Why managing AI risk presents new challenges
Aliquet morbi justo auctor cursus auctor aliquam. Neque elit blandit et quis tortor vel ut lectus morbi. Amet mus nunc rhoncus sit sagittis pellentesque eleifend lobortis commodo vestibulum hendrerit proin varius lorem ultrices quam velit sed consequat duis. Lectus condimentum maecenas adipiscing massa neque erat porttitor in adipiscing aliquam auctor aliquam eu phasellus egestas lectus hendrerit sit malesuada tincidunt quisque volutpat aliquet vitae lorem odio feugiat lectus sem purus.
- Lorem ipsum dolor sit amet consectetur lobortis pellentesque sit ullamcorpe.
- Mauris aliquet faucibus iaculis vitae ullamco consectetur praesent luctus.
- Posuere enim mi pharetra neque proin condimentum maecenas adipiscing.
- Posuere enim mi pharetra neque proin nibh dolor amet vitae feugiat.
The difficult of using AI to improve risk management
Viverra mi ut nulla eu mattis in purus. Habitant donec mauris id consectetur. Tempus consequat ornare dui tortor feugiat cursus. Pellentesque massa molestie phasellus enim lobortis pellentesque sit ullamcorper purus. Elementum ante nunc quam pulvinar. Volutpat nibh dolor amet vitae feugiat varius augue justo elit. Vitae amet curabitur in sagittis arcu montes tortor. In enim pulvinar pharetra sagittis fermentum. Ultricies non eu faucibus praesent tristique dolor tellus bibendum. Cursus bibendum nunc enim.
How to bring AI into managing risk
Mattis quisque amet pharetra nisl congue nulla orci. Nibh commodo maecenas adipiscing adipiscing. Blandit ut odio urna arcu quam eleifend donec neque. Augue nisl arcu malesuada interdum risus lectus sed. Pulvinar aliquam morbi arcu commodo. Accumsan elementum elit vitae pellentesque sit. Nibh elementum morbi feugiat amet aliquet. Ultrices duis lobortis mauris nibh pellentesque mattis est maecenas. Tellus pellentesque vivamus massa purus arcu sagittis. Viverra consectetur praesent luctus faucibus phasellus integer fermentum mattis donec.
Pros and cons of using AI to manage risks
Commodo velit viverra neque aliquet tincidunt feugiat. Amet proin cras pharetra mauris leo. In vitae mattis sit fermentum. Maecenas nullam egestas lorem tincidunt eleifend est felis tincidunt. Etiam dictum consectetur blandit tortor vitae. Eget integer tortor in mattis velit ante purus ante.
- Vestibulum faucibus semper vitae imperdiet at eget sed diam ullamcorper vulputate.
- Quam mi proin libero morbi viverra ultrices odio sem felis mattis etiam faucibus morbi.
- Tincidunt ac eu aliquet turpis amet morbi at hendrerit donec pharetra tellus vel nec.
- Sollicitudin egestas sit bibendum malesuada pulvinar sit aliquet turpis lacus ultricies.
“Lacus donec arcu amet diam vestibulum nunc nulla malesuada velit curabitur mauris tempus nunc curabitur dignig pharetra metus consequat.”
Benefits and opportunities for risk managers applying AI
Commodo velit viverra neque aliquet tincidunt feugiat. Amet proin cras pharetra mauris leo. In vitae mattis sit fermentum. Maecenas nullam egestas lorem tincidunt eleifend est felis tincidunt. Etiam dictum consectetur blandit tortor vitae. Eget integer tortor in mattis velit ante purus ante.
Das Modellieren umfasst eine Reihe wissenschaftlicher Praktiken, mit denen angehende Naturwissenschaftslehrer zu kämpfen haben. Zu diesen Praktiken gehören das Erstellen, Vorhersagen, Überprüfen und Überarbeiten von Modellen. Durch die sinnvolle Auseinandersetzung mit Modellierungspraktiken gewinnen die Modellierenden neue Erkenntnisse über Phänomene. Forschungsergebnisse deuten darauf hin, dass hierfür domänenübergreifendes Metamodellierungswissen und domänenspezifisches Fachwissen erforderlich sind. Bislang wurde jedoch noch nicht systematisch untersucht, welche Rolle Metamodellierungswissen und Fachwissen bei den Modellierungspraktiken spielen, insbesondere im Hinblick darauf, welche Praktiken von den einzelnen Wissensaspekten oder deren Zusammenspiel profitieren. Um diese Lücke zu schließen, befragten wir 17 angehende Naturwissenschaftslehrer, die aus einer größeren quantitativen Studie ausgewählt wurden, basierend auf ihren Leistungen bei Bewertungen des Metamodellierungswissens und der Modellierungspraktiken. Wir zeigten den Teilnehmern ihre Antworten auf die Bewertungen der Modellierungspraktiken und baten sie, sich an ihre Denkprozesse zu erinnern. Wir analysierten ihre Denkprozesse und konzentrierten uns dabei auf die Anwendung von Metamodellierungs- und Fachwissen. Durch den Vergleich von Teilnehmern mit hoher und niedriger Leistung bei den Modellierungspraktiken wollten wir die Rolle dieser Wissensaspekte in den Modellierungspraktiken untersuchen.
Unsere Studie erweitert die Literatur zum Thema Modellieren um zwei wesentliche Erkenntnisse: Erstens unterstützten sowohl Metamodellierungswissen als auch Fachwissen die Teilnehmer bei der Durchführung von Modellierungsaufgaben, wobei jede Aufgabe spezifische Wissensanforderungen stellte. So war beispielsweise das Erstellen von Modellen vom Fachwissen abhängig, während die Überarbeitung von Modellen durch das Zusammenspiel von Metamodellierungswissen und Fachwissen unterstützt wurde. Zweitens stand das Metamodellierungswissen, das die Teilnehmer in der vorangegangenen Bewertung ihres Metamodellierungswissens gezeigt hatten, in keinem Zusammenhang mit dem Metawissen, das sie bei den Modellierungsaufgaben anwendeten. Dies zeigt sich am deutlichsten beim Testen von Modellen, bei dem die Teilnehmenden häufig Metawissen abriefen, das sie bei der vorherigen Bewertung des Metamodellierungswissens nicht gezeigt hatten. Unsere Ergebnisse legen nahe, dass es wahrscheinlich vorteilhaft ist, Modellierungspraktiken separat zu unterrichten, da dieser Ansatz es Naturwissenschaftslehrkräften ermöglicht, praxisbezogene Wissensanforderungen besser zu stützen. Für die zukünftige Forschung stellen unsere Ergebnisse die Sinnhaftigkeit von Bewertungen des Metamodellierungswissens in Frage, da das in solchen Bewertungen gezeigte Wissen nicht das Wissen widerspiegelt, das Lernende tatsächlich anwenden, wenn sie sich mit Modellierungspraktiken beschäftigen.
