Zusammenfassung

Im Rahmen des Projektes werden vor allem die folgenden fünf Fragestellungen analysiert. Sie wurden aus theoretischen und empirischen Befunden, aus einer Reihe von Vorarbeiten zur Entwicklung von Neuronalen Netzen und zur Evaluation von Trainingsprogrammen im Sportspiel sowie aus Überlegungen zur Erhebung divergenter taktischer Leistungskennziffern abgeleitet:

1. Können die traditionell mit Varianzanalysen erzielten Ergebnisse hinsichtlich konvergenter taktischer Leistungen im Sportspiel mittels Neuronaler Netze repliziert werden?
2. Können konvergente taktische Leistungen im Sportspiel mittels Neuronaler Netze qualitativ ausgewertet werden, um weitere Erkenntnisse zu gewinnen?
3. Können die traditionell mit Varianzanalysen erzielten Ergebnisse hinsichtlich divergenter taktischer Leistungen im Sportspiel mittels Neuronaler Netze repliziert werden?
4. Können divergente taktische Leistungen im Sportspiel mittels Neuronaler Netze qualitativ ausgewertet werden, um weitere Erkenntnisse zu gewinnen?
5. Können Neuronale Netze entwickelt und validiert werden, die divergente taktische Leistungen im Sportspiel sichtbar und damit diagnostizierbar machen können?

Während es bei den ersten vier Fragestellungen darum ging, mittels bekannter Neuronaler Netze Zusatzinformationen aus taktischen Daten zu generieren, war es das zentrale Ziel der fünften Frage-stellung, neue Neuronale Netz vom DyCoN-Typ zu konstruieren, die um den Aspekt "seltenes Ereignis" erweitert werden. Normalerweise wird beim Training eines Self Organizing Maps (SOM), zu denen auch KFM und DyCoN zählen, die Clusterstruktur aus Häufigkeit und Ähnlichkeit der Eingabedaten ermittelt. D. h. ähnliche Daten prägen einen Cluster aus ? wenn sie in genügender Anzahl auftreten. Seltene Daten werden dagegen unterdrückt oder "Rest-Clustern" zugeordnet. Durch die Einführung eines geeigneten zeitdynamischen Relevanz-Maßes kann, wie bereits durch-geführte Vortests gezeigt haben, erreicht werden, dass seltene Daten für eine gewisse Zeit einzelne Neuronen prägen, die dann ihrerseits assoziative Brücken zwischen etablierten Clustern schlagen können.

(Zwischen)Ergebnisse

Das vorgestellte Forschungsprogramm hat gezeigt, dass Künstliche Neuronale Netze auf zwei Weisen zur Analyse von kreativen Lernprozessen einsetzbar sind: Zum einen helfen sie, Lernverläufe zu typisieren und so typische Eigenschaften und Auffälligkeiten von Lernverläufen wie etwa Schwingungsverhalten besser zu erkennen. Daraus lassen sich offenbar Möglichkeiten ableiten, im Training gezielter auf individuelle Lerntypen einzugehen und so kontraproduktive Trainingsstrukturen zu reduzierten. Für Untersuchungen dieser Art sind konventionelle Neuronale Netze vom Typ Kohonen Feature Map bereits ausreichend. Zum anderen können sie - in der Form des dafür entwickelten DyCoNG-Netzes - den kreativen Lernprozess selbst simulieren und ermöglichen so eine simulative Kontrolle und Steuerung des Trainingsprozesses mit dem Ziel eines individuell optimierten Lernverlaufs. Man erkennt bereits in diesem noch vorläufigen Ansatz klar die qualitativen Analogien zwischen realen und simu-lierten Lernverläufen. Zurzeit beschäftigen sich weiterführende Forschungsaktivitäten unserer Arbeitsgruppen mit einer Weiterentwicklung des DyCoNG-Ansatzes in Richtung auf eigene "spontane Entscheidungen" auf der Ebene von freier Assoziation. Ein ferneres Ziel dieser Entwicklungen wäre dann die Simulation von kreativem Handeln.