@phdthesis{Lueschow2016,
  type      = {Bachelor Thesis},
  author    = {Andreas L{\"u}schow},
  title     = {Automatische Klassifizierung medizinischer Literatur durch Analyse verf{\"u}gbarer Notationen},
  doi       = {10.25968/opus-1058},
  url       = {http://nbn-resolving.de/urn:nbn:de:bsz:960-opus4-10583},
  year      = {2016},
  abstract  = {In den letzten Jahren ist, nicht zuletzt aufgrund der schnellen und einfachen Verf{\"u}gbarkeit von Daten und Informationen, ein Anstieg an ver{\"o}ffentlichter Literatur zu beobachten. Bibliotheken stehen vor der Herausforderung, diese Ressourcen zu erschlie{\"s}en und damit verf{\"u}gbar zu machen. Ein Teilaspekt ist hierbei die Klassifizierung. Die Arbeit untersucht Voraussetzungen und M{\"o}glichkeiten der automatischen Klassifizierung am Beispiel medizinischer Literatur. Der erste, theoretische Teil beinhaltet die Beschreibung der Grundlagen der Inhaltserschlie{\"s}ung, des Data Mining und der automatischen Klassifizierung sowie eine umfassende {\"U}bersicht {\"u}ber den aktuellen Forschungsstand in diesem Bereich. Im zweiten Teil wird die Auswahl, Aufbereitung und Analyse eines aus Katalogdatens{\"a}tzen der Bibliothek der Medizinischen Hochschule Hannover bestehenden Datenbestandes erl{\"a}utert. Die Anwendung von Verfahren des maschinellen Lernens zur Klassifizierung bibliographischer Datens{\"a}tze wird am Beispiel des Algorithmus k-nearest-neighbours verdeutlicht. Hierbei l{\"a}sst sich eine korrekte Klassifizierung von rund 58 \% der Dokumente erreichen. Abschlie{\"s}end werden Optimierungsans{\"a}tze (z.B. semi-automatische Verfahren) und Herausforderungen automatischer Klassifizierungsverfahren (z.B. uneinheitlich erschlossene Datens{\"a}tze oder ungleiche Verteilung der Klassen einer Systematik in den Dokumenten) aufgezeigt.},
  language  = {de}
}