Cédric Roussel hat am 23. April 2026 seine Dissertation mit dem Titel A Framework for Explainable Artificial Intelligence in Geospatial Contexts erfolgreich verteidigt. Die Arbeit entstand im Rahmen des Projekts TOPML und wurde an der Technischen Fakultät der Albert-Ludwigs-Universität Freiburg betreut. Wir gratulieren Cédric sehr herzlich zu diesem tollen Erfolg!
Klaus Böhm und Cédric Roussel, Foto: Ulrike Roussel, Doktorhut, Foto: Kira Zschiesche), CC BY-SA 4.0
In seiner Arbeit untersuchte er die Transparenz komplexer Machine-Learning-Modelle im räumlichen Kontext. Ziel war es, neue Methoden und Erkenntnisse zu gewinnen, um die auch als Black-Box-Modelle bezeichneten Systeme für Menschen verständlicher zu machen. Hierzu gibt es das Forschungsfeld Explainable Artificial Intelligence (XAI).
Neben den bekannten globalen und lokalen Erklärungen von XAI entwickelte Cédric Roussel eine neuartige Methode, die auf sogenannten glokalen Erklärungen basiert. Diese Erklärungen füllen eine Lücke zwischen den beiden bekannten Extremen und ermöglichen durch Aggregation von lokalen Erklärungen, dass ein Fokus auf definierte räumliche Faktoren gesetzt werden kann. Die neu entwickelten Methoden und Ergebnisse hat Roussel in zwei neuen Ansätzen visualisiert, einer davon als Geovisualisierung. Eine Nutzerevaluation zeigte den deutlichen Vorteil dieser Visualisierung im Vergleich zu einfachen Ergebnis-Tabellen.
Zur praktischen Anwendung und Validierung der entwickelten Methoden nutze Cédric Roussel drei reale Anwendungsfälle. In Hamburg konnte er mithilfe seiner Methode die Buchungszahlen an ca. 200 Fahrradverleihstationen vorhersagen und das Nutzerverhalten analysieren. Dasselbe Verfahren konnte er am Beispiel von zehn Parkhäusern in Mainz anwenden. Im dritten Anwendungsfall ging es um die Entwicklung eines Modells, das die Schwere von Verkehrsunfällen bestimmt. Anschließend untersuchte Roussel, welche Faktoren dazu beitragen, dass ein Verkehrsunfall gefährlicher ausgeht, um Maßnahmen zur Prävention zu ermöglichen.
Die Dissertation leistet einen wichtigen Beitrag zur Verbesserung der Transparenz komplexer Machine-Learning-Modelle und liefert neue Methoden, die speziell für Anwendungsfälle mit räumlichem Kontext geeignet sind.
Die Arbeit wurde von Prof. Dr. Alexander Reiterer (Erstbetreuer und Erstgutachter) und Prof. Dr. Klaus Böhm (Zweitbetreuer und Drittgutachter) betreut, und zusätzlich zu den Betreuern von Prof. Dr. Nina Hubig (Zweitgutachterin) begutachtet. Das Promotionsverfahren wurde von Prof. Dr. Ulrike Wallrabe (Vorsitzende der Kommission) und Prof. Dr. Daniel Carl (Beisitzer) begleitet.
