Work in Process - Datenbasis mit Bewegungsaufnahmen von Arbeitstätigkeiten

• Antragsteller: Professor Dr.-Ing. Martin Schmauder; Professor Dr. Markus Wacker
• Fachliche Zuordnung: Arbeitswissenschaft, Ergonomie, Mensch-Maschine-Systeme
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 542857478

Bei der Beurteilung und Gestaltung von Arbeit sind die eingenommenen Körperhaltungen und -bewegungen des Menschen entscheidende Merkmale. Durch Anwendung der Erkenntnisse von Ergonomie, Arbeitssicherheit und Prozessgestaltung können die Belastungen von Arbeitnehmer:innen optimiert und so ihre Gesundheit und Leistungsfähigkeit langfristig erhalten werden. Arbeitswissenschaftliche digitale Menschmodelle bieten dafür ein hilfreiches Werkzeug, da damit bereits während der Planung von Arbeitssystemen gesundheitliche Risiken und körperliche Beanspruchungen simuliert und virtuell analysiert werden können. Zu diesem Zweck werden üblicherweise vordefinierte Bedingungen und formale Regeln zum Arbeitssystem implementiert. Die Individualität des Menschen und die Komplexität einer Arbeitsausführung können jedoch mit dieser Herangehensweise nicht adäquat modelliert werden. Daher weisen arbeitswissenschaftliche digitale Menschmodelle oftmals eine unklare Validität und stellenweise auch nur eine geringe Gebrauchstauglichkeit auf. Methoden des maschinellen Lernens erlauben es wiederum, wissensbasierte und statistische Modelle in Software zu integrieren. Es wird damit möglich, das Potenzial digitaler Menschmodelle stärker auszuschöpfen, da auch komplexe Ergonomieverfahren integriert werden können, die bspw. Erfahrungswissen zur Anwendung voraussetzen. Für eine Modellierung von implizitem Wissen mittels maschinellen Lernens ist ein geeigneter Datensatz erforderlich, der als Trainingsgrundlage verwendet werden kann. Da die Inhalte der Trainingsdaten die Generalisierungsfähigkeit der Modelle bestimmen, besteht aus Perspektive der Arbeitswissenschaft die Notwendigkeit, ein relevantes Spektrum physischer Belastungsarten körperlicher Arbeit und ein Proband:innenkollektiv mit umfassender anthropometrischer Vielfalt abzubilden. Aktuell verfügbare Datensammlungen mit Motion-Capture-Aufnahmen von Arbeitstätigkeiten stellen aber jeweils nur einen Teil des notwendigen Umfangs bereit. Es besteht der Bedarf, die fehlenden Daten aufzunehmen und mit den verfügbaren in einem einheitlichen Format zu kombinieren. Daraufhin muss der Datensatz in einem Annotationsprozess um das ergonomische Fachwissen über arbeitsbedingte Körperhaltungen ergänzt werden. Das mit den Trainingsdaten angelernte Modell kann zur konkreten Anwendung in digitale Menschmodelle integriert werden, wodurch eine automatisierte Klassifikation von Körperhaltungen entsprechend der Leitmerkmalmethode der Bundesanstalt für Arbeitsschutz und Arbeitsmedizin ermöglicht wird. Der erstellte Datensatz kann außerdem zukünftig als Referenzdatensatz für die Entwicklung von Methoden des maschinellen Lernens im Rahmen arbeitswissenschaftlicher Forschung verwendet werden. Mit dem geplanten Vorhaben wird somit eine wesentliche Lücke bei der Entwicklung einer neuen Generation von Softwaretools der digitalen Arbeitswissenschaft geschlossen werden.

• DFG-Verfahren: Sachbeihilfen