Dara Dataset Expert

DaRa Dataset Expert Skill – Version 2.4

Zweck

Dieser Skill ermöglicht Claude die präzise, faktenbasierte Analyse des DaRa-Datensatzes für intralogistische Warehouse-Prozesse. Er kombiniert die Datensatz-Dokumentation mit arbeitswissenschaftlichen Methoden (REFA), formaler Validierungslogik und automatischer Szenarioerkennung.

Der Fokus liegt auf epistemischer Integrität: Alle Antworten basieren ausschließlich auf verifizierten Quellen ohne Halluzinationen, Spekulationen oder Annahmen.

NEU in Version 2.4: Label-Aktivitätsanalyse

Version 2.4 erweitert den Skill um empirische Label-Aktivitätsanalyse:

• Label-Aktivitätsmatrix – Dokumentation aktiver/inaktiver Labels pro Kategorie
• Inaktive Labels identifiziert – CL104, CL109, CL113 sind in S14 nicht vorhanden
• Multi-Label-Quantifizierung – 44.76% der Frames haben 2+ aktive Orders (S7/S8-Detection)
• CL135-Prävalenz – 2.82% Error-Frames für S1/S3-Identifikation
• Optimierte Erkennungslogik – Inaktive Labels können übersprungen werden

NEU in Version 2.3: Flexible Szenarioerkennung

Version 2.3 erweiterte den Skill um:

• Merkmalbasierte Erkennung anhand der 5 Dimensionen (CC06, CC07, CC08, Strategy, Errors)
• Keine harten Grenzen – funktioniert für alle 18 Subjekte ohne Frame-Nummern
• Flexible Reihenfolge – keine Annahme über chronologische Szenario-Abfolge
• Order-Change-Detection für Storage-Blöcke (S4/S5/S6-Unterscheidung)
• Korrigierte Multi-Order-Logik – S7 und S8 haben beide {CL100, CL101}

Datensatz-Umfang:

• 18 Probanden (S01-S18) mit demografischen und Erfahrungsprofilen
• Session-basierte Aufzeichnungen mit 3 parallelen Subjekten pro Session
• 8 Szenarien (S1-S8) für Retrieval- und Storage-Prozesse
• 12 Klassenkategorien (CC01-CC12) mit insgesamt 207 Labels (CL001-CL207)
• REFA-Zeitarten-Mapping ($t_{R}$, $t_{MH}$, $t_{MN}$, $t_{v}$)
• Validierungsregeln (Master-Slave-Abhängigkeiten + Szenario-Validierung)
• BPMN-Prozesslogik für Warehouse-Kommissionierung und Einlagerung

Datensatz-Stand: 20.10.2025 (DaRa Dataset Description)
Skill-Stand: 31.12.2025 (Version 2.3)

Wann diesen Skill nutzen

✅ Verwende diesen Skill für:

1. Strukturelle Datensatz-Fragen

   • "Wie viele Probanden gibt es?"
   • "Wie sind Sessions aufgebaut?"
   • "Welche Szenarien existieren?"
   • "Erkläre die Chunking-Trigger T1-T10"

2. Klassifikations-Queries

   • "Welche Labels gehören zu CC04 (Left Hand)?"
   • "Was ist der Unterschied zwischen CC08, CC09 und CC10?"
   • "Zeige mir alle Tool-Labels"

3. REFA & Arbeitswissenschaft

   • "Welche DaRa-Labels entsprechen der Haupttätigkeit ($t_{MH}$)?"
   • "Wie wird die Erholungszeit basierend auf CC03 berechnet?"
   • "Ist 'Travel Time' eine Nebentätigkeit?"
   • "Berechne die Auftragszeit für ein Szenario"

4. Validierung & Logik

   • "Darf man 'Walking' annotieren, wenn die Beine 'Standing Still' sind?"
   • "Welche Low-Level-Prozesse sind im Retrieval-Prozess erlaubt?"
   • "Prüfe, ob 'Scanning' ohne Scanner-Tool möglich ist."
   • "Welche Abhängigkeiten bestehen zwischen CC01 und CC09?"

5. Prozess-Logik-Analysen

   • "Erkläre den Retrieval-Pfad im BPMN"
   • "Was passiert nach 'Picking Pick Time'?"
   • "Welche Entscheidungspunkte gibt es im Storage-Prozess?"

6. Datenstruktur-Fragen

   • "Wie sind Frames synchronisiert?"
   • "Wie viele Klassendateien hat jedes Subjekt?"
   • "Wie werden Szenarien zeitlich abgegrenzt?"

7. Label-Lookups

   • "Was bedeutet CL115?"
   • "In welcher Kategorie ist 'Portable Data Terminal'?"
   • "Alle Labels für Locations"

8. 🆕 Szenarioerkennung (verbessert in v2.3)

   • "Wie erkenne ich die Szenario-Grenzen in den CSV-Daten?"
   • "Was unterscheidet S2 von S1 und S3?"
   • "Wie funktioniert Multi-Order-Picking?"
   • "Welche IT-Systeme werden in welchen Szenarien verwendet?"
   • "Wie validiere ich ein erkanntes Szenario?"

9. 🆕 Label-Aktivitätsanalyse (NEU in v2.4)

   • "Welche Labels sind in S14 aktiv/inaktiv?"
   • "Wie viele Frames haben mehrere aktive Orders?"
   • "Ist CL104 (Order Unknown) jemals aktiv?"
   • "Wie erkenne ich Multi-Order-Szenarien durch Co-Aktivierung?"
   • "Wie häufig kommt CL135 (Error-Reporting) vor?"

❌ Nutze diesen Skill NICHT für:

• Statistische Analysen (z.B. Häufigkeitsverteilungen) → Erfordert Rohdatenverarbeitung
• Visualisierungen oder Plots → Erfordert externe Tools
• Interpretationen oder Hypothesen → Widerspricht dem Fakten-Prinzip
• Modelltraining oder ML-Code → Außerhalb des Skill-Scopes
• Bild-/Videoanalyse → Keine Videodaten im Skill

Skill-Dateien & Navigation

Der Skill ist modular aufgebaut. Jede Datei deckt einen spezifischen Wissensbereich ab:

📁 Dateistruktur

/mnt/skills/user/dara-dataset-expert/
├── SKILL.md                                    # Diese Datei (Orchestrierung)
├── README.md                                   # Installation & Übersicht
├── knowledge/
│   ├── class_hierarchy.md                      # Alle 12 Kategorien + 207 Labels
│   ├── analytics_refa.md                       # REFA-Zeitarten, Formeln
│   ├── validation_logic.md                     # Basis-Abhängigkeiten
│   ├── validation_logic_extended.md            # 🔄 Szenario-Validierung (V-S1 bis V-S12)
│   ├── processes.md                            # BPMN-Logik CC08-CC10
│   ├── chunking.md                             # Trigger T1-T10
│   ├── semantics.md                            # Semantische Grundprinzipien
│   ├── scenarios.md                            # Szenarien S1-S8 (Beschreibungen)
│   ├── ground_truth_matrix.md                  # Table 3 Ground Truth
│   ├── scenario_label_states.md                # 🆕 Aktiv/Inaktiv pro Szenario (v2.4)
│   ├── picking_strategies.md                   # 🔄 Single vs. Multi-Order (korrigiert)
│   ├── scenario_boundary_detection.md          # 🔄 Erkennungsalgorithmus (überarbeitet)
│   ├── label_activity_matrix.md                # 🆕 Aktive/Inaktive Labels (v2.4)
│   ├── dataset_core.md                         # Probanden, Hardware
│   └── data_structure.md                       # Frames, Synchronisation
└── templates/
    ├── query_patterns.md                       # Häufige Fragetypen
    └── scenario_report_template.md             # Szenario-Bericht-Format

🧭 Navigationslogik

Schritt 1: Frage klassifizieren & Datei laden

# 1. REFA / Arbeitswissenschaft / Zeiten

if "REFA" or "Zeitart" or "Erholung" or "Kalkulation" or "t_MH" or "t_R" in query:
    view("knowledge/analytics_refa.md")

# 2. Validierung / Logik / Regeln / Konsistenz

elif "Validierung" or "Logik" or "Konsistenz" or "Regel" or "Darf ich" or "gültig" in query:
    view("knowledge/validation_logic.md")
    view("knowledge/validation_logic_extended.md")

# 3. Label-Lookup / Definitionen

elif "CC" + number or "CL" + number or "Was ist" + Labelname in query:
    view("knowledge/class_hierarchy.md")

# 4. Prozess-Ablauf / BPMN

elif "Prozess" or "Ablauf" or "nach dem Schritt" or "High-Level" or "BPMN" in query:
    view("knowledge/processes.md")

# 5. Chunking / Trigger

elif "Chunk" or "Trigger" or "Segmentierung" or "T1" to "T10" in query:
    view("knowledge/chunking.md")

# 6. Szenarien (Beschreibungen)

elif "Szenario" or "S1" to "S8" in query:
    view("knowledge/scenarios.md")

# 7. Szenarioerkennung / Grenzen / Ground Truth

elif "Grenze" or "erkennen" or "Ground Truth" or "Table 3" or "Boundary" in query:
    view("knowledge/ground_truth_matrix.md")
    view("knowledge/scenario_boundary_detection.md")

# 7b. Szenario-Label-Zustände (aktiv/inaktiv pro Szenario)

elif "aktiv" or "inaktiv" or "Szenario" + "Label" or "welche Labels" + "Szenario" in query:
    view("knowledge/scenario_label_states.md")

# 8. Label-Aktivität / Inaktive Labels / Multi-Label

elif "aktiv" or "inaktiv" or "Label-Status" or "CL104" or "CL109" or "CL113" or "Multi-Label" in query:
    view("knowledge/label_activity_matrix.md")

# 9. Picking Strategy / Multi-Order / Single-Order

elif "Picking" or "Multi-Order" or "Single-Order" or "Order-Wechsel" in query:
    view("knowledge/picking_strategies.md")

# 10. IT-System / PDT / Scanner

elif "IT" or "PDT" or "Scanner" or "CC07" or "CL105" or "CL106" or "CL107" in query:
    view("knowledge/ground_truth_matrix.md")

# 11. Semantik / Abhängigkeiten

elif "Semantik" or "Abhängigkeit" or "Bedeutung" in query:
    view("knowledge/semantics.md")

# 12. Probanden / Subjekte

elif "Proband" or "Subjekt" or "S01" to "S18" in query:
    view("knowledge/dataset_core.md")

# 13. Frames / Datenstruktur

elif "Frame" or "Synchronisation" or "CSV" in query:
    view("knowledge/data_structure.md")

# 13. Grundlagen / Fallback

else:
    view("knowledge/dataset_core.md")

Schritt 2: Präzise antworten

• Nur dokumentierte Fakten verwenden
• Label-IDs korrekt zitieren (z.B. "CL115")
• Verwende Fachbegriffe aus den Dateien (z.B. "Master-Slave", "$t_{MN}$")
• Quelle angeben (z.B. "Gemäß Regel V-S1 in validation_logic_extended.md...")

🔄 Szenarioerkennung (überarbeitet in v2.3)

Ground-Truth-Übersicht (Table 3)

Die Szenarioerkennung basiert auf 5 Dimensionen aus Table 3 des DaRa-Papers:

Eindeutige Identifikatoren

Wichtige Hinweise (v2.3)

1. CL112/CL113 sind KEINE Szenarien → Übergangsphasen filtern!
2. S4/S5/S6-Unterscheidung nur durch Order innerhalb Storage → Order-Wechsel prüfen
3. Multi-Label-Annotation bei CC06 → Set-basierte Analyse erforderlich
4. S7 und S8 haben dieselben 2 Orders: 2904 + 2905 (CL100 + CL101)
5. Keine harten Grenzen: Keine Frame-Nummern, keine feste Szenario-Anzahl
6. Flexible Reihenfolge: Szenarien können in beliebiger Reihenfolge auftreten

Antwort-Prinzipien

1. Unterscheidung Datensatz vs. Methode

Unterscheide klar zwischen dem, was annotiert ist (DaRa), und dem, was methodisch abgeleitet wird (REFA).

❌ Falsch: "CC09 ist die Haupttätigkeit."
✅ Richtig: "CC09 'Pick Time' wird im REFA-Kontext auf die Haupttätigkeit ($t_{MH}$) gemappt."

2. Terminologie-Standard

✅ Korrekt:

• "CC04 – Sub-Activity: Left Hand"
• "Label CL115: Picking – Travel Time"
• "Kategorie CC09 (Mid-Level Process)"

❌ Falsch:

• "Linke Hand" (ohne CC04)
• "CL-115" (falsches Format)
• "Mid-level" (inkonsistente Schreibweise)

3. Formale Korrektheit

Bei Validierungsfragen immer die formale Regel nennen: "Das ist ungültig, weil Regel V-S1 (IT-Konsistenz) besagt, dass S2 PDT (CL107) haben muss..."

4. Hierarchie beachten

CC08 High-Level     → CL110 Retrieval / CL111 Storage
    ↓
CC09 Mid-Level      → CL115 Picking Travel / CL116 Picking Pick
    ↓
CC10 Low-Level      → CL139 Retrieving Items / CL137 Moving to Next Position

5. Quellenangaben

Jede Aussage muss referenziert werden:

• "Laut Ground Truth Matrix (ground_truth_matrix.md) hat S2 als IT-System PDT (CL107)"
• "Gemäß Regel V-S7 in validation_logic_extended.md ist PDT S2-exklusiv"

Grenzen des Skills

Was der Skill NICHT kann:

1. Statistische Berechnungen – Keine Rohdaten verfügbar
2. Bildanalyse – Keine Videodaten im Skill
3. Modellentwicklung – Außerhalb des Scopes
4. Unvollständige Abschnitte:
   • Abschnitt 1.2 (Physische Umgebung) nicht ausgearbeitet
   • Abschnitt 1.3 (Laboraufbau) nicht verfügbar

Was der Skill NICHT annimmt (v2.3):

• Keine feste Szenario-Anzahl pro Subjekt
• Keine chronologische Reihenfolge der Szenarien
• Keine Frame-Nummern als Grenzen
• Keine subjektspezifischen Werte

Quick Reference: Kategorie-Übersicht

Gesamt: 12 Kategorien, 207 Labels, 47 Prozesse, 8 Szenarien, 10 Trigger

★ = Erkennungsrelevant für Szenarien S1-S8

Metadaten

Skill-Version: 2.3
Erstellt: 04.12.2025
Update: 31.12.2025
Datensatz-Stand: 20.10.2025
Quelle: DaRa Dataset Description (Offizielle Dokumentation)

Enthaltene Module:

• REFA-Methodik (analytics_refa.md)
• Validierungslogik (validation_logic.md, validation_logic_extended.md)
• Szenarioerkennung (ground_truth_matrix.md, scenario_boundary_detection.md)
• Picking Strategies (picking_strategies.md)
• Chunking (chunking.md)
• Prozesslogik (processes.md)

Autor: DaRa Expert System
Wartung: Bei Aktualisierungen der Dataset Description überarbeiten

Änderungshistorie