckt unser „Apfelbaum“ nach Weisheit. Weisheit (Sapiencia, u.A. von Gemschmack/Schmecken abegeleitet).
[...]
[alchem]
Gegenstimmen
Wie bei allen Theorien oder Modellen gibt es natürlich auch Gegenargumente gegen das DIKW-Modell:
"I would reject the DIKW pyramid, aside from the fact it’s just plain wrong, it’s difficult to explain and leads to bad labels. Better to think that KNOWLEDGE is the way we create INFORMATION from DATA. If we share knowledge then we can understand information."
"Aside from being linked to a particular period of systems thinking approaches, which we are hopefully moving on from, its very culturally specific. It fails entirely to account of shamanistic knowledge, or the narrative traditions of Sufi philosophy and others. I could go on, but the you get the point; the DIKW pyramid is a culturally limited and inadequate model which has done more harm than good. The SECI model with its de facto focus on codification comes a close second, as I said the other day it’s the model that launched a thousand failed knowledge management initiatives. The main problem is its tendency to get people to think of knowledge as a thing rather than as a flow."
Ein interessanter Alternativvorschlag wird bei den Kommentaren der obigen Quelle gegeben:
"Data - Information - Knowledge - Understanding - Decision - Action"
"[...]
The real problem with the DIKW pyramid is that it's a pyramid. The image that knowledge (much less wisdom) results from applying finer-grained filters at each level, paints the wrong picture. That view is natural to the Information Age which has been all about filtering noise, reducing the flow to what is clean, clear and manageable. Knowledge is more creative, messier, harder won, and far more discontinuous."
[hbr]
Quellen
Webseiten
- trainmore
- TRAINMOR-KNOWMORE Partners. "Grundlegende Wissenskonzepte – Daten, Informationen, Wissen und Weisheit." trainmor-knowmore.eu 2008, viewed on 2012-03-25 «http://www.trainmor-knowmore.eu/FBC5DDB3.de.aspx», Seite auf Englisch: "Basic Knowledge Concepts - Data, Information, Knowledge and Wisdom." «http://www.trainmor-knowmore.eu/FBC5DDB3.en.aspx»
- systems-thinking
- Gene Bellinger, Durval Castro, Anthony Mills. "Data, Information, Knowledge, and Wisdom." systems-thinking.org 2004, viewed on 2012-03-25 «http://www.systems-thinking.org/dikw/dikw.htm»
- communitywiki
- Helmut Leitner et al. "InformationKnowledgeAndWisdom." communitywiki.org, viewed on 2012-03-25 «http://www.communitywiki.org/InformationKnowledgeAndWisdom»
- gruender
- Helmut Leitner et al. "Daten Information Wissen Weisheit." wikiservice.at/gruender, viewed on 2012-03-25 «http://www.wikiservice.at/gruender/wiki.cgi?DatenInformationWissenWeisheit»
- hakken
- E-Didakt. "Daten, Informationen, Wissen." zhw.uni-hamburg.de/edidakt, viewed on 2012-03-25 «http://www.zhw.uni-hamburg.de/edidakt/modul/nonflash/index.php?id=84&offen_string=83/59/58/»
- lasvidas
- Franziska Höfer. "Zum Begriff Wissen." http://wiki.lasvidas.de, viewed on 2012-03-25 «http://wiki.lasvidas.de/index.php/Zum_Begriff_Wissen»
- recessionistmarketing
- Jeff Schad. "Data-Information-Knowledge-Wisdom." http://recessionistmarketing.com 2010-05-20, viewed on 2012-03-25 «http://recessionistmarketing.com/data-information-knowledge-wisdom»
- alchem
- André Boeing. "Information, Wissen, Weisheit - Der alchemistische Dreisprung." andre-boeing.org, viewed on 2012-03-25 «http://www.andre-boeing.org/kern-themen/information-wissen-weisheit-der-alchemistische-dreisprung/»
- fromdatawithlove
- Patrick Lambe. "From Data, with Love." greenchameleon.com 2010-05-02, viewed on 2012-03-25 «http://www.greenchameleon.com/gc/blog_detail/from_data_with_love/»
- hbr
- David Weinberger. "The Problem with the Data-Information-Knowledge-Wisdom Hierarchy." blogs.hbr.org 2010-02-02, viewed on 2012-03-25 «http://blogs.hbr.org/cs/2010/02/data_is_to_info_as_info_is_not.html»
Bilder
[1] Gene Bellinger, Durval Castro and Anthony Mills. "Transforming Data to Wisdom." systems-thinking.org 2004, redrawn by Peter Thomas, viewed on 2012-03-23 «http://peterthomas.files.wordpress.com/2009/06/data-to-wisdom1.jpg», Blog Post «http://peterjamesthomas.com/2009/06/11/data-information-knowledge-wisdom/».
[2] Liebowitz. "Relations between data, information, knowledge and wisdom." 2003, adapted by trainmor-knowmore.eu, viewed on 2012-03-25 «http://www.trainmor-knowmore.eu/img/1.3.1.jpg», Article «http://www.trainmor-knowmore.eu/FBC5DDB3.en.aspx».
[3] Bowles, Marcus. "Knowledge taxonomy and relationship to organisational purpose." The Instituet for Working Futures viewed on 2012-03-23 «http://www.marcbowles.com/courses/adv_dip/module10/chapter1/images/amc10_ch1_two_clip_image002.jpg», Website «http://www.marcbowles.com/courses/adv_dip/module10/chapter1/amc10_ch1_two1.htm».
[4] Omegapowers. "DIKW." Wikipedia 2008-04-03, viewed on 2012-03-23 «http://en.wikipedia.org/wiki/File:DIKW.png».
[5] McCandless, David. "Hierarchy of Visual Understanding." InformationIsBeautiful.net 2010-11-29, viewed on 2012-03-23 «http://infobeautiful2.s3.amazonaws.com/data_info_knowledge_wisdom.png», Blog Post «http://www.informationisbeautiful.net/2010/data-information-knowledge-wisdom/».
[6] Shedroff. "data information communication knowledge wisdom model diagram." 1994, found at ritholtz.com, viewed on 2012-03-25 «http://www.ritholtz.com/blog/wp-content/uploads/2010/12/undspectrum.gif», Blog Post «http://www.ritholtz.com/blog/2010/12/hierarchy-of-visual-knowledge/».
HTML Version
Letzte Änderung: 25.03.2012, 20:03 | 2629 Worte