Expertenaufgabenanalyse und Fähigkeitsdesign
Verwende dieses Skill, wenn ein Aufgabenmodell zwar prozedural vollständig erscheint, aber immer noch die perzeptiven Auslöser, Überwachungsschleifen und Werkzeugnutzungsgewohnheiten vermissen lässt, die Expertenleistung von einer Checkliste unterscheiden.
Wann verwenden
- Du musst Expertenleistung in eine Agentenarchitektur, einen Simulator oder eine Trainingsumgebung umwandeln.
- Ein schriftlicher SOP erklärt die Schritte, aber nicht, wie Experten wissen, welchen Zweig sie nehmen sollen.
- Das System funktioniert bei Normalfällen und versagt bei Randfällen, die von situativem Urteilsvermögen abhängen.
- Du befragst Fachexperten und benötigst eine Methode zur Extraktion impliziten Wissens, nicht nur nacherzählter Verfahren.
- Ein DAG- oder Orchestrierungsbaum benötigt wiederkehrende Überwachungsschleifen anstelle von nur einmaligen sequentiellen Knoten.
NICHT für Abgrenzungen
Dieses Skill ist nicht das richtige primäre Werkzeug für:
- Einfache, deterministische Arbeitsabläufe, bei denen explizite Verfahren die gesamte Aufgabe bereits erfassen.
- Automatisierung mit geringem Risiko, die nicht von der Erkennung perzeptiver Muster abhängt.
- Nachträgliche Dokumentationsübungen, die keine Validierung anhand echter Expertenleistung benötigen.
- Simulationen, bei denen visuelle Realismus wichtiger ist als Hinweistreue für die Entscheidungsfindung.
Kern-Mentale Modelle
Wissenschaftsschicht vs. Kunstschicht
Expertenleistung hat eine deklarative Schicht, die Experten normalerweise erklären können, und eine perzeptive Schicht, die oft erst sichtbar wird, wenn man sie zu Verzweigungspunkten drängt. GOMS erfasst Ersteres. Critical-Cue-Inventare und Critical-Decision-Method-Interviews sind die Methoden, um Letzteres wiederherzustellen.
Hinweise sind lasttragend
Erwachensmuster, Leinenspannung, eine Klangveränderung oder eine subtile Positionsbeziehung sind keine dekorativen Details. Sie sind die tatsächlichen Eingaben für die Expertenentscheidung. Wenn das System die Hinweise nicht sehen kann, kann es die Expertenentscheidungsfunktion nicht reproduzieren.
Hierarchie mit Auswahlregeln
Expertenarbeit ist eine verschachtelte Zielhierarchie mit lokalen Verzweigungsbedingungen, keine flache Liste von Schritten. Die wichtige Struktur ist nicht nur, was getan wird, sondern welche Bedingungen Methode A statt Methode B auswählen.
Wiederkehrende Überwachungsschleifen
Viele Expertenaufgaben hängen von kontinuierlichen Bewertungszielen ab, die neben sequentiellen Aktionen ablaufen. Ein Arbeitsablauf, der nur einmalige Knoten modelliert, verliert die Antizipation und verwandelt Expertise in Reaktion.
Validierungslücke
Einzel-Experten-Aufgabenmodelle sind vorhersehbar unvollständig, da Routinewerkzeuge und Einrichtungsverhalten aus dem bewussten Bewusstsein verschwinden. Validierung ist kein optionaler Feinschliff; sie ist der Weg, wie die fehlende Aufgabenstruktur sichtbar wird.
Entscheidungspunkte
Siehe den Modellierungsablauf in diagrams/01_flowchart_decision-points.md.
flowchart TD
A[Bedarf an Expertenfähigkeitsmodell] --> B[Ziele und Methoden zerlegen]
B --> C{Verzweigungspunkt prozedural erklärt?}
C -->|Ja| D[Explizite Auswahlregel aufzeichnen]
C -->|Nein| E[Nach perzeptiven Hinweisen suchen]
D --> F{Wiederkehrende Überwachung erforderlich?}
E --> F
F -->|Ja| G[Überwachungsschleife und redundante Sensorik modellieren]
F -->|Nein| H[Sequentielles Unterziel beibehalten]
G --> I[Mit mehr Experten oder Spuren validieren]
H --> I
1. Die richtige Granularität der Zerlegung bestimmen
- Höre auf der Ebene auf, wo eine sinnvolle Methodenauswahl zuerst erscheint.
- Wenn eine Verzweigungsbedingung noch verborgen ist, zerlege tiefer und untersuche den Hinweis, der den Zweig auswählt.
- Wenn keine Verzweigungspunkte mehr vorhanden sind, dokumentierst du jetzt die Ausführung und nicht die Aufgabenarchitektur.
2. Die zu verwendende Wissensgewinnungsmethode bestimmen
- Verwende strukturierte Zerlegung für explizite Verfahren und Werkzeugsequenzen.
- Verwende Critical-Decision-Method-Sonden, wenn der Experte sagt „Ich weiß es einfach“ oder „es kommt darauf an.“
- Verwende Multi-Experten-Validierung, wann immer das erste Modell seltsam sauber oder werkzeugfrei erscheint.
3. Bestimmen, was simuliert werden soll
- Simuliere Hinweise, die tatsächlich Verzweigungsentscheidungen auslösen.
- Füge redundante Sensorik hinzu, wo Experten sich auf mehr als einen Kanal verlassen.
- Lasse kosmetische Details weg, die die Hinweiserkennung oder Entscheidungsqualität nicht verändern.
Fehlermodi
1. Flache Checklisten-Erfassung
Symptome: Das Aufgabenmodell liest sich flüssig, versagt aber, sobald die Umgebung abweicht. Erkennungsregel: Verzweigungsbedingungen fehlen oder sind in Prosa versteckt anstatt als explizite Auswahlregeln. Wiederherstellung: Wandle die Checkliste in eine Zielhierarchie mit hinweisverknüpften Verzweigungspunkten um.
2. Hinweisfreie Simulation
Symptome: Auszubildende oder Agenten haben im Simulator Erfolg, versagen aber im Einsatz. Erkennungsregel: Die Simulation reproduziert Verfahren, aber nicht die Signale, die Experten zur Auswahl zwischen ihnen verwenden. Wiederherstellung: Erstelle ein Critical-Cue-Inventar und gestalte die Umgebung neu, mit Fokus auf Hinweistreue.
3. Einkanal-Fragilität
Symptome: Ein verrauschter oder fehlender Eingabe lässt den gesamten Entscheidungsprozess zusammenbrechen. Erkennungsregel: Ein kritisches Urteil hängt von genau einer Quelle ab. Wiederherstellung: Füge redundante Kanäle und explizites Quervergleichsverhalten hinzu.
4. Ein-Experten-Blinder Fleck
Symptome: Wesentliche Werkzeuge oder kontextsetzende Handlungen tauchen im ersten Modell nie auf. Erkennungsregel: Validierungsexperten erwähnen sofort fehlende Ausrüstung, Routinen oder Überwachungsverhalten. Wiederherstellung: Behandle Meinungsverschiedenheiten als Beweis für fehlende Struktur, nicht als Rauschen.
5. Nur-Sequentiell-Architektur
Symptome: Das System kann auf Ereignisse reagieren, aber keine fortlaufende Bewertung aufrechterhalten. Erkennungsregel: Alle Knoten sind einmalige Aufgaben und keiner repräsentiert wiederkehrende Überwachungsziele. Wiederherstellung: Füge explizite Überwachungsschleifen mit Vorhersage-Beobachten-Vergleichen-Anpassen-Verhalten hinzu.
Ausgearbeitete Beispiele
Beispiel 1: Expertenurteil in einen Agentenbaum umwandeln
Ein Experte aus der Schifffahrtsdomäne gibt einen prozeduralen Bericht zum Anlegen. Der erste Entwurf zerlegt sauber in Schritte, versagt aber, wenn Strom, Schlepperverfügbarkeit und Leinenverhalten sich gleichzeitig ändern. Das Skill fügt Auswahlregeln an den relevanten Verzweigungspunkten hinzu, zeichnet das Hinweisinventar auf, das diese Entscheidungen treibt, und führt wiederkehrende Überwachungsschleifen anstelle von nur sequentiellen Knoten ein.
Beispiel 2: Simulationstreue-Trlage
Ein Trainingssimulator gibt Wasser, Schiffe und Piergeometrie schön wieder, dennoch überschießen Auszubildende den Stoppunkt. Die kognitive Aufgabenanalyse (CTA) zeigt, dass Experten sich auf relative Bewegung gegenüber festen Uferreferenzen und Leinenspannungshinweise verlassen, die der Simulator nie betont. Das Skill lenkt den Designaufwand auf diese Hinweise statt auf mehr visuelle Politur.
Qualitätsgates
- Das Aufgabenmodell unterscheidet explizites Verfahren von perzeptivem Hinweiswissen.
- Verzweigungspunkte enthalten die Hinweise oder Bedingungen, die jede Methode auswählen.
- Wiederkehrende Überwachungsziele werden getrennt von einmaligen sequentiellen Zielen modelliert.
- Kritische Entscheidungen haben redundante Informationskanäle, wo Experten sich darauf verlassen.
- Mindestens ein Validierungsdurchlauf stellt das Modell mit zusätzlichen Experten oder Spuren in Frage.
Referenzdateien
| Datei | Laden, wenn |
|---|---|
references/goms-task-decomposition-for-agent-systems.md | Eine Zielhierarchie erstellen oder Zerlegungstiefe bestimmen |
references/critical-cue-inventories-for-agent-perception.md | Perzeptive Auslöser an Entscheidungspunkten wiederherstellen |
references/knowledge-elicitation-methodology-for-agent-capability-building.md | CTA- oder Critical-Decision-Method-Interviews durchführen |
references/validation-gap-what-experts-dont-know-they-know.md | Erstentwurf eines Aufgabenmodells stresstesten |
references/redundant-sensing-in-multi-channel-environments.md | Robuste Mehrkanal-Wahrnehmung entwerfen |
references/the-art-science-gap-transfer-to-simulation.md | Bestimmen, welches Simulationsdetail den Fähigkeitstransfer wesentlich beeinflusst |
references/situation-awareness-and-the-conning-officers-mental-model.md | Überwachungsschleifen und Abweichungserkennung modellieren |
Anti-Patterns
- „Implizites Wissen“ als Label behandeln, das die Untersuchung beendet, anstatt als Signal für intensiveres Sondieren.
- Nur Verfahren erfassen und das Ergebnis als Expertenmodell bezeichnen.
- Simulationen für Realismus-Ästhetik statt für Hinweistreue entwerfen.
- Einzel-Experten-Vollständigkeit in einer Domäne annehmen, in der Automatisierung die wichtigste Struktur verbirgt.