David E. Kieras

David E. Kieras zählt zu den prägenden Gestalten der interdisziplinären Forschung, in der sich Psychologie, Informatik und Künstliche Intelligenz (KI) auf innovative Weise begegnen. Als langjähriger Professor an der University of Michigan hat er maßgeblich dazu beigetragen, den Bereich der kognitiven Modellierung für die menschliche Informationsverarbeitung zu institutionalisieren und konzeptuell zu vertiefen. Seine Arbeiten überschreiten systematisch disziplinäre Grenzen: Ausgebildet in der experimentellen Psychologie, brachte Kieras seine Expertise frühzeitig in die aufkommenden Gebiete der Human-Computer-Interaction (HCI) und der KI ein – lange bevor diese Felder ihre heutige Relevanz erreichten.

Bekannt wurde er insbesondere durch die Entwicklung kognitiver Architekturen wie EPIC (Executive-Process/Interactive Control) und seine Beiträge zur formalisierten Analyse von Mensch-Maschine-Interaktionen mittels der sogenannten GOMS-Methode (Goals, Operators, Methods, and Selection rules). Diese Werkzeuge, ursprünglich für die Optimierung von Benutzeroberflächen konzipiert, gewannen schnell an Bedeutung für das Design adaptiver, intelligenter Systeme – also Systeme, die menschliches Verhalten antizipieren, interpretieren und darauf reagieren können.

Die Schlüsselfrage, die sich durch Kieras’ gesamtes wissenschaftliches Werk zieht, lautet: Wie kann man den kognitiven Apparat des Menschen so präzise modellieren, dass er in rechnergestützten Systemen repliziert, simuliert oder unterstützt werden kann? Damit steht er paradigmatisch für eine KI-Forschung, die sich nicht nur von Daten und Algorithmen leiten lässt, sondern vom tiefen Verständnis der menschlichen Kognition ausgeht.

Relevanz seiner Arbeiten für die moderne KI-Forschung

In einer Zeit, in der KI-Systeme zunehmend in sicherheitskritischen, medizinischen oder sozialen Kontexten eingesetzt werden, gewinnt die Frage nach ihrer Transparenz, Vorhersagbarkeit und Menschzentrierung zentrale Bedeutung. Genau hier setzen die Arbeiten von David E. Kieras an. Seine kognitiven Modelle liefern eine methodische Grundlage für die Gestaltung von KI-Systemen, die nicht nur effizient, sondern auch nachvollziehbar agieren – ein Anliegen, das heute unter dem Schlagwort „Explainable AI“ (XAI) eine Renaissance erlebt.

Ein zentrales Anliegen moderner KI-Forschung besteht darin, Systeme zu entwickeln, die menschliches Verhalten nicht nur nachahmen, sondern es in seiner Tiefe verstehen. Die EPIC-Architektur beispielsweise simuliert mit hoher Genauigkeit parallele Prozesse der Wahrnehmung, motorischen Kontrolle und kognitiven Entscheidungsfindung. Sie dient nicht nur der Modellierung von Reaktionszeiten oder Aufgabenperformanz, sondern kann auch zur Entwicklung von Assistenzsystemen verwendet werden, die sich an individuelle Verhaltensprofile anpassen.

Damit liefern Kieras’ Arbeiten eine Brücke zwischen psychologisch validierten Modellen und praktischen Anwendungen im Bereich des maschinellen Lernens, der autonomen Systeme und der Mensch-Maschine-Kollaboration. In einer Welt, die zunehmend auf KI vertraut, ist diese Brücke nicht nur relevant, sondern essenziell.

Zielsetzung des Essays: Analyse seiner wissenschaftlichen Karriere und deren Einfluss auf zentrale Konzepte und Entwicklungen der Künstlichen Intelligenz

Ziel dieses Essays ist es, die wissenschaftliche Laufbahn von David E. Kieras nachzuzeichnen, seine wichtigsten Konzepte einzuordnen und ihren Einfluss auf die Entwicklung der Künstlichen Intelligenz systematisch zu untersuchen. Dabei geht es nicht nur um eine biografische Darstellung, sondern um eine kritische Reflexion seiner Beiträge im Kontext zentraler KI-Debatten.

Folgende Leitfragen strukturieren die Untersuchung:

1. Welche kognitionswissenschaftlichen Modelle und Methoden hat Kieras entwickelt, und wie wurden diese in die KI-Forschung integriert?
2. In welchen Bereichen der KI – etwa in der menschzentrierten KI, bei kognitiven Architekturen oder in der Erklärbarkeit komplexer Systeme – zeigen sich seine Einflüsse besonders deutlich?
3. Welche Bedeutung kommt seinem interdisziplinären Ansatz für zukünftige Entwicklungen in der KI zu?

Der Essay ist in neun Kapitel gegliedert, die von der akademischen Laufbahn über methodische Entwicklungen bis hin zu Rezeption und Zukunftsperspektiven reichen. Den Abschluss bildet ein strukturiertes Literaturverzeichnis, das die wissenschaftlichen und digitalen Quellen dokumentiert.

Akademische Laufbahn und disziplinäre Verankerung

Frühe Ausbildung und intellektuelle Prägung

Studium an der University of Michigan und frühe Einflüsse durch kognitive Psychologie

David E. Kieras begann seine akademische Laufbahn an der renommierten University of Michigan, einer Institution, die seit Jahrzehnten eine zentrale Rolle in der Entwicklung der Kognitionswissenschaft spielt. Bereits während seines Psychologiestudiums interessierte sich Kieras für Fragen der menschlichen Informationsverarbeitung – ein Forschungsfeld, das in den 1970er Jahren noch stark durch behavioristische Paradigmen dominiert war. Doch gerade in dieser Übergangszeit formierten sich neue Strömungen, die den menschlichen Geist zunehmend als ein informationsverarbeitendes System begriffen – analog zu den aufkommenden Rechenmaschinen.

Kieras wurde früh von der sogenannten kognitiven Wende beeinflusst, einer theoretischen Bewegung, die traditionelle behavioristische Modelle durch internale Prozesse wie Gedächtnis, Aufmerksamkeit und Entscheidungsfindung ergänzte. In dieser Phase wandte er sich experimentellen Methoden zu, die auf die quantitative Beschreibung kognitiver Prozesse abzielten. Seine Master- und Doktorarbeiten legten den Grundstein für eine wissenschaftliche Perspektive, in der empirische Beobachtung und formale Modellbildung gleichwertig koexistieren – ein Ansatz, der später zu einer der methodischen Säulen der kognitiven Architekturen wurde.

Übergang zur Schnittmenge von Psychologie, Informatik und Linguistik

Mit dem Fortschreiten seiner Studien entwickelte Kieras ein tiefes Interesse an der Verknüpfung kognitiver Psychologie mit formalen Systemen aus der Informatik und Sprachverarbeitung. Besonders inspiriert war er von der Frage, wie mentale Repräsentationen entstehen und wie sie algorithmisch modellierbar sind. In dieser Phase begann er, sich intensiv mit formalen Modellen der Semantik, Syntax und mentalen Prozesse auseinanderzusetzen – unter anderem auf Grundlage logischer und linguistischer Theorien.

Diese frühe interdisziplinäre Öffnung war entscheidend für seine spätere Forschung: Sie ermöglichte es ihm, psychologische Konzepte wie „mentale Modelle“ oder „kognitive Last“ in strukturierten, simulationsfähigen Modellen zu fassen – ein Konzept, das Jahrzehnte später in der KI-Forschung unter dem Begriff der kognitiv plausiblen Systeme eine Renaissance erleben sollte.

Forschungsumfeld und Mentoren

Zusammenarbeit mit John R. Anderson, Allen Newell, Herbert A. Simon

Eine prägende Phase für David Kieras war der Austausch mit drei der bedeutendsten Köpfe der Kognitions- und KI-Forschung des 20. Jahrhunderts: John R. Anderson, Allen Newell und Herbert A. Simon. Diese Pioniere hatten mit dem ACT-Modell, der SOAR-Architektur sowie der Integration von Entscheidungstheorie in KI-Prozesse neue Maßstäbe gesetzt. Kieras bewegte sich im Umfeld dieser Figuren, insbesondere im Rahmen von interuniversitären Forschungskooperationen und durch Beiträge zu gemeinsamen Konferenzen der kognitiven Psychologie und der künstlichen Intelligenz.

Die Relevanz dieser Kontakte kann nicht hoch genug eingeschätzt werden. Sie vermittelten Kieras nicht nur ein tiefes Verständnis algorithmischer Strukturierungen kognitiver Prozesse, sondern auch ein methodisches Selbstverständnis: empirische Fundierung, formale Strenge und funktionale Modellierung galten als gleichwertige Ziele. Dieses Triumvirat wurde zur Grundmelodie seiner späteren Arbeiten in den Bereichen GOMS-Analyse, HCI und simulativer KI.

Einbettung seiner Arbeit in den kognitionswissenschaftlichen Paradigmenwechsel

Der Paradigmenwechsel, den die Kognitionswissenschaft ab den 1980er Jahren vollzog – weg von introspektiver Forschung hin zu rechnergestützten, testbaren Modellen –, bot den idealen Resonanzraum für Kieras’ Herangehensweise. Er war kein Theoretiker im Elfenbeinturm, sondern ein empirisch arbeitender Wissenschaftler mit einem Hang zur praktischen Umsetzung. Dies spiegelte sich etwa in der Formalmodellierung von Benutzerinteraktionen wider, bei der Kieras gezielt auf mathematische Beschreibungen zurückgriff, etwa um Reaktionszeiten vorherzusagen, Arbeitsgedächtnisbelastungen zu berechnen oder kognitive Engpässe zu simulieren.

Ein zentrales Motiv seiner Forschung war dabei stets die Frage, wie sich mentale Prozesse – etwa Zielhierarchien, motorische Aktionen oder visuelle Wahrnehmungen – in formale, dynamisch interpretierbare Modelle überführen lassen. Dabei entstanden Systeme, die nicht nur simulierten, sondern auch Vorhersagen lieferten – ein Alleinstellungsmerkmal gegenüber vielen heutigen KI-Ansätzen, die rein statistisch agieren.

Rolle an der University of Michigan

Aufbau des Programms für kognitive Modellierung

Nach seiner Promotion und mehreren Forschungsaufenthalten übernahm David E. Kieras eine Professur an der University of Michigan, wo er maßgeblich am Aufbau eines interdisziplinären Programms für kognitive Modellierung beteiligt war. Dieses Programm, angesiedelt zwischen der Fakultät für Psychologie und dem Department of Electrical Engineering and Computer Science (EECS), wurde zu einem der produktivsten Zentren kognitiver KI-Forschung in Nordamerika.

Unter Kieras’ Leitung wurde die Integration von empirischer Psychologie, theoretischer Informatik und angewandter Ingenieurwissenschaft nicht nur gefördert, sondern strukturell verankert. Studierende wurden darin ausgebildet, experimentelle Designs zu entwerfen, Simulationsmodelle zu implementieren und theoretische Hypothesen rechnergestützt zu überprüfen – eine Ausbildung, die weit über traditionelle Psychologieprogramme hinausging.

Lehre und interdisziplinäre Forschungsprojekte in den Bereichen Informatik, Psychologie und Human Factors

Besondere Anerkennung fand Kieras für seine interdisziplinäre Lehre. In seinen Seminaren führte er Informatikstudierende in die Psychologie des Sehens, Psychologiestudierende in die Programmierung von Simulationsmodellen und angehende Ingenieur:innen in Fragen der Mensch-Maschine-Interaktion ein. Diese Breite war nicht nur didaktisch bedeutsam, sondern trug dazu bei, eine neue Generation von Forscher:innen auszubilden, die sich souverän zwischen den Disziplinen bewegen konnten.

Zudem leitete Kieras eine Reihe wegweisender Drittmittelprojekte in Zusammenarbeit mit Partnern aus der Industrie (z. B. IBM, Boeing, NASA) und dem Verteidigungssektor. Ziel dieser Projekte war die Entwicklung kognitiv fundierter Entscheidungshilfesysteme, etwa in der Flugsicherung, der medizinischen Diagnostik oder der militärischen Einsatzplanung. Viele dieser Systeme basierten auf Vorhersagemodellen, die – basierend auf GOMS oder EPIC – bereits in der Entwurfsphase Rückmeldungen zur kognitiven Belastung und Effizienz erlaubten.

Zentrale Forschungsbeiträge und Modellierungsansätze

Die GOMS-Methode und ihre Auswirkungen

Ursprung und Entwicklung der GOMS-Modelle (Goals, Operators, Methods, Selection Rules)

Ein zentraler Beitrag von David E. Kieras zur Verbindung von Psychologie, Informatik und KI ist die Weiterentwicklung und Systematisierung der sogenannten GOMS-Methode, ursprünglich eingeführt durch Card, Moran und Newell. Der Begriff GOMS steht für “Goals, Operators, Methods, Selection Rules” und beschreibt eine Struktur, mit der menschliche Interaktionsprozesse mit Computersystemen formal modelliert werden können.

Kieras trug maßgeblich dazu bei, das Modell zu operationalisieren und in praxistaugliche Varianten zu überführen – etwa in Form von NGOMSL (Natural GOMS Language) oder CPM-GOMS (Critical-Path Method GOMS). Diese Varianten erlauben nicht nur qualitative Analysen, sondern auch präzise Zeitvorhersagen kognitiver und motorischer Abläufe auf der Grundlage empirischer Daten.

Zentrales Ziel dieser Modelle ist es, menschliches Verhalten bei der Nutzung technischer Systeme vorherzusagen, zu analysieren und zu verbessern – ohne direkt auf Benutzerstudien angewiesen zu sein. Dadurch wird eine analytische Vorverlagerung von Usability-Evaluationen möglich, die gerade im Kontext komplexer oder sicherheitskritischer Anwendungen (z. B. Flugzeugcockpits, medizinische Interfaces) immense Vorteile bietet.

Konkrete Anwendung in der Analyse menschlicher Interaktion mit Computersystemen

In der Praxis erlauben GOMS-Modelle die Abbildung von Benutzerzielen, den zur Zielerreichung verfügbaren Operatoren (z. B. Mausklick, Tastendruck), den Methoden zur Strukturierung dieser Operatoren und den Auswahlregeln zwischen verschiedenen Methoden.

Ein einfaches Beispiel: Ein Benutzer möchte eine Datei in einem Textverarbeitungsprogramm speichern. Das Ziel (save document) kann mit unterschiedlichen Methoden erreicht werden (Menübefehl vs. Tastenkombination), wobei die Auswahlregel von situativen Faktoren (z. B. Zeitdruck, Expertenstatus) abhängt.

Kieras entwickelte mit CPM-GOMS ein Modell, das zusätzlich zu kognitiven Operatoren auch parallele Prozesse berücksichtigt – etwa die gleichzeitige Planung des nächsten Ziels während der Ausführung motorischer Aktionen. Dies war ein entscheidender Fortschritt gegenüber sequentiellen Modellen und machte GOMS erstmals auch für Echtzeitanalysen und kognitive Simulationssysteme interessant.

Bedeutung für KI-getriebene Interfaces und Benutzeradaptivität

Die GOMS-Modelle und ihre Derivate wurden unter Kieras’ Leitung zum methodischen Rückgrat zahlreicher benutzermodellierender Systeme, die heute unter dem Begriff User-Adaptive Systems geführt werden.

Kognitive KI-Interfaces, die mitdenken oder proaktiv Vorschläge machen, basieren nicht selten auf formalisierten Nutzerprofilen. Diese wiederum greifen auf Strukturen zurück, wie sie durch GOMS beschrieben werden. Selbst moderne Sprachassistenten, smarte Softwareagenten oder adaptive Lernumgebungen profitieren indirekt von den in GOMS entwickelten Konzepten.

Besonders im Bereich der Explainable AI (XAI) ist GOMS wieder in den Fokus geraten: Die Modelle bieten nicht nur eine Vorhersage menschlichen Verhaltens, sondern auch eine erklärbare Struktur der Entscheidungsfindung, die für die Nachvollziehbarkeit von KI-Aktionen essenziell ist.

Entwicklung und Anwendung von Cognitive Architecture Modellen

Die Rolle von EPIC (Executive Process-Interactive Control)

Neben GOMS ist EPIC (Executive Process-Interactive Control) wohl das bedeutendste Forschungsinstrument, das mit dem Namen David E. Kieras verbunden ist. EPIC wurde gemeinsam mit David Meyer entwickelt und ist eine kognitive Architektur, die darauf abzielt, menschliches Verhalten unter Echtzeitbedingungen mit hoher Genauigkeit zu simulieren.

EPIC unterscheidet sich von anderen Architekturen durch die parallele Verarbeitung von Wahrnehmung, Kognition und Motorik. Das Modell basiert auf einer modularen Struktur: Sensorische Module (für visuelle oder auditive Wahrnehmung), kognitive Kontrollstrukturen (für Zielverfolgung und Aufgabenpriorisierung) sowie motorische Komponenten (z. B. manuelle oder sprachliche Aktionen) interagieren über einen gemeinsamen Executive Controller.

Was EPIC besonders macht, ist die Möglichkeit, Mikroprozesse der Informationsverarbeitung zeitlich präzise zu modellieren. Während klassische KI-Modelle häufig symbolisch und diskret operieren, erlaubt EPIC eine annähernd kontinuierliche Simulation menschlicher Performanz – inklusive Reaktionszeiten, Multitasking-Verhalten und kognitiver Überlastung.

Integration in adaptive Systeme und simulationsbasierte KI

EPIC wurde vielfach in simulationsbasierte KI-Systeme integriert, etwa im Bereich der menschzentrierten Simulationen, Trainingstools für Piloten oder adaptive Mensch-Maschine-Schnittstellen. Die Architektur lieferte dabei ein detailliertes Bild davon, wie menschliche Benutzer auf Systemverhalten reagieren – und wie Systeme umgekehrt auf typische Fehler, Verzögerungen oder Überforderungen reagieren sollten.

Ein zentrales Konzept dabei war die Simulation von kognitiver Last und Aufgabeninterferenz. EPIC kann modellieren, wann sich zwei Aufgaben gegenseitig behindern, wann Ressourcen überlastet sind und welche Reaktionsmuster typisch sind. Das ist insbesondere für KI-Systeme relevant, die in Echtzeit mit dem Menschen kooperieren oder assistieren sollen.

Vergleich mit anderen Architekturen: SOAR, ACT-R, LIDA

Im Vergleich mit anderen kognitiven Architekturen nimmt EPIC eine Sonderstellung ein. Während SOAR (Newell) auf symbolischer Entscheidungsfindung basiert und ACT-R (Anderson) das deklarative und prozedurale Gedächtnis modelliert, konzentriert sich EPIC stärker auf die zeitlich koordinierte Interaktion zwischen Wahrnehmung, Kognition und Aktion.

Das unterscheidet EPIC auch von neueren, konnektionistischen Architekturen wie LIDA, die stärker subsymbolisch arbeiten. Kieras bleibt in EPIC einem psychologisch validierten, modularen und rechenzeitnahen Modell treu – ein Modell, das zwar nicht auf Deep Learning basiert, aber dafür eine erklärbare, manipulierbare und prognosefähige Struktur bietet.

Verknüpfung von Kognition und maschinellem Lernen

Beiträge zur algorithmischen Modellierung menschlicher Entscheidungsprozesse

Kieras hat sich intensiv mit der Frage beschäftigt, wie sich menschliche Entscheidungslogiken in algorithmischen Strukturen abbilden lassen. Dabei ging es ihm nicht um eine 1:1-Reproduktion biologischer Vorgänge, sondern um eine funktionale Entsprechung: Welche Prozesse laufen wann ab, in welcher Reihenfolge und mit welchen Ressourcen?

Seine kognitiven Modelle arbeiten mit Entscheidungsbäumen, Interferenzstrukturen und Auswahlregeln, die sich teilweise auch in maschinellen Lernverfahren wiederfinden. Während heutige Systeme aus Trainingsdaten statistische Gewichtungen ableiten (z. B. \(y = \beta_0 + \beta_1 x + \epsilon\)), interessiert sich Kieras für regelgeleitete Verarbeitung, etwa in Form von:

\(\text{If Goal = „open file“ AND Method = „mouse“ THEN Operator = „double-click“}\)

Solche Regeln ermöglichen KI-Systemen transparente, nachvollziehbare Entscheidungen, was gerade im Hinblick auf sicherheitskritische Anwendungen und ethische KI-Entwicklung von hoher Bedeutung ist.

Implizite Prägung datengetriebener KI durch kognitive Kontrollmodelle

Auch wenn moderne KI-Systeme überwiegend datengetrieben arbeiten, sind viele ihrer Strukturen implizit von kognitionswissenschaftlichen Ideen geprägt. Konzepte wie Aufmerksamkeitssteuerung, Task-Switching oder Memory Buffers, wie sie in Transformers oder Reinforcement-Learning-Agenten implementiert sind, erinnern strukturell an die kognitiven Kontrollmodelle von Kieras.

Selbst Konzepte wie der „Aktivierungsgrad“ in neuronalen Netzen lassen sich als Entsprechung kognitiver Aktivierungsmuster interpretieren, wie sie etwa in ACT-R oder EPIC beschrieben werden. Die Forschung von Kieras wirkt hier als theoretischer Resonanzraum, der auch dann relevant bleibt, wenn die konkrete Modellstruktur abweicht.

Kritik an rein datenbasierter KI aus der Sicht von Kieras’ Arbeiten

Kieras hat immer wieder betont, dass datenbasierte Modelle zwar leistungsfähig, aber nicht zwangsläufig erklärbar oder robust sind. Gerade bei Aufgaben, die auf Verstehen, Kontextualisierung und zielgerichteter Handlung beruhen, stoßen neuronale Netze an ihre Grenzen.

Er plädiert daher für hybride Systeme, in denen symbolische, regelbasierte Komponenten mit datengetriebenen Methoden kombiniert werden – eine Idee, die heute in Forschungsfeldern wie Neurosymbolic AI oder Hybrid Cognitive Systems aufgegriffen wird. Die Betonung liegt dabei auf Struktur, Logik und Vorhersagbarkeit – genau den Prinzipien, die seine Modelle seit Jahrzehnten prägen.

David E. Kieras und die Human-Centered AI

Einfluss auf die Entwicklung nutzerzentrierter KI-Systeme

Wegweisende Arbeiten zur Benutzerfreundlichkeit in KI-Systemen

Bereits zu einem Zeitpunkt, als Künstliche Intelligenz noch primär in akademischen Labors existierte und Benutzerfreundlichkeit in technikzentrierten Designs häufig vernachlässigt wurde, stellte David E. Kieras den Menschen ins Zentrum technischer Systeme. Seine Arbeiten im Bereich der Human-Computer-Interaction (HCI) und der kognitiven Modellierung beeinflussten maßgeblich, wie Benutzeroberflächen, Interaktionsabläufe und assistierende Technologien konzipiert werden sollten.

Kieras erkannte früh, dass technische Systeme nur dann effizient und vertrauenswürdig funktionieren können, wenn sie auf die kognitiven Fähigkeiten und Begrenzungen ihrer Nutzer abgestimmt sind. Anstelle rein funktionaler Optimierung trat bei ihm die psychologisch fundierte Modellierung der Benutzerintention. Diese Perspektive war revolutionär für die Entwicklung moderner KI-Systeme, die heute in Form von Smart Assistants, Entscheidungsunterstützungssystemen oder adaptiven Interfaces in den Alltag integriert sind.

Sein methodischer Ansatz ermöglichte die Systemgestaltung aus Sicht der Nutzeraufgaben, nicht bloß aus der Logik des Systems heraus. Dadurch wurden die Grundlagen geschaffen, auf denen heutige nutzerzentrierte Entwicklungsprozesse in der KI – wie “User-Centered Design, Participatory Design” oder “Human-in-the-Loop AI” – basieren.

Der Mensch als Modell und Referenzrahmen für KI – kognitive Simulation statt Black-Box

Kieras war stets ein Verfechter des Gedankens, dass die menschliche Kognition nicht nur ein Ziel, sondern auch ein Modell für KI-Systeme darstellt. Anstatt zu versuchen, rein durch statistische Methoden menschliches Verhalten zu approximieren, plädierte er für einen umgekehrten Weg: Die Simulation kognitiver Prozesse als strukturelle Grundlage künstlicher Systeme.

Dieser Ansatz steht im Gegensatz zur heute weit verbreiteten Black-Box-KI, in der neuronale Netze auf Basis großer Datenmengen zwar leistungsfähige, aber oft unerklärbare Resultate liefern. Kieras hingegen setzte auf White-Box-Modelle: Strukturell nachvollziehbare Architekturen, deren Abläufe, Entscheidungen und Begrenzungen explizit abgebildet sind.

Die zugrunde liegende Idee: Ein System, das sich wie ein Mensch verhält, sollte auch ähnlich „denken“ wie ein Mensch – nicht notwendigerweise biologisch, aber funktional. Dabei dienen kognitive Simulationen als Instrument zur Annäherung an echte Interaktion – etwa durch die Modellierung von Aufmerksamkeitsverlagerung, Gedächtnisabruf oder Fehlerwahrscheinlichkeit.

So wurde der Mensch bei Kieras nicht nur zum Nutzer, sondern zur epistemischen Blaupause für die Gestaltung von KI – eine Idee, die heute in vielen human-centered AI-Ansätzen als Standard gilt.

Predictive Human Performance Modeling (PHPM)

Entwicklung von Modellen zur Vorhersage menschlichen Verhaltens

Ein besonders wirkungsvoller Beitrag von David E. Kieras war die Entwicklung und Systematisierung des Predictive Human Performance Modeling (PHPM). Ziel dieses Ansatzes ist es, menschliches Verhalten in spezifischen Aufgabenkontexten quantitativ vorherzusagen, und zwar ohne empirische Testdurchläufe mit realen Personen.

PHPM nutzt kognitive Architekturen wie EPIC oder GOMS-basierte Verfahren, um zu simulieren, wie Nutzer in gegebenen Situationen agieren würden – inklusive Reaktionszeiten, Fehlerwahrscheinlichkeiten und mentaler Belastung. Dabei fließen Parameter wie Gedächtnisabrufzeiten, motorische Koordination oder visuelle Suchprozesse in die Berechnungen ein.

So kann etwa vorhergesagt werden, wie lange ein Benutzer braucht, um ein Formular auszufüllen, wie wahrscheinlich ein Bedienfehler im Notfall ist oder wie sehr eine zusätzliche Funktion die kognitive Last erhöht. Solche Simulationen lassen sich sowohl in Software- als auch in Hardware-Designprozesse integrieren und stellen ein essentielles Bindeglied zwischen Psychologie und KI-Entwicklung dar.

Anwendung in KI-gestützten Trainings-, Simulations- und Evaluationssystemen

Die Einsatzfelder für PHPM sind vielfältig – von der Luft- und Raumfahrt über die Medizin bis hin zur militärischen Entscheidungsunterstützung. Kieras’ Modelle wurden in zahlreichen Projekten zur Entwicklung von intelligenten Trainingssystemen, Fehlertoleranzanalysen oder simulativen Evaluationsumgebungen eingesetzt.

Beispielsweise kann ein KI-gestützter Flugsimulator auf Basis von PHPM vorhersagen, wie Pilot:innen in Stresssituationen reagieren, welche Sequenzen problematisch sind oder wie Trainingsinhalte angepasst werden müssen, um effektives Lernen zu gewährleisten. Auch in der Ausbildung von Notfallpersonal oder in der Simulation komplexer Kontrollzentren (z. B. in Atomkraftwerken oder Leitstellen) bieten diese Modelle einen unschätzbaren Vorteil: Sie liefern valide Verhaltensdaten ohne reale Gefährdungssituationen.

Im industriellen Kontext dienen PHPM-Modelle der optimierten Gestaltung von Mensch-Maschine-Interaktion, etwa in Produktionssystemen, Fahrzeuginterfaces oder medizinischen Assistenzsystemen. Die hohe Generalisierbarkeit der Modelle erlaubt dabei den Transfer zwischen Domänen – ein weiterer Beleg für ihre wissenschaftliche Robustheit.

Beitrag zur Erklärbarkeit (Explainability) von KI-Systemen

Ein besonders aktueller Beitrag von Kieras’ Arbeit liegt im Bereich der Erklärbarkeit von KI-Systemen (Explainable AI, XAI). Während viele moderne KI-Systeme auf schwer durchschaubaren statistischen Prozessen basieren, bieten PHPM-Modelle einen strukturierten, nachvollziehbaren Zugang zur Funktionsweise intelligenter Systeme.

Ein KI-System, das durch ein kognitives Modell ergänzt wird, kann nicht nur eine Entscheidung treffen, sondern auch begründen, warum es zu dieser Entscheidung gekommen ist. Das erhöht nicht nur das Vertrauen in solche Systeme, sondern ermöglicht auch gezielte Anpassungen – etwa zur Vermeidung von Fehlentscheidungen, zur Einhaltung ethischer Standards oder zur Anpassung an individuelle Nutzerbedürfnisse.

Im Kontext aktueller Entwicklungen wie Chatbots, autonomen Fahrzeugen oder intelligenten medizinischen Systemen ist diese Erklärbarkeit essenziell. Kieras lieferte mit seinen Modellen den methodischen Unterbau für eine neue Klasse von KI-Systemen: Systeme, die nicht nur funktionieren, sondern auch verstanden werden können.

Interdisziplinäre Wirkung und Transfer in andere KI-Bereiche

Einfluss auf Cognitive Engineering und KI in der Luftfahrt, Medizin, Sicherheit

GOMS und EPIC in realen Hochrisiko-Szenarien: Cockpitdesign, Entscheidungsassistenzsysteme

Die kognitiven Modelle von David E. Kieras – insbesondere GOMS und EPIC – fanden früh Anwendung in Bereichen, in denen menschliche Fehlentscheidungen gravierende Folgen haben können. Zu diesen Safety-Critical Domains zählen unter anderem die Luftfahrt, die medizinische Notfallversorgung und der militärische Kommandobereich.

Im Luftfahrtsektor wurde CPM-GOMS (eine erweiterte Version des GOMS-Modells mit zeitlicher Parallelverarbeitung) genutzt, um das Cockpitdesign und die Interaktionsprozesse von Pilot:innen zu analysieren. Ziel war es, Aufgabenabfolgen zu modellieren, potenzielle Fehlerrisiken zu identifizieren und Interface-Elemente so zu gestalten, dass sie kognitiv entlasten.

Kieras’ Modellierungsansatz wurde etwa in der Entwicklung von Entscheidungsassistenzsystemen für Flugzeugführer:innen verwendet, bei denen es darum ging, unter Zeitdruck und bei hoher Informationsdichte die effizientesten Interaktionspfade zu gestalten. Die Vorhersage menschlicher Reaktionszeiten, Blickbewegungen und Priorisierungsstrategien erwies sich als essenziell für die sicherheitsoptimierte Gestaltung von Kontrollsystemen.

Auch im Bereich der medizinischen Bildgebung und Diagnostik wurde EPIC verwendet, um Interaktionen zwischen medizinischem Personal und KI-basierten Auswertungs- oder Frühwarnsystemen zu simulieren. Besonders bei der Erkennung kritischer Zustände – z. B. in der Anästhesie oder Radiologie – können Fehlreaktionen durch mangelnde Interface-Transparenz auftreten. Kieras’ Modelle halfen, diese Lücken sichtbar zu machen und durch kognitive Modellierung zu schließen.

Kieras’ Modelle als Grundlage für Safety-Critical Systems mit KI

In sicherheitskritischen Anwendungen ist nicht nur das technische Verhalten der KI entscheidend, sondern vor allem die Interaktion zwischen Mensch und System. Kieras’ Modelle liefern hier den methodischen Rahmen für eine systematische Analyse dieser Interaktion – inklusive ihrer Grenzen, Engpässe und potenziellen Fehlermuster.

Ein wesentliches Merkmal solcher Systeme ist ihre Fähigkeit, vorhersagbares und nachvollziehbares Verhalten zu zeigen – sowohl auf Seiten der KI als auch beim Menschen. EPIC beispielsweise erlaubt die Simulation multipler Aufgaben unter Echtzeitbedingungen, was in sicherheitskritischen Szenarien unabdingbar ist. So lassen sich etwa folgende Aspekte modellieren:

• Aufmerksamkeitsverteilung bei parallelen Aufgaben
• Multimodale Interaktionen (visuell, auditiv, taktil)
• Reaktionsverzögerungen unter Stress oder Überlastung
• Kognitive Umwege bei Schnittstellendesign-Fehlern

Diese Erkenntnisse flossen in die Entwicklung von intelligenten Warnsystemen, bedienoptimierten Kontrollpulten und adaptiven Assistenzsystemen ein, wie sie heute in der Luftfahrt, in Intensivstationen oder bei sicherheitsrelevanten Industrieanlagen verwendet werden.

Bildung und Training von KI durch kognitive Modelle

Automatisierte Tutorensysteme, intelligente Lernumgebungen

Ein weiteres bedeutendes Transferfeld für Kieras’ Arbeiten liegt im Bereich der Bildungstechnologie und Lernsysteme. Bereits in den frühen 2000er Jahren befasste sich Kieras mit der Frage, wie kognitive Modelle zur Entwicklung intelligenter Tutoring-Systeme beitragen können – also Lernplattformen, die nicht nur Inhalte präsentieren, sondern sich aktiv an das Verhalten und den Wissensstand des Lernenden anpassen.

Dabei wurden seine Modelle unter anderem eingesetzt, um:

• Lernverhalten zu simulieren
• kognitive Fehlermuster zu identifizieren
• individuelle Feedbackstrategien zu generieren
• Lernfortschritt auf Grundlage kognitiver Belastung zu adaptieren

Die Integration kognitiver Architekturen ermöglichte es, didaktische Entscheidungen zu automatisieren, z. B. ob ein neues Thema eingeführt werden kann oder Wiederholung nötig ist. So entstanden adaptive Lernumgebungen, die nicht auf statistische Nutzerprofile, sondern auf modellierte mentale Prozesse zurückgreifen – ein Prinzip, das heute unter dem Begriff “Cognitive Tutors” bekannt ist.

Insbesondere im MINT-Bereich (Mathematik, Informatik, Naturwissenschaften, Technik) wurden diese Systeme erprobt und zeigten signifikante Effekte hinsichtlich Effizienz, Lerneffekt und Nachhaltigkeit.

Integration kognitiver Modelle in Reinforcement Learning und agentenbasierte Systeme

Ein besonders spannender Aspekt der Rezeption von Kieras’ Arbeit betrifft die jüngsten Bestrebungen, kognitive Modellierung in agentenbasierte KI und maschinelles Lernen zu integrieren. Reinforcement Learning (RL) ist ein Teilgebiet der KI, bei dem Agenten durch Belohnung und Bestrafung lernen, in einer Umgebung optimale Entscheidungen zu treffen.

Hier treten jedoch Probleme auf, wenn das Verhalten der Agenten unvorhersehbar oder instabil ist. Genau an dieser Stelle kommen Kieras’ Konzepte ins Spiel: Kognitive Kontrollstrukturen wie Zielhierarchien, Entscheidungspfade oder Aufmerksamkeitsmanagement können als Constraints in RL-Algorithmen integriert werden.

So entstehen hybride Agenten, die nicht nur durch Erfahrung lernen, sondern dabei auch kognitive Prinzipien wie Arbeitsgedächtniskapazität, Planungsstrategien oder Interferenzkontrolle berücksichtigen. EPIC-ähnliche Architekturen dienen dabei als strukturgebende Modelle, die dem Lernen eine psychologisch sinnvolle Form geben.

In der Praxis bedeutet das:

• Agenten vermeiden irrationale Strategien durch modellbasierte Planung
• Entscheidungen erfolgen auf Basis von expliziten Ziel-Mittel-Relationen
• Lernpfade werden kognitiv plausibler und damit besser erklärbar

Kieras’ Arbeiten leisten damit einen Beitrag zur Verknüpfung symbolischer und subsymbolischer Intelligenz – einem der großen Forschungsziele der nächsten KI-Generation.

Methodologische Strenge und Kritik an der datengetriebenen KI

Replikation und Transparenz in der KI-Forschung

Betonung reproduzierbarer kognitiver Modelle

Ein zentrales Anliegen der wissenschaftlichen Arbeit von David E. Kieras war stets die methodologische Strenge – insbesondere im Hinblick auf Reproduzierbarkeit und Transparenz von Modellen. Anders als viele moderne Ansätze der KI, die auf undurchsichtigen neuronalen Netzwerken beruhen, zeichnen sich Kieras’ Modelle durch explizite Strukturierung, vollständige Dokumentation und systematische Testbarkeit aus.

Die Modelle – ob GOMS, EPIC oder NGOMSL – wurden stets so konzipiert, dass sie:

• formal spezifiziert
• in Software implementiert
• und durch andere Forscher:innen nachvollzogen und überprüft werden konnten.

Dieses methodische Ideal steht in scharfem Kontrast zur heutigen Black-Box-Problematisierung von Deep-Learning-Systemen, bei denen Millionen von Parametern in hochdimensionalen Vektorräumen verarbeitet werden, ohne dass klar nachvollziehbar ist, wie eine bestimmte Entscheidung zustande kam.

Kieras’ Modelle hingegen operieren mit regelbasierten, kontrollierten Prozessabläufen, in denen jede Entscheidung einem nachvollziehbaren Pfad folgt. So lässt sich nicht nur das Ergebnis, sondern auch der Weg dorthin transparent machen. Das ist nicht nur wissenschaftlich sauber, sondern auch ethisch relevant – etwa im Kontext von KI-Systemen, die über Gesundheit, Finanzen oder Sicherheit mitentscheiden.

Kontrast zu Black-Box-Ansätzen des Deep Learning

In der gegenwärtigen KI-Diskussion steht der Begriff “Black Box” für ein zentrales Dilemma: Leistungsfähige Systeme wie Deep Neural Networks erreichen beeindruckende Resultate, entziehen sich aber häufig einer menschlich verständlichen Interpretation. Die Erklärbarkeit solcher Systeme – etwa durch Attention Maps, Gradientenanalysen oder Feature Visualizations – bleibt spekulativ und oft oberflächlich.

Kieras setzte dem eine modellhafte KI entgegen, in der psychologische Plausibilität, strukturelle Klarheit und funktionale Nachvollziehbarkeit im Vordergrund stehen. Seine Kritik am Deep Learning war dabei nicht pauschal ablehnend, sondern differenziert und konstruktiv:

Er plädierte für eine Integration datenbasierter Verfahren in erklärbare kognitive Rahmenstrukturen, also eine Art “Neuro-symbolische KI”, die das Beste beider Welten kombiniert. Die rein statistische Optimierung ohne funktionales Verständnis bezeichnete er mehrfach als methodisch blind – nicht nur für die Komplexität menschlicher Kognition, sondern auch für gesellschaftlich akzeptable Systemgestaltung.

Kieras’ Position gilt heute als visionär. Viele der aktuellen Debatten über Responsible AI, Transparent AI oder Explainable AI (XAI) greifen direkt auf Prinzipien zurück, die in seinen Modellen seit Jahrzehnten verwirklicht sind.

Der Mensch im Mittelpunkt: Kieras’ Warnungen

Mahnung zur psychologisch fundierten Gestaltung von KI-Systemen

In seinen zahlreichen Vorträgen, Aufsätzen und Lehrveranstaltungen warnte David E. Kieras immer wieder vor einem Technologieverständnis ohne psychologischen Bezug. KI, so seine Position, dürfe nicht als rein technologische Disziplin verstanden werden, sondern müsse sich an kognitiven, wahrnehmungspsychologischen und interaktiven Prinzipien orientieren.

Diese Haltung kulminierte in der Forderung, KI-Systeme nicht nur nach Leistungsfähigkeit, sondern nach ihrer Passung zum menschlichen Denken und Handeln zu beurteilen. Das betrifft nicht nur Benutzerfreundlichkeit im klassischen Sinne, sondern auch:

• Vertrauenswürdigkeit von Entscheidungslogik
• Übereinstimmung mit menschlicher Erwartung
• kognitive Kohärenz von Systemantworten
• Vermeidung unnötiger kognitiver Last oder Verwirrung

In diesem Sinne verstand Kieras den Menschen nicht als passives Nutzungsobjekt, sondern als aktiven, denkenden, planenden Akteur, dem die KI unterstützend zur Seite stehen sollte – und nicht als abstrakter Optimierungsparameter.

Sein Ansatz ist damit ein früher Vertreter dessen, was heute als Human-Centered AI (HCAI) bezeichnet wird: Eine KI, die sich an den kognitiven und sozialen Bedingungen des Menschen orientiert, statt sie zu ignorieren oder zu überformen.

Risiko der Entfremdung durch kognitiv blinde KI-Technologien

Eine der stärksten Warnungen, die sich durch Kieras’ Schriften ziehen, ist die vor einer Entfremdung des Menschen durch KI-Systeme, die seine kognitive Realität nicht verstehen – und deshalb nicht sinnvoll mit ihr interagieren können.

In Systemen, die menschliche Entscheidungen ersetzen, ohne sie zu erklären; die Sprache analysieren, ohne Bedeutung zu verstehen; die Aufmerksamkeit fordern, ohne Kontext zu berücksichtigen – in solchen Systemen sieht Kieras ein hohes Risiko der kognitiven Desintegration.

Die Folge ist nicht nur Frustration oder Fehlbedienung, sondern ein Verlust an Vertrauen, Kontrolle und Eigenverantwortung. Besonders kritisch sieht er diese Entwicklung in sicherheitsrelevanten, medizinischen oder pädagogischen Bereichen, in denen der Mensch auf Orientierung und Verständlichkeit angewiesen ist.

Sein Appell ist klar: Nur eine KI, die den Menschen versteht, kann ihm auch dienen. Systeme ohne kognitive Plausibilität mögen technisch brillant sein – doch ohne menschliches Verständnis verlieren sie ihre ethische und gesellschaftliche Legitimität.

Rezeption und Weiterentwicklung seiner Konzepte

Internationale Rezeption in der HCI- und KI-Community

Zitierhäufigkeit, Schlüsselpublikationen, akademische Netzwerke

David E. Kieras zählt zu den meistzitierten Wissenschaftlern im Bereich der kognitiven Modellierung, insbesondere in der Schnittmenge von Human-Computer-Interaction (HCI), Kognitionspsychologie und Künstlicher Intelligenz. Seine Werke, darunter insbesondere die Beiträge zu EPIC, GOMS und Predictive Human Performance Modeling, finden sich in unzähligen Publikationen, Lehrbüchern und Konferenzbeiträgen.

Ein Blick in Datenbanken wie Google Scholar, Scopus oder ACM Digital Library zeigt: Seine Artikel werden über Jahrzehnte hinweg konstant rezipiert, was auf die nachhaltige Relevanz seiner Ansätze hinweist. Besonders häufig zitiert ist sein Übersichtsartikel:

• An Overview of the EPIC Architecture for Cognitively Realistic Human-Computer Interaction Models (1997, mit David E. Meyer)

Diese Publikation gilt heute als Standardwerk für alle, die sich mit realitätsnaher kognitiver Modellierung und ihrer Integration in technische Systeme befassen. Seine Arbeiten sind nicht nur methodisch grundlegend, sondern dienen auch als Referenzrahmen für Vergleichsstudien, die neue kognitive Architekturen testen oder bestehende verbessern wollen.

Neben den Publikationen war Kieras auch in zahlreichen wissenschaftlichen Netzwerken und Fachgesellschaften aktiv, insbesondere im Umfeld der Cognitive Science Society, der Association for Computing Machinery (ACM) und der internationalen HCI-Community.

Er war regelmäßiger Teilnehmer und Gutachter bei Konferenzen wie CHI (Conference on Human Factors in Computing Systems), CogSci, HFES und ICCM (International Conference on Cognitive Modeling). Dabei förderte er den interdisziplinären Dialog zwischen Psychologie, Informatik, Ingenieurwissenschaften und Philosophie – ein Markenzeichen seiner gesamten Laufbahn.

Einfluss auf Institutionen wie ACM SIGCHI, Cognitive Science Society

Insbesondere die Special Interest Group on Computer-Human Interaction (SIGCHI) innerhalb der ACM wurde durch Kieras’ Arbeit tief beeinflusst. Seine Methoden zur strukturierten, quantitativen Analyse von Nutzerverhalten wurden dort systematisch integriert – sowohl in die Forschungs- als auch in die Ausbildungsstandards.

Auch in der Cognitive Science Society, die den Austausch zwischen verschiedenen Kognitionswissenschaften fördert, nahm Kieras eine zentrale Rolle ein. Seine Beiträge wurden häufig als Beispiel für gelungene Brückenschläge zwischen formalem Modell, empirischer Validierung und praktischer Anwendung hervorgehoben.

Zudem waren seine Modelle ein didaktisches Rückgrat für Universitätslehrgänge im Bereich Cognitive Science, HCI und AI Psychology. In vielen Curricula gelten GOMS und EPIC als Standardinstrumente, um Studierenden methodisches Denken und Interaktionsdesign im Kontext intelligenter Systeme näherzubringen.

Weiterentwicklung durch Schüler und Kolleg:innen

Beispiele prominenter Forscher:innen, die Kieras’ Theorien fortgeführt haben

Die Wirkung von David E. Kieras beschränkt sich nicht nur auf seine eigene Forschungsarbeit, sondern zeigt sich auch in der Vielzahl an Wissenschaftler:innen, die seine Ideen aufgriffen, erweiterten und in neue Kontexte überführten. Zu den prominentesten zählen:

• Bonnie E. John (Carnegie Mellon University): Entwicklerin der CPM-GOMS-Erweiterung, die Kieras’ GOMS-Modell um präzise zeitliche Analysefähigkeiten erweiterte.
• Wayne D. Gray (Rensselaer Polytechnic Institute): Führte kognitive Modellierung mit GOMS und ACT-R in neue Gebiete wie “interruptibility modeling” und multitasking optimization.
• Richard L. Lewis (University of Michigan): Arbeitete an der Integration von EPIC mit probabilistischen Modellen und syntaktischen Prozessen beim Sprachverstehen.
• John R. Anderson: Auch wenn er primär mit ACT-R assoziiert ist, baute er vielfach auf GOMS-ähnlichen Strukturierungsansätzen für Task-Analysen auf, häufig in Kooperation mit Kieras.

Diese Wissenschaftler:innen haben nicht nur die theoretischen Grundlagen vertieft, sondern sie auch technologisch operationalisiert – etwa in Form von Softwaretools, interaktiven Frameworks oder anwendungsnahen KI-Systemen.

Erweiterung der EPIC-Architektur durch hybride kognitive Systeme

Besonders im Kontext der modernen KI – etwa in der Mensch-Roboter-Interaktion, im autonomen Fahren oder in intelligenten Agentensystemen – wurden Kieras’ Ideen durch hybride Architekturen weiterentwickelt.

Ein Beispiel ist die Integration von symbolischen Kontrollstrukturen à la EPIC in agentenbasierte Systeme, die zusätzlich Reinforcement Learning oder probabilistische Entscheidungslogiken verwenden. Diese hybriden Architekturen kombinieren die Vorhersagbarkeit und Erklärbarkeit symbolischer Modelle mit der Anpassungsfähigkeit subsymbolischer Systeme.

So entstanden beispielsweise:

• Model-Tracing-Tutoring-Systeme, die auf GOMS-Methoden basieren, aber durch maschinelles Lernen dynamisch auf Schüler:innen reagieren
• Cognitive Workload Monitors für industrielle Anlagen, bei denen EPIC zur Simulation und Bewertung kognitiver Belastung genutzt wird
• Cognitive Digital Twins, die auf realen Verhaltensdaten beruhen, aber mit modellbasierten Kontrollmechanismen ausgestattet sind

Diese Entwicklungen zeigen: Kieras’ Konzepte sind keineswegs veraltet, sondern bilden ein strukturelles Rückgrat für viele der heutigen Bestrebungen, KI verstehbar, menschlich kompatibel und sicher zu gestalten. Seine Modelle sind offen für Erweiterungen, interdisziplinär anschlussfähig und zugleich wissenschaftlich belastbar – ein seltenes Profil in einem sich rasch wandelnden Forschungsfeld.

Kognitive Architekturen und KI im Zeitalter von Deep Learning

Aktuelle Relevanz von Kieras’ Arbeiten

Nutzung seiner Modelle als erklärbare Alternativen oder Ergänzungen zu neuronalen Netzen

Trotz der Dominanz datengetriebener Verfahren in der heutigen KI-Forschung – insbesondere durch Deep Neural Networks (DNNs) – erleben kognitive Architekturen wie jene von David E. Kieras eine neue Relevanz. Inmitten einer zunehmend von Black-Box-Systemen bestimmten Forschungslage rückt der Ruf nach Erklärbarkeit (Explainability) und kognitiver Plausibilität wieder stärker in den Fokus.

Modelle wie GOMS oder EPIC bieten genau das, was neuronalen Netzen oft fehlt: eine strukturell transparente Verarbeitungskette, in der Eingaben, Zwischenzustände und Ausgaben in Bezug auf menschliche Kognitionsprozesse rekonstruiert werden können. Diese Modelle eignen sich daher ideal als komplementäre Komponenten, die neuronale Systeme nicht ersetzen, sondern erklären und kontextualisieren können.

Beispielsweise lassen sich Entscheidungen eines KI-Systems, das durch Deep Learning trainiert wurde, durch ein begleitendes EPIC-Modell hinsichtlich kognitiver Nachvollziehbarkeit analysieren. So kann ein System nicht nur sagen „was“ es entschieden hat, sondern auch „warum“ – ein essenzieller Schritt hin zu vertrauenswürdiger KI in sensiblen Domänen wie Medizin, Recht oder öffentlicher Verwaltung.

Vergleich von EPIC und Deep RL (Deep Reinforcement Learning) in dynamischen Umgebungen

Ein besonders interessanter Vergleich ergibt sich zwischen der EPIC-Architektur und modernen Verfahren des Deep Reinforcement Learning (Deep RL). Beide Systeme zielen darauf ab, in dynamischen, zeitkritischen Umgebungen sinnvolle Entscheidungen zu treffen – etwa in der Robotik, der autonomen Navigation oder im Gaming.

Doch während Deep RL auf der Basis tausender Lernzyklen und Feedbacksignale durch Trial-and-Error zu einer Handlungspolicy gelangt, basiert EPIC auf einem explizit modellierten Verhaltensprogramm, das kognitive Ressourcen, motorische Fähigkeiten und Wahrnehmungsprozesse integriert.

Der Unterschied lässt sich wie folgt zusammenfassen:

In hybriden Systemen besteht daher der Wunsch, beide Ansätze zu kombinieren: etwa durch kognitiv gesteuertes Deep RL, bei dem EPIC als Kontrollstruktur über einem lernenden Agenten operiert. Diese Idee – oft als “Cognitive-Guided RL” bezeichnet – folgt direkt aus Kieras’ Grundannahme: “Intelligentes Verhalten entsteht nicht nur durch Erfahrung, sondern durch Struktur”.

Auf dem Weg zur integrierten KI

Kombination von symbolischer und subsymbolischer KI

Die Idee, symbolische KI-Modelle (wie GOMS oder EPIC) mit subsymbolischen KI-Systemen (wie neuronalen Netzen) zu verbinden, ist nicht neu – doch erst heute steht die Technologie zur Verfügung, diese Integration auf breiter Basis umzusetzen. Diese Verbindung gilt als vielversprechender Weg, die Schwächen beider Paradigmen gegenseitig auszugleichen:

• Symbolische KI bietet Logik, Struktur, Erklärbarkeit, jedoch geringe Flexibilität.
• Subsymbolische KI bietet Anpassungsfähigkeit, Skalierbarkeit, jedoch geringe Transparenz.

Kieras’ Arbeiten bieten hierfür eine konzeptuelle Brücke. Seine Modelle sind so modular und formalisiert, dass sie als übergeordnete Steuerinstanz über lernenden Subsystemen fungieren können. So können Aufgaben wie Zielverfolgung, Ressourcenmanagement oder Konfliktauflösung auf symbolischer Ebene bleiben, während Wahrnehmung, Klassifikation oder Spracherkennung durch neuronale Modelle erfolgen.

Kieras’ Einfluss auf hybride KI-Modelle wie ACT-R + Deep Learning

Ein konkretes Beispiel dieser Integration ist die Kombination von ACT-R, einer von John R. Anderson entwickelten kognitiven Architektur, mit Deep Learning-Komponenten – eine Richtung, die stark von Kieras’ Denkweise geprägt ist.

In solchen hybriden Systemen werden z. B. die perzeptuellen Module von EPIC durch konnektionistische Netzwerke ersetzt, während die kognitive Kontrolle und Entscheidungslogik auf GOMS- oder ACT-R-Logik basiert. Diese Systeme ermöglichen:

• realistische Simulationsumgebungen für Mensch-Maschine-Interaktion
• adaptive Lernsysteme, die auf Benutzerverhalten reagieren
• autonome Agenten, die ihre Aktionen erklären und begründen können

Kieras’ Konzept der kognitiven Modularisierung – also die Trennung und koordinierte Verarbeitung von Wahrnehmung, Kognition und Motorik – zeigt sich dabei als besonders zukunftsfähig. Es bildet die Grundlage für eine architekturbasierte KI, die nicht nur effizient, sondern auch ethisch, erklärbar und kompatibel mit menschlicher Denkweise ist.

Damit liefert Kieras nicht nur einen historischen Beitrag, sondern eine methodische Vision für die nächste Generation intelligenter Systeme – Systeme, die denken, lernen und handeln mit, nicht neben dem Menschen.

Fazit: Ein Vordenker der menschenzentrierten KI

David E. Kieras als intellektuelle Brücke zwischen Psychologie, Informatik und KI

David E. Kieras hat im Laufe seiner Karriere ein wissenschaftliches Werk geschaffen, das in seiner disziplinären Tiefe ebenso beeindruckt wie in seiner interdisziplinären Spannweite. Als Psychologe mit tiefem Verständnis für kognitive Prozesse, als HCI-Forscher mit Gespür für nutzerzentriertes Design und als Modellierer mit mathematischer Präzision war er eine intellektuelle Brücke zwischen den Welten – zwischen empirischer Psychologie, formaler Informatik und theoretischer KI.

Seine Beiträge – von der GOMS-Analyse über die EPIC-Architektur bis hin zum Predictive Human Performance Modeling – ermöglichen nicht nur die Simulation, sondern das Verständnis menschlichen Verhaltens in technischen Kontexten. Er hat den Menschen nicht als Störfaktor im System betrachtet, sondern als zentrales Bezugssystem – als Modell, Maßstab und Ziel zugleich.

Mit diesem Ansatz hat Kieras entscheidend dazu beigetragen, dass sich die KI-Forschung nicht nur in Richtung Effizienz und Leistungsmaximierung entwickelt hat, sondern auch in Richtung menschlicher Passung, Nachvollziehbarkeit und ethischer Vertretbarkeit.

Nachhaltigkeit seiner Ideen in modernen KI-Systemen

Auch wenn sich die KI-Landschaft in den letzten Jahrzehnten dramatisch gewandelt hat – von symbolischer Logik hin zu tiefen neuronalen Netzwerken –, sind die Grundprinzipien von Kieras’ Arbeit heute aktueller denn je.

In Zeiten von Explainable AI (XAI), Human-Centered AI (HCAI) und Neurosymbolischer KI erleben viele seiner Konzepte eine regelrechte Renaissance. Der Ruf nach verständlichen, nachvollziehbaren, kognitiv fundierten KI-Systemen wird lauter – und die Instrumente, um diesem Ruf zu folgen, wurden unter anderem von Kieras geliefert.

Die Modularität seiner Architekturen, die Strukturiertheit seiner Entscheidungsmodelle, die empirische Fundierung seiner Simulationen – all das erlaubt es, KI-Systeme zu entwickeln, die nicht nur funktionieren, sondern auch verstanden, vertraut und akzeptiert werden.

Dabei geht es nicht um eine Rückkehr zu alten Paradigmen, sondern um eine Synthese aus Struktur und Lernen, aus Modell und Maschine, aus Mensch und Technik. Kieras hat mit seiner Arbeit die Architektur für diese Synthese gelegt – methodisch, konzeptionell, visionär.

Bedeutung seiner Arbeit für die Zukunft einer erklärbaren, ethischen und benutzergerechten KI

Die Zukunft der Künstlichen Intelligenz hängt nicht allein von Rechenleistung oder Datenverfügbarkeit ab – sie hängt von der Frage ab, wie gut sie mit dem Menschen zusammenspielt. Und genau hier liegt der bleibende Wert der Arbeit von David E. Kieras.

Er hat früh erkannt, dass technologische Intelligenz ohne menschliches Maß intransparent, ineffizient und letztlich gefährlich ist. Seine Modelle ermöglichen es, Systeme zu bauen, die erklären, wie sie funktionieren, warum sie handeln und wie sie dem Nutzer dienen. In einer Zeit, in der KI-Systeme tief in gesellschaftliche Prozesse eingreifen, ist dies keine methodische Option mehr – es ist eine Notwendigkeit.

Die Prinzipien, die Kieras verkörpert – kognitive Plausibilität, strukturelle Erklärbarkeit, nutzerorientierte Gestaltung – sollten deshalb Leitlinien für jede zukünftige KI-Entwicklung sein. Nicht als nostalgische Rückbesinnung, sondern als progressiver Kompass in einem Feld, das Gefahr läuft, seine gesellschaftliche Einbettung zu verlieren.

David E. Kieras bleibt damit ein Vordenker der menschenzentrierten KI – nicht als Figur der Vergangenheit, sondern als Impulsgeber für das, was KI in der Zukunft sein muss: verstehbar, verantwortungsvoll und dem Menschen zugewandt.

Mit freundlichen Grüßen

---

Literaturverzeichnis

Wissenschaftliche Zeitschriften und Artikel

• Kieras, D. E., & Meyer, D. E. (1997).
  An Overview of the EPIC Architecture for Cognitively Realistic Human-Computer Interaction Models.
  Human-Computer Interaction, 12(4), 391–438.
  DOI: 10.1207/s15327051hci1204_4
  → Grundlegende Beschreibung der EPIC-Architektur, ihres Aufbaus und ihrer Relevanz für simulationsbasierte Interaktion.
• Kieras, D. E. (2004).
  Modeling Complex Human Behavior.
  International Journal of Human-Computer Studies, 60(1), 153–161.
  DOI: 10.1016/j.ijhcs.2003.08.003
  → Überblick über Fortschritte in der kognitiven Modellierung komplexer Aufgaben, mit besonderem Fokus auf Systemintegration.
• John, B. E., & Kieras, D. E. (1996).
  The GOMS Family of User Interface Analysis Techniques: Comparison and Contrast.
  ACM Transactions on Computer-Human Interaction, 3(4), 320–351.
  DOI: 10.1145/235833.236051
  → Klassifikation der GOMS-Varianten (Keystroke-Level, NGOMSL, CPM-GOMS) und ihr methodischer Einsatz in Interface-Analysen.
• Kieras, D. E. (2002).
  Using GOMS for User Interface Design and Evaluation: Which Technique?.
  ACM Interactions, 9(6), 28–34.
  DOI: 10.1145/582896.582915
  → Anwendungsempfehlungen für GOMS-Modelle in der praxisorientierten Usability-Forschung.
• Meyer, D. E., Kieras, D. E., Lauber, E. J., Schumacher, E. H., Glass, J. M., Zurbriggen, E. L., … & Strobach, T. (1995).
  Adaptive Executive Control: Flexible Task Scheduling in Dual-Task Performance.
  Psychological Review, 104(1), 3–65.
  DOI: 10.1037/0033-295X.104.1.3
  → Fundamentaler Beitrag zur Erklärung paralleler Verarbeitung in der menschlichen Kognition, Grundlage für EPIC.

Bücher und Monographien

• Kieras, D. E. (1992).
  Designing User and Task Models for User-Centered Interface Design.
  In Helander, M. G. (Hrsg.), Handbook of Human-Computer Interaction (S. 135–158). Elsevier.
  ISBN: 978-0444817410
  → Überblick über Modellierungsansätze in der frühen HCI mit Fokus auf GOMS und nutzerzentrierte Gestaltung.
• Norman, D. A., & Kieras, D. E. (1989).
  The Mental Models Theory of System Operation: Implications for Human-Computer Interaction and Instruction.
  In: Proceedings of the 11th Annual Conference of the Cognitive Science Society.
  → Integration von Kieras’ Erkenntnissen mit Norman’s Theorie mentaler Modelle in der Systembenutzung.
• John, B. E., & Kieras, D. E. (2003).
  Using GOMS for User Interface Design and Evaluation: Which Technique?.
  In Jacko, J., & Sears, A. (Hrsg.), The Human-Computer Interaction Handbook (S. 741–764). Lawrence Erlbaum.
  ISBN: 978-0805838383
  → Didaktisch aufbereitete Darstellung der GOMS-Techniken für die universitäre Lehre und Praxisentwicklung.
• Card, S. K., Moran, T. P., & Newell, A. (1983).
  The Psychology of Human-Computer Interaction.
  Hillsdale, NJ: Lawrence Erlbaum Associates.
  ISBN: 978-0898592435
  → Grundwerk der kognitiven HCI, in späteren Auflagen stark geprägt durch Kieras’ methodische Verfeinerungen.

Online-Ressourcen und Datenbanken

• Faculty-Seite von David E. Kieras – University of Michigan
  https://www.eecs.umich.edu/~kieras/
  → Offizielle Publikationslisten, Software-Downloads, Modellbeschreibungen (u.a. GLEAN-Tools, EPIC-Simulationen).
• Google Scholar Profil von David E. Kieras
  https://scholar.google.com/citations?user=cM9QSnkAAAAJ
  → Übersicht über alle Zitationen, h-index, Koautor:innen-Netzwerke und thematische Forschungsklassen.
• ACM Digital Library
  https://dl.acm.org/author_page.cfm?id=81100449640
  → Peer-Review-Artikel zu GOMS, EPIC, HCI-Methoden mit direktem Zugang zu Originalpublikationen.
• Cognitive Science Society (CogSci)
  https://cognitivesciencesociety.org
  → Tagungsbeiträge von Kieras seit den 1980er Jahren, Teilnahme an Keynote-Diskussionen, HCI-Forschungstransfers.
• Human Factors and Ergonomics Society (HFES) – Technical Group on Cognitive Engineering
  https://www.hfes.org
  → Kieras’ Einfluss auf sicherheitskritische Systeme und kognitive Ergonomie in Luftfahrt, Medizin und Industrie.