Wissenschaftliche Arbeiten

Informelles Lernen ist der Schlüssel zur Lösung unklar definierter Probleme im englischen Gesundheitswesen, wie etwa der Umsetzung offizieller Empfehlungen in der Praxis. Allerdings hindert der stressige Arbeitsalltag die interdisziplinäre Praxisgemeinschaft ihre Erfahrungen aufzuarbeiten und gemeinsam den besten Lösungsweg auszuhandeln. Die Entwicklung unterstützender Tools bedarf eines Verständnisses der kognitiven Prozesse von Sense und Meaning Making im Erfahrungslernen, welche bisher aber nur in formellen Lernkontexten oder ohne Einbezug von Erfahrungen am Arbeitsplatz untersucht wurden. Zur Untersuchung dieser kognitiven Prozesse im Rahmen des informellen Lernens am Arbeitsplatz und gleichzeitiger Entwicklung technischer Unterstützung habe ich Design-based Research ausgewählt und eine systematische Methode zum kollaborativen Design von Tools ersonnen. Die Methode stellt die Praxis in den Mittelpunkt, leitet die Analyse der Appropriation von latenten Handlungsoptionen an und zielt auf reproduzierbare kreuzvalidierte Forschungseinsichten über Domäne, kognitive Theorien und Design ab. Durch die Einbindung der End-AnwenderInnen wird eine hohe Praxisrelevanz und Akzeptanz des designten Tools sichergestellt. Nach einer Ermittlung des praktischen, technischen und theoretischen Standes der Forschung wurde durch das kollaborative Design und die Analyse der Appropriation von Papier- bis hin zu Softwareprototypen in acht Iterationen das „Bits & Pieces“ Tool entwickelt. Parallel hat dieser Prozess zum Verständnis der Arbeits- und Lernpraxis im englischen Gesundheitswesen sowie einem kognitiven Modell von Sensemaking, Meaning Making und interdisziplinärer Teamarbeit im informellen Lernen geführt. Die Ergebnisse können in zukünftigen Forschungsvorhaben und in der Entwicklung von Lerntechnologien verwendet werden. Weiters hat die Studie zur Erhöhung der digitalen Kompetenz der teilnehmenden ExpertInnen geführt, was auch zur eigenmächtigen Verbesserung der Situation befähigt.

Semiconductor manufacturing is a highly complex and competitive branch of industry, comprising hundreds of process steps, which do not allow any deviations from the specification. Depending on the application area of the products, the production chain is subject to strict quality require- ments. While heading towards industry 4.0, automation of production workflows is required and hence, even more effort must be spent on controlling the processes accordingly. The need for data-driven indicators supporting human experts via monitoring the production process is inevitable, but lacks adequate solutions exploiting both, profound academic methodologies and domain-specific know-how. In many cases, process deviations cannot be detected automatically during the semiconductor frontend production. Hence, the wafer test stage at the end of frontend manufacturing plays a key role to determine whether preceding process steps were executed with the necessary precision. The analysis of these wafer test data is challenging, since process deviations can only be detected by investigating spatial dependencies (patterns) over the wafer. Such patterns become visible, if devices on the wafer violate specification limits of the product. In this work, we go one step further and investigate the automated detection of process patterns in data from analog wafer test parameters, i.e. the electrical measurements, instead of pass/fail classifications, which brings the benefit that deviations can be recognized before they result in yield loss - this aspect is a clear difference to state-of-the-art research, where merely specification violations are observed. For this purpose, an indicator for the level of concern associated with process patterns on the wafer, a so-called Health Factor for Process Patterns, is presented. The indicator combines machine learning techniques and expert knowledge. In order to develop such a Health Factor, the problem is divided into three major components, which are investigated separately: recognition of the pattern type, quantification of the intensity of a pattern and specification of the criticality associated with each pattern type. Since the first two components are intrinsically present in the wafer test data, machine learning systems are deployed for both, while criticality is specified by introducing expert and domain knowledge to the concept. The proposed decision support system is semi-automated and thus, unifies pattern recognition and expert knowledge in a promising way. The effectiveness of the proposed Health Factor is underlined by experiments conducted on simulated as well as real-world datasets. The evaluations show that the system is not only mathematically valid, but also practically applicable and fulfills the demands raised by a real- world production environment. Moreover, the indicator can be transferred to various product types or even related problem setups given a reliable training dataset.