Abstract
Außendienstmitarbeiter in der kommunalen Infrastrukturwartung arbeiten unter Zeitdruck und häufig ohne verlässlichen Zugriff auf Backend-Systeme. Mobile Anwendungen
können umfangreiche situative Informationen über das betroffene Asset, die gemeldete
Störung, die Umgebungsbedingungen und das Gerät des Technikers erfassen; dieser Kon
text wird jedoch selten systematisch genutzt, wenn ein Sprachmodell um Unterstützung
gebeten wird. Retrieval-gestützte Architekturen lösen ein anderes Problem — fehlendes
Wissen — zu Betriebskosten, die kommunale Betreiber selten tragen können.
Die vorliegende Arbeit untersucht, wie situativer Kontext, der bereits auf dem Gerät
vorliegt, ohne jede Retrieval-Infrastruktur strukturiert, priorisiert und in einer Anfrage
an ein Sprachmodell repräsentiert werden kann. Dazu wurden zwei Artefakte entwickelt:
eine Flutter-Anwendung, die ein vierdimensionales Kontextschema auf dem Mobilgerät
zusammenstellt und die Anfrage dort aufbereitet, sowie eine Python-Evaluationspipeline,
die fünf Arten vergleicht, diesen Kontext in den Prompt einzubringen — von der bloßen
Asset-Kennung bis zur vollständigen, priorisierten und kommentierten Darstellung —
über drei kommerzielle Sprachmodell-Backends und zwei kommunale Asset-Klassen
hinweg.
Das zentrale Ergebnis betrifft nicht, ob ein Modell Kontext erhält, sondern was es
damit tut. Meldet das Gerät des Technikers keine Verbindung zum Backend, so benennt
ein Modell mit vollständigem Kontext diesen Umstand in vier von fünf Antworten —
passt seine Anweisungen jedoch in keiner von 990 solchen Antworten daran an: Es fordert
weiter dazu auf, die Störung in einem System zu erfassen, das nicht erreichbar ist. Werden
dieselben Felder um einen Satz ergänzt, der benennt, was aus der fehlenden Verbindung
folgt, erscheint das angepasste Verfahren in 86 bis 96 Prozent der Antworten. Kontext
bereitzustellen und ihn aufzubereiten sind somit verschiedene Operationen, und nur die
zweite verändert, was das Modell empfiehlt.
Ein zweites Ergebnis betrifft die Messung selbst. Die fünfstufige Skala, mit der die
Antworten bewertet werden, beurteilt beide Bedingungen bis auf 0,02 Punkte gleich,
und eine unabhängige Zweitbewertung einer Stichprobe bestätigt, dass die Skala erfasst,
ob Kontext überhaupt aufgegriffen wurde, nicht ob er richtig verwendet wurde. Die
Verhaltensbefunde dieser Arbeit stützen sich daher auf eine direkte Auszählung der ein
schlägigen Formulierungen in den Antworttexten, ohne Modell in der Bewertungsschleife.
Entfernt man die Geräteinformationen aus der Anfrage, verschwindet das angepasste
Verfahren vollständig, in jeder einzelnen geprüften Antwort. Die Anwendung derselben
Pipeline auf eine zweite Asset-Klasse zeigt, dass die Befunde auch in einer Domäne
gelten, für die der Ansatz nicht entworfen wurde.
| Datum der Bewilligung | 2026 |
|---|---|
| Originalsprache | Englisch (Amerika) |
| Gradverleihende Hochschule |
|
| Betreuer/-in | Clemens Holzmann (Betreuer*in) |
Studiengang
- Mobile Computing
Zitieren
- Standard