BusFactor
Anmelden
Zurück zum Blog
Forschungssynthese10 Min.20. Mai 20261600 Wörter

Prozess- und Entscheidungswissen aus Text: Was Friedrich (2011), Goossens (2023) und Text2Chat (2024) für KM bedeuten

Ein Großteil des Erfahrungswissens in technischen KMU steckt nicht in Diagrammen, sondern in E-Mails, Handbüchern, Protokollen. Wie kommt man von dort zu ausführbarem Prozess- und Entscheidungswissen? Friedrich, Mendling und Puhlmann [1] haben 2011 die Pionierarbeit zu Prozessmodellen aus natürlicher Sprache geliefert. Goossens, De Smedt und Vanthienen [2] haben 2023 gezeigt, wie Deep Learning DMN aus Text extrahiert. Goossens und Vanthienen [3] haben 2024 mit Text2Chat die Brücke zu konversationellen Wissensdiensten geschlagen.

1. Friedrich, Mendling, Puhlmann (2011) — die Pionierarbeit

Friedrich, Mendling und Puhlmann [1] haben bei CAiSE 2011 gezeigt, wie sich aus natürlichsprachlichen Prozessbeschreibungen BPMN-Modelle automatisch generieren lassen. Ihr Ansatz kombiniert linguistische Analyse (POS-Tagging, Dependency Parsing, Anaphernauflösung) mit Welt-Wissen (WordNet) und einer Pipeline, die Aktivitäten, Akteure, Gateways und Ereignisse identifiziert. Empirisch erreichen sie auf einem Korpus von 47 Texten eine durchschnittliche Aktivitäts-F1-Score von über 0.77 — bemerkenswert für eine reine Pre-Deep-Learning-Pipeline.

2. Goossens, De Smedt, Vanthienen (2023) — DMN aus Text via Deep Learning

Goossens, De Smedt und Vanthienen [2] haben 2023 in Expert Systems with Applications gezeigt, wie sich aus Texten Decision Model and Notation (DMN) extrahieren lässt — also genau das, was bei wissensintensiven Geschäftsprozessen entscheidend ist (vgl. Figl et al., 2018 [4]). Methodisch nutzen sie BERT-basierte Sequenz-Labeling- und Klassifikationsmodelle, um Entscheidungsregeln, Inputs, Outputs und Boxed Expressions zu identifizieren.

3. Text2Chat (2024) — vom Modell zum Wissensassistenten

Goossens und Vanthienen [3] schließen 2024 bei HICSS den Kreis: Sie zeigen, wie aus extrahierten DMN-Modellen ein konversationeller Wissensdienst (Text2Chat) wird, der Endanwender:innen durch wissensintensive Entscheidungen führt — mit voller Nachvollziehbarkeit, welche Regel welche Antwort begründet hat.

4. Verbindung zu RAG und Knowledge-Hiding-Forschung

  • RAG-Architektur (Lewis et al., 2020 [5]; Shuster et al., 2021 [6]): RAG liefert die Antwort, DMN liefert die Begründbarkeit der Antwort.
  • Knowledge-Hiding und Disclosure (Connelly et al., 2012 [7]; Lucas et al., 2014 [8]): Damit aus Text Prozesswissen extrahierbar ist, muss das Wissen überhaupt erst extern werden.

5. Praxis: Was eine seriöse KM-Plattform daraus ableitet

  • Strukturierte Extraktion als Pflichtschicht — nicht nur Volltext-Embedding.
  • Decision Tables als First-Class-Objekt — versionierbar, prüfbar, mitbestimmungstauglich.
  • Dialog-Layer mit Begründungsspur — jede Antwort verlinkt auf die Regel, die sie stützt.

Fazit

Wer Wissensmanagement im Jahr 2026 ernsthaft betreibt, kommt nicht damit durch, Volltextdateien in einen Vektorindex zu kippen. Die Forschungslinie Friedrich → Goossens → Text2Chat zeigt: Aus Text muss strukturiertes, ausführbares Prozess- und Entscheidungswissen werden.

Quellen

  1. [1]
    Friedrich, F., Mendling, J., & Puhlmann, F. (2011). Process model generation from natural language text. Advanced Information Systems Engineering — CAiSE 2011, LNCS 6741, 482–496, Springer.
  2. [2]
    Goossens, A., De Smedt, J., & Vanthienen, J. (2023). Extracting Decision Model and Notation models from text using deep learning techniques. Expert Systems with Applications, 211, 118667.
  3. [3]
    Goossens, A., & Vanthienen, J. (2024). From text to intelligent services in knowledge intensive decision processes: Text2Chat. Proceedings of the 57th Hawaii International Conference on System Sciences (HICSS 2024), 5992–6001.
  4. [4]
    Figl, K., Mendling, J., Tokdemir, G., & Vanthienen, J. (2018). What we know and what we do not know about DMN. Enterprise Modelling and Information Systems Architectures, 13(2), 1–16.
  5. [5]
    Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. NeurIPS 2020.
  6. [6]
    Shuster, K., Poff, S., Chen, M., Kiela, D., & Weston, J. (2021). Retrieval augmentation reduces hallucination in conversation. Findings of EMNLP 2021, 3784–3803.
  7. [7]
    Connelly, C. E., Zweig, D., Webster, J., & Trougakos, J. P. (2012). Knowledge hiding in organizations. Journal of Organizational Behavior, 33(1), 64–88.
  8. [8]
    Lucas, G. M., Gratch, J., King, A., & Morency, L.-P. (2014). It's only a computer: Virtual humans increase willingness to disclose. Computers in Human Behavior, 37, 94–100.

Weiterlesen

Forschung & Methodik
Die wissenschaftlichen Grundlagen der BusFactor-Methode: Was peer-reviewte Forschung zu Tacit Knowledge und KI-gestütztem Wissenstransfer belegt
Forschungssynthese
LLMs als Tacit-Knowledge-Detektoren: Was Zuin et al. (IJCNN 2025) empirisch gezeigt haben — und was es für KI-gestütztes Wissensmanagement bedeutet
Forschungssynthese
Knowledge-Intensive Business Processes: Warum starre Workflows scheitern — und was DMN, RuleML und KiBP-Forschung dazu sagen
Methodensynthese
RAG-Foundations: Warum Retrieval-Augmented Generation der wissenschaftliche Standard für vertrauenswürdige KI-Antworten ist

Wie steht es um Ihren Bus-Faktor?

Lassen Sie uns die kritischen Rollen in Ihrem Unternehmen gemeinsam identifizieren — strukturiert, rollenbezogen und ohne Mitarbeiterüberwachung.

Kostenlose Risikoanalyse anfragen