58
10 september 2015 14.00 16.30 VIDENSMODELLERING & DIGITALISERING Introduktion og eksempler Bodil Nistrup Madsen Hanne Erdman Thomsen

Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

Embed Size (px)

Citation preview

Page 1: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

10 september 2015

14.00 – 16.30

VIDENSMODELLERING &

DIGITALISERING Introduktion og eksempler

Bodil Nistrup Madsen

Hanne Erdman Thomsen

Page 2: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

2

• Introduktion og eksempler

• Principper og metoder, værktøjer

• Kaffepause 15.15 – 15.30

• Arbejde med case

• Opsamling på case-arbejdet

Program

Page 3: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

3

• Målet med workshoppen

• Hvor er der brug for vidensmodellering

• Hvad forstår vi ved vidensmodellering

• Eksempler

Oversigt – Introduktion og eksempler

Page 4: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

4

Målet med workshoppen

Page 5: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

5

Workshoppen giver gennem oplæg, cases og hands-on en

indføring i de nyeste principper og metoder til modellering af

viden med særligt henblik på digitalisering.

Målet er at give deltagerne indsigt i, hvordan de kan bidrage til at

deres virksomhed eller organisation udvikler konsistente,

holdbare og effektive løsninger til håndtering, formidling og

udveksling af viden og data.

Målet med workshoppen

Page 6: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

6

Hvor er der brug for vidensmodellering

Page 7: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

7

• Vidensstrukturering og vidensdeling i virksomheder og

organisationer.

• Digital forvaltning, vidensportaler eller e-handel.

• Dataudveksling og interoperabilitet mellem forskellige

systemer.

• Udvikling af forretningsmodeller, informations- og it-arkitektur,

design og integration af it-systemer.

• Dokument- og indholdsstyring.

Hvor er der brug for vidensmodellering?

Page 8: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

8

Hvad forstår vi ved vidensmodellering

• modellering af begreber emner eller data, som resulterer i en

vidensstruktur

Page 9: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

9

Fokus i denne workshop

Page 10: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

10 Kilde: Kriminalforsorgen

Begrebsafklaring vha. terminologiske ontologier –

Eksempel: straftyper

inddelingskriterium

trækspecifikation

altid

typerelation

Page 11: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

11

Mere viden om straftyper

Polyhierarki: nedarvning af træk fra to overbegreber

Ikke alle kombinationer Ikke: betinget bødestraf

altid

altid altid

Page 12: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

12

Eksempler

• Jf. slide 7: Hvor er der brug for vidensmodellering?

Page 13: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

Vidensstrukturering og vidensdeling • entydig afdækning af begrebers betydning, sådan at de kan anvendes

tværfagligt i en eller flere organisationer

Sundhedsvæsenets begrebsbase

Kreditforeninger

Scania

Page 14: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

14

Eksempel begrebsafklaring (Sundhedsvæsenets begrebsbase) http://begrebsbasen.sst.dk Se udsnit næste slide.

Page 15: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

15

Udsnit af totaldiagrammet Medicinering: To vigtige begreber, som der har været mange diskussioner om: medicingennemgang og ajourføring af FMK. Hvad er lægens rolle? Se næste slide.

Page 16: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

16 Definitioner mm. fra begrebsbasen

Page 17: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

Digital forvaltning

• anvendelse af IT til intern effektivisering af arbejdsprocesserne i offentlige myndigheder

• digitale selvbetjeningsløsninger, som offentlige myndigheder stiller til rådighed for borgere, virksomheder eller andre brugere på internettet.

FORM – Forretningsreferencemodel for forvaltningsopgaver

SKAT – Tast selv

Borger.dk

Page 18: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

18

Page 19: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)
Page 20: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

20

FORM er en klassifikation,

ikke en terminologisk

ontologi

Page 21: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

21

For det meste =

beskrivelser af

klasserne, ikke

terminologiske

definitioner med

anførelse af

nærmeste overbegreb

og adskillende træk

Page 22: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

22

Udsnit af terminologisk ontologi for skatter

Intensionale definitioner

kan udarbejdes på

baggrund af nærmeste

overbegreb og

adskillende træk, fx

ejendomsskat: direkte

skat hvor grundlaget

er ejendommens

grundværdi

Page 23: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

23

Polyhierarki Et begreb har flere overbegreber – alle kombinationer er

ikke mulige.

Page 24: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

24

Sammenligning mellem

terminologisk ontologi

og klassifikation

Udsnit af klassifikation:

FORM version 1.3

Rækkefølge og

inddeling virker

ikke intuitiv

Page 25: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

25

Udsnit af klassifikation og ontologi for skatter

Skatter på indkomst og formue (FORM version 1.3)

• Personbeskatning

• Ejendomsbeskatning

• Pensionsbeskatning

• Selskabsbeskatning

• Fonds- og foreningsbeskatning

I version 2.6 er der

tilføjet nye klasser

Inddeling og rækkefølge

svarer til Finansloven

Page 26: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

Inddeling og

rækkefølge ikke

den samme

Inddeling og

rækkefølge ikke

den samme

Her kunne med fordel

anvendes en fælles

terminologisk ontologi som

basis for klassifikationerne

hos SKAT og i FORM

Page 27: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

Dataudveksling og interoperabilitet mellem forskellige systemer

Justitsministeriet: Udveksling af data mellem anklagemyndigheden, domstolene, Politiet og Kriminalforsorgen

Page 28: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

28

Stævning:

Anklagemyndighedens oprindelige definition:

sagsdokument hvorved anklagemyndigheden indkalder tiltalte til hovedforhandling

Domstolenes oprindelige definition:

Anklagemyndighedens indkaldelse af tiltalte til retsmøde

Forslag til fælles definition:

indkaldelsesdokument der indeholder en formel indkaldelse af tiltalte til retsmøde

Forskellige definitioner af sagsdokumenter

Page 29: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

Forretningsmodeller, informations- og it-arkitektur, design og integration af it-systemer

• Begrebsmodeller versus datamodeller

Eksempel fra Fødevareministeriet, FVM (2008)

Page 30: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

30

Udsnit af Fødevareministeriets begrebsmodel for Kontrol

Her er tale om en datamodel (beskrivelse af

data), ikke en begrebsmodel (ontologi)

Page 31: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

31

Terminologisk ontologi for kontrol

Beskrivelse af betydning (semantik)

Bør opsplittes

Page 32: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

32

Fødevareministeriets beskrivelse af administrativ kontrol Description Som udgangspunkt foretages administrativ kontrol på materiale som myndigheden har til behandling. Dette indebærer kontrol af oplysninger, som kunden har afgivet til en myndighed gennem en ansøgning, indberetning af produktionsdata eller lignende. Administrativ kontrol foretages som udgangspunkt udelukkende internt hos myndigheden. Administrativ kontrol kan foretages på samtlige oplysninger i forbindelse med sagsbehandling og udbetaling eller anden aktivitet rettet mod kunde, produkt eller aktivitet. I forbindelse med sagsbehandling af støtteansøgninger foretages både en administrativ kontrol og en fysisk kontrol. Den administrative kontrol kan være en systematisk kontrol af alle oplysninger eller en stikprøveudvalgt del af oplysningerne. Den administrative kontrol kan ved behandling af eksempelvis ansøgninger opsættes som en systematisk maskinel udfør kontrol. Short description Ved administrativ kontrol forstås den kontrol, der foretages ved at sammenholde modtagne oplysninger og data vedrørende kunder, produkt eller aktivitet med gældende regler og andre relevante oplysninger.

Page 33: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

33

BEGREB FVM DANTERM

kontrol på stedet

Aktiviteten kontrol på stedet udføres som en kontrol hos en kunde eller dennes leverandør/aftager.

kontrol der udføres hos en kunde eller dennes leverandør eller aftager

administrativ kontrol

Ved administrativ kontrol forstås den kontrol, der foretages ved at sammenholde modtagne oplysninger og data vedrørende kunder, produkt eller aktivitet med gældende regler og andre relevante oplysninger.

kontrol der foretages hos en kontrolmyndighed

FVM’s og DANTERMcentrets forslag til definitioner af kontrol på stedet og administrativ kontrol

Page 34: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

34

• Ved at anføre karakteristiske træk (i form af trækspecifikationer) og inddelingskriterier fås et godt grundlag for begrebsafklaring og udformning af konsistente definitioner – fx, hvad er det egentlig der adskiller begreberne kontrol på stedet og administrativ kontrol?

• Begrebsrelationerne i ontologien afspejler bedre relationerne mellem begreberne end associationerne i den konceptuelle datamodel - fx relationen fra Kontrol på stedet til Prøveudtagning og analyse.

Fordele ved at udarbejde en terminologisk ontologi

Page 35: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

35

Oprindelig (logisk) datamodel, jf. slide 30

Page 36: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

36

Terminologisk ontologi for kontrol - justeret

Ikke noget begreb ‘control type’, kun ‘control’. On site control er en type control, ikke en type control type.

Begreberne ‘sampling’ og ‘analysis’ indgår i

‘on site control’. De er ikke typer af ‘on site

control’.

Her er tale om to begreber.

Page 37: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

37

Oprindelig konceptuel datamodel for kontrol

De røde cirkler markerer forskelle i

den oprindelige og den nye konceptuelle

datamodel, jf. slide 38.

Page 38: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

38

Ny konceptuel datamodel for kontrol

Page 39: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

39

1

• Terminologisk begrebsmodellering Udarbejdelse af en terminologisk ontologi der indeholder oplysninger om begreber i form af karakteristiske træk og begrebsrelationer - BEGREBSAFKLARING!

2

• Konceptuel datamodellering Udarbejdelse af en datamodel der afspejler typer af entiteter og deres indbyrdes relationer, og som udgør en abstrakt repræsentation af data.

3

• Logisk datamodellering Udarbejdelse af en datamodel der specificerer organiseringen af data på en måde, som afspejler den logiske struktur i et it-system.

4

• Fysisk datamodellering Udarbejdelse af en datamodel der afspejler den fysiske struktur i et it-system.

Ideelt modelleringsforløb

Page 40: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

10 september 2015

VIDENSMODELLERING &

DIGITALISERING Principper, metoder & værktøjer

Bodil Nistrup Madsen

Hanne Erdman Thomsen

Page 41: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

2

Principper og metoder

- Fra begrebsforvirring…

aktieavancesk

at pensionsska

t

ejendomsværdiskat

kapitalindkomstskat

fondsskat

lønsumsafgift

arbejdsmarkedsbidr

ag sundhedsbidrag

moms

aktieindkomsskat

foreningsskat

ejendomsskat

boafgift spilafgift

passagerafgift

bundskat

topskat

Page 42: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

3

Principper og metoder

… til overblik og begrebsafklaring

aktieavanceskat

pensionsskat

ejendomsværdiskat

kapitalindkomstskat

fondsskat

lønsumsafgift

arbejdsmarkedsbidrag

sundhedsbidrag

moms

aktieindkomsskat

foreningsskat

ejendomsskat

boafgift spilafgift

passagerafgift

bundskat

topskat

Page 43: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

4

Terminologisk ontologi

Karakteristisk træk ATTRIBUT:værdi

Page 44: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

5

• Nedarvning af karakteristiske træk

• Unikke primære trækspecifikationer

• Adskillende træk / inddelingskriterier

• Intensionale definitioner

Principper

Page 45: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

6

Princip: nedarvning

Primært træk: ikke arvet

Page 46: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

7

Princip: unikke primære træk

Trækket herfra kan kun arves af begreberne i den store cirkel

Page 47: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

8

Princip: unikke primære træk

Derfor må ‘kirkeskat’ være underbegreb til ‘personskat’

Page 48: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

Ikke samme primære træk på underbegreber

9

ligheder

Page 49: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

10

ligheder

Primære træk flyttes til fælles overbegreb

Page 50: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

11

Ikke samme primære træk på underbegreber /2

Page 51: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

12

Ikke samme primære træk på underbegreber /2

Page 52: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

13

Princip: Ét adskillende træk / inddelingskriterium

Vigtigste forskel

inddelingskriterium

Page 53: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

14

Princip: intensionale definitioner

Nærmeste overbegreb

+ adskillende træk

Personskat som modtages af kommunen

Page 54: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

15

• Nedarvning af karakteristiske træk

• Unikke primære trækspecifikationer

• Adskillende træk / inddelingskriterier

• Intensionale definitioner

Opsummering af principper

Page 55: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

16

• Netbaseret Termbase

• Fleksible søgemuligheder

• Understøtter alle sprog

• Integration af multimediefiler

• Egen emneklassifikation

• Virksomhedsspecifikke felter

• Kildebibliotek

• Hyperlinks internt og eksternt

• Eksport og import af data i XML

Værktøjer: i-Term

Page 56: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

17

Værktøjer: i-Model

• begreber fra i-Term

• relationer mellem begreberne

• tilføje adskillende træk og inddelingskriterier

• direkte adgang til alle oplysninger i termbasen

• begrebssystemerne som billedfiler

• systematisk ordnede lister

www.iterm.dk http://dtb.i-term.dk

Page 57: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

18

• dt Crawler - finder tekster på nettet

• dt Tag – ordklasseopmærkning af alle ord i teksterne

• dt eXtractor – finder termkandidater

• dt Relations – intra

• dt Relations – extra

• dt Validator – tjekker ontologi for principperne

Værktøjer: dtbTools www.dantermbank.dk

- finder relationer i termer

(personskat – skat – person)

- finder relationer mellem termer

(personskat – sundhedsbidrag)

Page 58: Vidensmodellering & Digitalisering (Bodil Nistrup Madsen & Hanne Erdman Thomsen)

19

Spørgsmål?