Integration von Hypertext und Expertensystemen am
Beispiel eines Trainingssystems für
Herz-Rhythmus-Störungen

B. Reinhardt1, T. Remp2

1Universität Würzburg,
Lehrstuhl für Künstliche Intelligenz und Angewandte Informatik,
Allesgrundweg 12, 97218 Gerbrunn
Email: reinhard@informatik.uni-wuerzburg.de

2Ludwigs-Maximilians-Universität München
Medizinische Klinik I, Klinikum Großhadern
Marchioninistraße 15, 81377 München

Zusammenfassung

In der beruflichen Ausbildung an Universitäten und in Firmen setzten sich Lernsoftware immer mehr durch. Vor allem im medizinischen Bereich ist die Ausbildung der Studenten am Patienten immer schlechter, da einem durchschnittlichen Medizinstudent kaum noch genügend Kontakt zu Patienten ermöglicht wird. Diesem Problem kann abgeholfen werden, indem Medizinstudenten Patientendaten am Computer bereitgestellt werden, die die reale Kliniksituation so gut wie möglich nachbilden. Das Stellen einer Diagnose verlangt nicht nur das Folgern aus gegebenen Symptomen, sondern auch das Erkennen und Abstrahieren dieser Symptome. Werden Patientendaten als Bilder oder Töne präsentiert, muß der Lernende die relevanten Merkmale erkennen und richtig einordnen. Anhand einer Wissensbasis zu Herz-Rhythmus-Störungen kann hier ein Trainingssystem vorgestellt werden, welches Erkennen von Merkmalen und Schlußfolgern einer Diagnose aus diesen Merkmalen lehrt.

Schlüsselwörter

Expertensysteme, Tutorsysteme, Hypertext.

1 Einleitung

Sowohl Expertensysteme als auch Hypertextsysteme sind in verschiedenen Bereichen schon erfolgreich eingesetzt worden und haben sich als Medien zur Verarbeitung und Verbreitung von Wissen bewährt. Während sich Hypermedia hauptsächlich mit der Darstellung von Wissen beschäftigt, versuchen Expertensysteme, Wissen auf verschiedene Arten zu nutzen. Es liegt daher nahe zu untersuchen, inwieweit diese beiden Methoden miteinander verbunden werden können.

Zur medizinischen Diagnose gehört nicht nur die Fähigkeit, aus verschiedenen Symptomen die richtigen Krankheiten zu folgern, sondern auch, diese Symptome am Patienten zu erkennen und richtig einzuordnen. Ein medizinisches Trainingssystem sollte also die Möglichkeit bieten, Patientendaten in nicht-textueller Form, also z.B. als Bild oder Ton, darstellen zu können. Der Tutand muß also die Merkmale erkennen und richtig einordnen, wobei diese Aktionen von dem System überprüft und verbessert werden sollten.

In Kapitel 2 wird auf grundlegende Konzepte der Kopplung zwischen Tutorsystemen und Hypertext-Dokumenten eingegangen, während im darauffolgendem Abschnitt das grundlegende Konzept des vorliegenden Systems erläutert wird. In Kapitel 4 wird eine Beispielsitzung präsentiert, bei der die wesentliche Vorgehensweise vorgestellt wird. Die hypermedialen Aspekte des Systems werden in Kapitel 5 dargestellt, bevor in Kapitel 6 eine Zusammenfassung mit Ausblick gegeben wird.

2 Tutorsysteme und Hypertext

Die vielfältigen Möglichkeiten, in einer Hypertext-Umgebung Wissen darzustellen, legen nahe, diesen neuen Weg für Lernanwendungen zu verwenden. Computergestütztes Lernen existiert schon lange und in den unterschiedlichsten Ausprägungen. Sie reichen von elektronischen Lehrbüchern, einfachen "Drill-and-Practice" - Programmen über entdeckendes Lernen, Spiele, Simulationen bis hin zu Makrowelten. Eine Übersicht darüber geben [Eysenbach94] und [Baumgartner&Payr94].

Durch Hypertext-Dokumente können Lehrinhalte auf unterschiedliche Arten dargestellt werden, die kausale Zusammenhänge zwischen einzelnen Informationselementen unterstreichen.

Nicht jeder beurteilt diese Neuerung als grundlegend positiv. Prof. Klaus Haefner [Haefner93] sagt in einem Interview, daß die herrschende Hypermedia-Mode keinerlei didaktische Begründung hat und keine Strategie für das Lernen angeboten wird. Ebenso verweist er auf die fehlende Evaluation der angebotenen Systeme. Er vergleicht das Lernen in einer Hypermedia-Umgebung mit dem ungeführten Lernen in einer Bibliothek.

Hypertextorientierte Informationssysteme oder Simulationsprogramme führen zu einer deutlichen Zunahme der Eigenaktivität. Solch offene Strukturen können Personen, die diese Art des Lernens nicht gewohnt sind, überfordern - mit dem Ergebnis, daß deren Lernaktivität in ein zielloses Probieren ausartet [Freibichler93].

Die Vorteile von computergestütztem Lernen sind die Unabhängigkeit von Lehrpersonen, die individuelle Zeitgestaltung und die räumliche Unabhängigkeit. Der Lernende kann ein Themengebiet im selbstgestellten (oder durch das System auf ihn angepaßten) Tempo durchlaufen und ausgesuchte Kapitel wiederholen. Durch Hypermedia-Verbindungen kann Zusatzinformation angefordert werden, die der Tutand dann mit der normalen Unterrichtseinheit verbinden und somit einen persönlichen Bezug herstellen kann. Zusätzlich kann der durchschnittliche Mensch Bilder weitaus besser verarbeiten als Texte und somit erreicht die Darstellung von zu vermittelnden Wissen durch Hypermedia eine höhere Effizienz.

Die Vorteile sind also zusammengefaßt [Schmitz91]:

* Flexible Arbeitszeiten

* Individuelles Arbeitstempo

* Vielfältige Lerninhalte

* Individuelle Lernstrategien

* Vielfältige Präsentationsmöglichkeiten

Untersuchungen haben gezeigt, daß die Lerneffektivität mit Multimedia/Hypermedia-Anwendungen gegenüber Lernanwendungen ohne mediale Erweiterungen gesteigert wurde [Kong94]. Die Studenten nahmen die Anwendungen besser an, lernten mehr davon, das gewünschte Lernverhalten setzte ein und die interaktive, multimediale Anwendung benötigte weniger Zeit als die herkömmlichen Methoden.

Computergestütztes Lernen eignet sich gut zum Unterricht an Universitäten und zur beruflichen Weiterbildung, da die Lernenden zu einer weitgehenden Selbstkontrolle fähig sind. Im herkömmlichen Lehrbetrieb ist es fast unmöglich, eine 1:1-Lernumgebung zu ermöglichen, da Zeit und Personal fehlen. Durch ein entsprechendes Lernprogramm wird eine 1:1-Umgebung für den Benutzer simuliert, bei der er sein Wissen auf konkrete Probleme anwenden kann und ein sofortiges Feedback bekommt.

Weitere Informationen zu computergestütztem Lernen in ([Goodyear91],[Burns et al. 91] und [Clancey&Soloway91]).

3 Der Trainer bei Herz-Rhythmus-Störungen

Das hier vorgestellte System zur Diagnostik von Herz-Rhythmus-Störungen basiert auf dem Expertensystem-Baukasten D3 [Puppe et al. 94] und dem Hypertextwerkzeug D3-HITS [Reinhardt93]. Die Anwendungsmöglichkeiten beider Systeme reichen über die hier dargestellte Funktionalität hinaus und werden in der entsprechenden Literatur vollständig beschrieben. Eine andere Anwendung der Shell betrifft das Erkennen und Klassifizieren von Pflanzen und wird in [Reinhardt94] ausführlich beschrieben.

Stark vereinfacht wird in der Expertensystemshell eine Wissensbasis erstellt, in der Symptome (Merkmale) und Diagnosen (Lösungen) durch heuristisches Beziehungswissen (Regeln) verknüpft werden. Mit dieser Wissensbasis werden Bilder, Texte und Töne durch das Hypertextwerkzeug D3-HITS[1] verbunden. Ebenso werden Verbindungen von sensitiven Stellen, die in den Objekten des Hypertext-Dokuments definiert werden, zu Symptomen und Diagnosen der Wissensbasis erstellt.

Die Anwendung beruht auf der Verwendung zweier miteinander gekoppelter Werkzeuge, die beide eine graphische Wissenseingabe unterstützen, um somit dem Experten zu ermöglichen, sein Wissen selbst und nicht über den Umweg eines Wissensingenieurs einzugeben. In dem Expertensystem-Baukasten D3 wird sowohl eine Diagnose- als auch eine Symptomhierarchie aufgebaut, die mit heuristischem, überdeckendem oder fallvergleichendem Wissen erweitert wird. Näheres über den graphischen Wissenserwerb von D3 findet sich in [Gappa et al. 93]. In D3-HITS muß der Experte nun Bilder, Texte und Töne einbinden und miteinander verbinden und mit Elementen der Wissensbasis verknüpfen. Auch diese Aktionen sind alle graphisch unterstützt und können von dem Experten selbst durchgeführt werden. Der Vorteil des Wissenserwerbs durch den Experten selbst liegt in der Eigenständigkeit des Experten und dem Umgehen von Mißverständnissen bei der Wissensübergabe vom Experten zum Wissensingenieur.

Durch vom Experten definierte Verbindungen kann nun ein Fall der Wissensbasis durch ein Hypertext-Dokument dargestellt und die vom Benutzer erkannten Merkmale eingegeben und kritisiert werden. Ein Hypertext-Dokument in D3-HITS besitzt ein Startfenster, welches den ersten Eindruck eines Falles simulieren soll. Das kann in medizinischen Anwendungen z.B. das Porträt eines Patienten, in der Pflanzenerkennung das Bild einer Pflanze oder nur ein einleitender Text sein. Wie jedes weitere Fenster besitzt das Startfenster sensitive Stellen, bei denen auf Klick ein Pop-Up aufklappt und angebundene Fenster mit Vergrößerungen, Detailaufnahmen oder inhaltlich verbundenen Informationen zum Auswählen bereitstellt.

Ein Fall besteht aus verschiedenen Symptomen, die teilweise durch Bilder dargestellt werden können. Symptome, die nicht durch Bilder dargestellt werden können, wie z.B. Alter des Patienten, werden in Fragebögen textuell vorgegeben. Die erkennbaren Symptome wie Hautrötung oder Blütenfarbe sind in diesen Fragebögen nicht ausgefüllt und müssen durch den Tutanden eingegeben werden. Jeder Fall ist mit einem eigenen Hypertext-Dokument verbunden, das genau seine erkennbaren Symptome darstellt.

Bei einem Textfenster sind die klicksensitiven Wortbereiche durch einen Rahmen gekennzeichnet (siehe Abb. 1), während bei einem Bildfenster ein klicksensitiver Bereich durch den Experten konfigurierbar eingerahmt oder gesucht werden muß (Abb. 2). Das Auffinden eines solchen Bereiches kann in einigen Anwendungen als zu lernende Fähigkeit angesehen werden und muß deshalb vom Tutanden geübt werden. Zur Unterstützung ändert der Cursor seine Form von einem Pfeil- in ein Handsymbol, sobald ein klicksensitives Feld berührt wird.

Bei Ablauf einer Sitzung kann der Lernende jederzeit einen Lösungsvorschlag (Diagnose) machen, den das System sofort untersucht und bewertet. Um dies zu tun, wählt der Benutzer aus einer Hierarchiedarstellung aller Diagnosen die gewünschte und bekommt die Bewertung des Systems für seine Wahl präsentiert. Diese Diagnosebewertung bezieht sich auf die gleichen Daten, die der Tutand zu diesem Zeitpunkt kennt, einschließlich der von ihm selbst erkannten Symptome. Auch können zu jedem Zeitpunkt die bisher eingegebenen Symptome kritisiert werden, d.h. er kann eine Aufstellung der richtig, falsch und noch nicht erkannten Merkmale bekommen und kann sich zu jedem Merkmal die richtige Belegung sowie das Fenster, in dem das Merkmal erkennbar war, aufrufen.

Während der Sitzung werden die Symptome dem Benutzer entweder durch Text oder durch Bilder präsentiert. Die durch Bilder präsentierten Symptome muß er in einem Fragebogen belegen, die dann auf Wunsch mit den korrekten Antworten verglichen werden.

Der Vorteil dieses Konzepts ist, daß zusätzlich zur Überprüfung der Diagnose und der erkannten Symptome die Schlußfolgerungsfähigkeit berücksichtigt werden kann. In einem herkömmlichen System können die Aktionen des Lernenden nur in einem bestimmten Umfang überprüft werden. Durch die Fähigkeit des Expertensystems, aus den durch den Benutzer erkannten und möglicherweise falschen Eingaben zu schließen, ergibt sich die Möglichkeit, den Fall mit den vom Lernenden erkannten Eingaben im Expertensystem durchspielen zu können. Gibt der Lernende ein falsch erkanntes Symptom ein, behandelt der Problemlöser des Expertensystems diese Eingabe, als wäre sie korrekt, und leitet neue Lösungen auf dieser Grundlage her. So kann unterschieden werden, ob der Tutand in seiner Vorgehensweise oder in seiner Fähigkeit, Merkmale zu erkennen, Probleme hat. Es kann nun sein, daß ein Tutand eine seltene Herz-Rhythmus-Störung aus gegebenen Symptomen herleiten kann, diese Symptome aber nicht korrekt erkennen kann. In diesem Fall liegen seine Problem im Erkennen von Merkmalen und nicht in seiner Schlußfolgerungsfähigkeit. Solche Unterschiede kann der EKG-Trainer erkennen und somit seine Kritik präziser formulieren.

Das Tutorsystem zur Erkennung von Herz-Rhythmus-Störungen ist primär für Ärzte in der internistischen oder kardiologischen Weiterbildung entwickelt worden. Anhand von klinischen Fallbeispielen muß der Benutzer für die jeweilige Rhythmusstörung charakteristische differentialdiagnostische Merkmale erkennen und beschreiben.

Das hier vorgestellte Konzept und seine Implementierung wird zur Zeit am Klinikum Großhadern der Ludwig-Maximilians-Universität München weiterentwickelt und getestet. Die Wissensbasis Herz-Rhythmus-Störung wurde um die benötigten Bilder und Verbindungen erweitert, indem zu existierenden, klinischen Fallbeispielen mit Symptomen, Diagnosen und Regelwissen eingescannte EKG-Beispiele angebunden wurden.

Das System wurde bisher von einigen interessierten Ärzten in der internistischen Weiterbildung auf freiwilliger Basis genutzt. Insgesamt wurde es positiv aufgenommen und zur Vertiefung von Wissen als nützlich bewertet.

Die Vorteile dieses Konzepts sind also die Verbindung zwischen der Schlußfolgerungsfähigkeit der Expertensystemshell D3 und der Fallpräsentation und Symptomkritik des Hypertextsystems D3-HITS, die diese erweiterten Kritikansätze unterstützen.

4 Eine Beispielsitzung

Zum Start der Sitzung wird ein Fenster geöffnet, in dem der Tutanden die Grunddaten vermittelt werden sollen. In diesem Beispiel ist dies ein Textfenster mit Patientenalter, -geschlecht und eine kurze Beschreibung der Beschwerden (Abb. 1). Nachdem der Lernende diese Informationen gelesen hat, kann er sich über Pop-Ups weitere Fenster öffnen. In dem Beispiel sind dies das Ruhe-EKG und ein Anfalls-EKG, die in Abb. 2 gezeigt werden. Diese Fenster können wieder auf andere Bilder oder Texte zeigen, die z.B. Erklärungen oder Vergrößerungen enthalten. Abb. 1: In diesem Fenster werden die ersten Informationen über den Patienten bereitgestellt. Die anklickbaren Texte Ruhe-EKG und Anfalls-EKG weisen auf Fenster mit diesen EKGs. Über ein Pop-Up oder direkten Aufblenden, falls nur ein Nachfolger angegeben wurde, kann man diese Folgefenster aufrufen. Gleichzeitig mit dem Startfenster öffnet sich ein Fragebogen, in dem die Symptomwerte des Patienten dargestellt werden. Manche Symptome wie das Symptom Lagetyp können aber ausschließlich aus den Bildern erkannt werden. Diese Werte sind in den Fragebögen nicht vorbelegt, sondern müssen von dem Tutanden eingegeben werden. Abb. 2: Die beiden aus dem Starfenster aufrufbaren Folgefenster, in denen das Ruhe-EKG (ohne Anzeige der klicksensitiven Bereiche) bzw. das Anfalls-EKG (mit Anzeige der klicksensitiven Bereiche) des Patienten gezeigt werden. Abb. 3: Zwei der insgesamt fünf Fragebögen, in denen die Symptomwerte entweder vorgegeben oder ausfüllbar sind, wenn der Tutand die Werte in einem Bild erkennen kann. Bei der Diagnose von Herz-Rhythmus-Störungen sind vor allem die Abstände zwischen den einzelnen Spitzen wichtig. Um nun diese Abstände ablesen und vergleichen zu können, muß dem Tutand ein Lineal im entsprechenden Maßstab bereitgestellt werden, mit dem er ein gegebenes EKG-Bild ausmessen kann. Hier wurde ein Werkzeug entwickelt, welches mit zwei senkrechten Linien, die einzeln oder gemeinsam bewegt werden können, Abstände in dem Bild (im auf das Bild abgestimmten Maßstab) als Zahlenwert anzeigen kann (Abb. 4). Dieses Messen gehört ähnlich wie das Erkennen von Unregelmäßigkeiten des EKGs zu den zu lernenden Fähigkeiten. Abb. 4: In vielen Fällen bei Herz-Rhythmus-Störungen kommt es darauf an, den Abstand zwischen zwei Spitzen der EKGs zu messen oder gegeneinander zu vergleichen. Die beiden senkrechten Linien lassen sich über die Maus gemeinsam oder einzeln bewegen. Der Abstand zwischen den beiden Linien wird abhängig von einem dem Bild angepaßten Maßstab links oben in dem Bild angezeigt. Abb. 5: Aus einer aufklappbaren Diagnosehierarchie mit allen verfügbaren Diagnosen kann der Tutand eine oder mehrere Diagnosen aussuchen und diese Wahl bewerten lassen. Die Bewertung wird in ein Feedback-Fenster geschrieben, aus dem auch die richtige Diagnose und die Kritik der selbst erkannten Symptomwerte aufgerufen werden kann. Ebenso kann ein erneuter Versuch gestartet werden. Das Fenster rechts in der Abbildung zeigt die Bewertung für eine falsche Diagnose, die aber mit den vorliegenden Symptomwerten, die der Tutand falsch erkannt hat, herleitbar ist. Das Fenster unten zeigt die Bewertung einer richtigen Diagnose. Hat der Tutand nun alle Fragen eingesehen, selbst ausgemessen oder erkannt, kann er einen Diagnoseverdacht äußern. Aus einer aufklappbaren Diagnosehierarchie kann er sich eine oder mehrere Diagnosen auswählen, die auf unterschiedliche Weise kritisiert werden können:

* Die Diagnose ist richtig und auch bei den momentanen Symptomwerten herleitbar.

* Die Diagnose ist richtig, aber mit den von dem Tutanden erkannten Symptomen nicht herleitbar.

* Die Diagnose ist falsch, aber aus den von dem Tutanden (fälschlicherweise) erkannten Symptomwerten herleitbar.

* Die Diagnose ist falsch und auch aus den erkannten Symptomwerten nicht herleitbar.

In Abb. 5 ist eine Diagnosenauswahl mit unterschiedlichen Bewertungen zu sehen. In einem Fall wird eine falsche Diagnose ausgewählt, die aber durch die falsch eingegebenen Symptomwerte herleitbar ist. Das positive Feedback-Bild bestätigt die Auswahl der richtigen Diagnose.

Ein Diagnoseverdacht kann zu jeder Zeit geäußert werden, ebenso kann man sich immer die schon eingegebenen und erkannten Symptomwerte kritisieren lassen. Die Kritik solcher vom Tutanden selbst erkannten Symptomwerte ist in Abb. 6 gezeigt. Die Symptome werden eingeteilt in richtig, falsch und nicht erkannt. Bei den falsch und nicht erkannten Symptomen kann man sich die richtige Belegung ansehen. Das Bild, in dem dieser Symptomwert erkennbar war, kann bei allen Symptomen aufgerufen werden. Auf Anforderung wird dann das Bild geöffnet und die entsprechende Stelle auf dem Bild markiert. Abb. 6: Die von dem Tutanden eingegebenen Symptomwerte, die er in den Bildern erkannt und in die Fragebögen eingetragen hat, werden in die drei Kategorien richtig, falsch und nicht erkannt eingeteilt. Zu jedem Symptomwert kann das Bild aufgerufen werden, in dem das Symptom erkennbar ist. Außerdem kann bei den falsch und nicht erkannnten Symptomen der richtige Wert abgefragt werden. Das Ende der Sitzung wählt der Tutand selbst, indem er den Fall über einen Menüpunkt abbricht. In der Zwischenzeit kann er beliebig oft einen Diagnoseverdacht äußern und ihn bewerten lassen, ebenso kann er die eingebenen Symptomwerte wieder verändern und neu kritisieren lassen.

5 Hypermediale Aspekte des Systems

In welcher Hinsicht ist das hier vorgestellte System ein Hypermediasystem? Der wichtigste Aspekt eines solchen Systems sollte die Nichtlinearität sein und erst in zweiter Linie die Verknüpfung verschiedener zeitabhängiger und zeitunabhängiger Medien. In Abbildung 7 werden die verschiedenen nichtlinearen Verbindungen der Anwendung verdeutlicht: Wie in einem Hypertext-Dokument zur Präsentation von Daten sind verschiedenartige Hypertextknoten in einer Netzstruktur verbunden und können über klicksensitive Sektionen in den Knoten aktiviert werden. Zusätzlich existieren Links zwischen Hypertextknoten und Teilen der Wissensbasis, die in bestimmten Situationen von dem Benutzer aufgerufen werden können. Grundsätzlich muß man zwei Typen von Verbindungen unterscheiden: die schon in der Wissensbasis vorgegebenen Verbindungen zwischen Symptomen, Diagnosen und Fällen, die für alle Anwendungen der Wissensbasis benutzt werden, sowie Beziehungen zwischen Hypermediaknoten untereinander und zu der Wissensbasis. Diese Links werden ausschließlich für diese Hypermedia-Anwendung erstellt und nur hier benutzt. Abb. 7: In D3-HITS sind sowohl die verschiedenen Hypertextknoten, wie Bilder, Texte und Töne, als auch Teile der Wissensbasis, wie Symptome, Diagnosen und Fälle, nichtlinear verbunden. Die grauen Pfeile symbolisieren die Verbindung von Fällen zu Symptom- und Diagnosemengen in der Wissensbasis, d.h. diese Verbindungen sind schon in der Wissensbasis enthalten und müssen nicht neu eingegeben werden. Die Links zwischen Fall- und Symptommenge zu Hypertextknoten, die hier schwarz gezeichnet wurden, werden von dem Autor des Hypertext-Dokuments definiert und werden nur für diesen Zweck genutzt. Was nun den zweiten Aspekt betrifft, sind nur Texte, Grafiken, Bilder und Töne vertreten, was noch nicht der Idee eines HyperMEDIAsystems Genüge tut. Durch den internen modularen Aufbau von D3-HITS, welches in der objektorientierten Programmiersprache CLOS implementiert wurde, ist jedoch die Integration weiterer Medien wie Animationen und Videosequenzen nur eine Frage der Zeit.

6 Diskussion

Der Vorteil des hier dargestellten Konzepts zur Kopplung der Expertensystemshell D3 und des Hypertextwerkzeuges D3-HITS ist die Kritikfähigkeit bezüglich der Schlußfolgerungen und die Darstellung von Fällen in einer Umgebung, die der natürlichen Umgebung angenähert wird. Eine vollkommene Angleichung der realen und der computersimulierten Umgebung kann kaum erreicht werden, da der Tast- und Geruchsinn nicht nachgebildet werden kann. So kann weder an einer Blume gerochen noch ein Gelenk abgetastet werden.

Der Benutzer muß alle enthaltenen und darstellbaren Merkmale aus einem Hypertext-Dokument erkennen und daraus schlußfolgern, während beide Aufgaben überwacht und bewertet werden. Sämtliche Angaben, die nicht graphisch erkannt werden können, müssen über eine Textausgabe vorgegeben werden.

Im Moment ist die Kritik an den durch den Lernenden erkannten Symptomen noch ein elementarer Vergleich der Eingabe mit dem abgespeicherten Fall ohne Berücksichtigung von Besonderheiten, was aber in der Weiterentwicklung verstärkt berücksichtigt wird. Hierzu wird fallvergleichendes Wissen verwendet werden, um abschätzen zu können, wie sehr sich der Tutand verschätzt hat. Ebenso wird eine Integration mit der existierenden Tutorkomponente Trainer [Reinhardt&Schewe 95] der Expertensystemshell D3 eine zusätzliche Erweiterung der Kritikfähigkeit des hier aufgezeigten Ansatzes liefern. Vor allem im Bereich der Diagnosekritik und der Schlußfolgerungsfähigkeiten werden entscheidende Veränderungen vorgenommen werden.

Die geplanten Erweiterungen des Hypertextwerkzeuges D3-HITS bezüglich Tönen und später evtl. Videosequenzen und Animationen wird die Qualität der Fallpräsentation noch weiter steigern und die Attraktivität des Systems erhöhen.

Unser Dank geht an alle Mitarbeiter des Lehrstuhls für Künstliche Intelligenz und Angewandte Informatik, die bei der Entwicklung dieser Anwendung mitgearbeitet haben, besonders aber an Frank Puppe, Karsten Poeck, Stefan Bamberger und Stefan Landvogt für die Implementierung des Linienmeßwerkzeuges.

Literatur:

[Baumgartner&Payr94]       Baumgartner P., Payr S. (1994) Lernen mit Software,       
                           Folge 1, Digital Learning, Österreichische Studien        
                           Verlag                                                    
[Burns et al. 91]          Burns H., Parlett J.W., Redfield C.L. (1991)              
                           Intelligent Tutoring Systems, New Jersey LEA              
[Clancey&Soloway91]        Clancey W.J., Soloway E. (1991) Artificial Intelligence   
                           and Learning Environments, MIT Press                      
[Eysenbach94]              Eysenbach (1994) Computer Manual für Mediziner und        
                           Biowissenschaftler, Urban&Schwarzenberg                   
[Freibichler93]            Freibichler H. (1993) Interview in: screen Multimedia     
                           10/93                                                     
[Gappa et al. 93]          Gappa U., Puppe F., Schewe S. (1993) Graphical            
                           knowlegde acquisition for medical diagnostic expert       
                           system. Artificial Intelligence in Medicine, Vol. 5, S.   
                           185-211                                                   
[Goodyear 91]              Goodyear P. (1991) Teaching Knowledge and Intelligent     
                           Tutoring, Ablex Publishing Corporation                    
[Haefner93]                Haefner K. (1993)  Interview in: screen Multimedia 10/93  
[Kong94]                   Kong H.P. (1994) An intelligent, multimedia-supported     
                           instructional system; in: Expert Systems with             
                           Applications, Vol.7, No. 3                                
[Puppe et al. 94]          Puppe F., Poeck K., Gappa U., Bamberger S., Goos K.       
                           (1994) Wiederverwendbare Bausteine für eine               
                           konfigurierbare Diagnostik-Shell, KI 2/1994 Juni 1994     
[Reinhardt93]              Reinhardt B.(1993) Diplomarbeit D3-HITS, Universität      
                           Würzbug, Lehrstuhl für Künstliche Intelligenz und         
                           Angewandte Informatik, Dezember 1993                      
[Reinhardt94]              Reinhardt B. (1994) Kritik von Symptomerkennung in        
                           einem Hypertext-Dokument, in: E. Schoop, R. Witt & U.     
                           Glowalla (Hg.): Hypermedia in der Aus- und                
                           Weiterbildung. Dresdner Symposion zum                     
                           computerunterstützten Lernen. Schriften zur               
                           Informationswissenschaft, Bd. 17, Konstanz:               
                           Universitäts- verlag Konstanz. 1995                       
[Reinhardt&Schewe95]       Reinhardt B., Schewe S. (1995) A shell for intelligent    
                           tutoring systems, erscheint in dem Tagungsband zu AI-ED   
                           95, August 1995                                           
[Schmitz&Meusel. 91]       Schmitz L., Meusel K. (1991) Smallcard -  Ein             
                           Hypertextsystem zur Erstellung rechnergestützter          
                           Lerneinheiten; in: Maurer H. (Hrsg.),                     
                           Hypertext/Hypermedia '91, IFB 276 Springer Verlag.