Der am Lehrstuhl für Wirtschaftsinformatik II entstandene Artikel „Handling imperfection: A taxonomy for machine learning on data with data quality defects ” wurde kürzlich in Decision Support Systems, einer sehr renommierten Zeitschrift der Wirtschaftsinformatik, veröffentlicht.
In der Praxis verwendete Datensätze für Machine Learning (ML) weisen häufig verschiedene Mängel hinsichtlich der Datenqualität auf, die die Leistung und Validität von ML-Modellen und damit auch die daraus abgeleiteten Entscheidungen erheblich beeinträchtigen können. Daher wurde eine Vielzahl von Methoden aus verschiedenen Forschungsbereichen vorgeschlagen, um solche Mängel zu beheben und ihre negativen Auswirkungen auf die ML-basierte Datenanalyse und Entscheidungsunterstützung zu mindern. Dies hat zu einer fragmentierten Forschungslandschaft geführt, in der Vergleiche und Klassifizierungen von Methoden, die sich mit ML bei Daten mit Datenqualitätsmängeln befassen, sowohl für Forscher als auch für Praktiker eine große Herausforderung darstellen. Daher entwickeln und präsentieren wir in diesem Artikel auf der Grundlage eines strukturierten Designprozesses eine Taxonomie für dieses Forschungsgebiet. Die Taxonomie dient als systematischer Rahmen zur Klassifizierung und Organisation bestehender Forschungsarbeiten und Methoden nach relevanten Dimensionen und erleichtert die zukünftige Arbeit in diesem Bereich. Ihre Zuverlässigkeit, Verständlichkeit, Vollständigkeit und Nützlichkeit werden durch eine Evaluation mit externen Forschern und Praktikern bestätigt. Darüber hinaus werden aktuelle Trends und Forschungslücken identifiziert, auf deren Grundlage wir Herausforderungen und Richtungen für die zukünftige Forschung ableiten.
Der vollständige Artikel ist hier verfügbar: https://doi.org/10.1016/j.dss.2025.114493 (externer Link, öffnet neues Fenster)
The article "Handling imperfection: A taxonomy for machine learning on data with data quality defects," written at the Chair of Information Systems II, was recently published in Decision Support Systems, a highly renowned journal in the field of business informatics.
To briefly summarize the paper, real-world datasets used in machine learning often exhibit various data quality defects that can significantly impair the performance and validity of machine learning models and thus also the decisions derived from them. Therefore, a plethora of methods across various research strands have been proposed to address such defects and mitigate their negative impact on machine learning-based data analysis and decision support. This has resulted in a fragmented research landscape, where comparisons and classifications of methods dealing with machine learning on data with data quality defects are very challenging for both researchers and practitioners. Thus, in this paper, we develop and present a taxonomy for this research field based on a structured design process. The taxonomy serves as a systematic framework to classify and organize existing research and methods according to relevant dimensions and facilitates future work in this area. Its reliability, understandability, completeness, and usefulness are supported by an evaluation with external researchers and practitioners. Moreover, current trends and research gaps are identfied, based on which we derive challenges and directions for future research.
The full paper is available here: https://doi.org/10.1016/j.dss.2025.114493 (externer Link, öffnet neues Fenster)