Pierre Maier wird im Rahmen der 44. Internationalen Konferenzen zur konzeptuellen Modellierung (ER 2025) einen Vortrag zum Thema “Model Deepening with Large Language Models: Insights from Exploratory Studies with ChatGPT” (deutsch: “Modelvertiefung mit großen Sprachmodellen: Erkenntnisse aus explorativen Studien mit ChatGPT”) halten. Der Artikel wurde zusammen mit Vicky Kadziolka verfasst.

Obwohl die Vorteile von Mehrebenenmodellierung bereits für viele Anwendungsbereiche aufgezeigt wurden, findet Merhebenemodellierung in der betrieblichen Praxis kaum Anwendung. Das liegt u.a. daran, dass die Erstellung von Mehrebenenmodellen einen aufwändigen und fehleranfälligen Neuerstellungsaufwand mit sich zieht. Obwohl der Einsatz von großen Sprachmodellen (engl.: large language models, LLMs) bereits für viele Bereiche der konzeptuellen Modellierung untersucht wurde, gibt es bis dato keine Untersuchungen wie LLMs die Erstellung von Mehrebenenmodellen unterstützen kann. In diese Beitrag berichten wir über Experimente, die die Neuerstellung von tiefen Mehrebenenmodellen aus flachen Zweiebenenmodellen zum Ziel hat – den Prozess dieser Neuerstellung bezeichnen wir als Modellvertiefung. Dabei wurde ChatGPT für die Mehrebenensprache FMMLx verwendet. Unsere Ergebnisse deuten an, dass ChatGPT zwar in einigen Bereichen signifikante Unterstützung anbieten kann (bspw. bei dem Vergleich von Label-Bedeutungen oder bei der Identifikation von Typ-Objekt-Musterns), die Nutzung von ChatGPT jedoch auch massiven Herausforderungen unterliegt. So werden teilweise fehlerbehaftete Modelle erstellt, indem einzelne Modelleigenschaften durch ChatGPT einfach überschrieben oder entfernt werden. Zukünftige Forschung sollte eine übergreifende Modellviertiefungsmethode entwicklen, die wahrscheinlichkeitsbasierte Quellen, wie ChatGPT, mit regelbasierten Algorithmen verbindet. Dabei sollte auch die Rolle des Domanenexperten, welcher Ergebnisse ablehnt oder akzeptier, näher erörtert werden.