Claude Code Plugins

Community-maintained marketplace

Feedback

dara-dataset-expert

@mpone1909/dara-knowledge
0
0

Warehouse-Prozess-Analyse mit 207 Labels, 47 Prozessen, 8 Szenarien, 10 Triggern. Vollständige Expertise für DaRa Datensatz + REFA-Methodik + Validierungslogik + Szenarioerkennung. 100% faktenbasiert ohne Halluzinationen.

Install Skill

1Download skill
2Enable skills in Claude

Open claude.ai/settings/capabilities and find the "Skills" section

3Upload to Claude

Click "Upload skill" and select the downloaded ZIP file

Note: Please verify skill by going through its instructions before using it.

SKILL.md

name dara-dataset-expert
description Warehouse-Prozess-Analyse mit 207 Labels, 47 Prozessen, 8 Szenarien, 10 Triggern. Vollständige Expertise für DaRa Datensatz + REFA-Methodik + Validierungslogik + Szenarioerkennung. 100% faktenbasiert ohne Halluzinationen.

DaRa Dataset Expert Skill – Version 2.6

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 2.5: Label-Aktivitätsanalyse

NEU in Version 2.5: CC09-Integration & "Other"-Erkennung

Version 2.5 korrigiert kritische Inkonsistenzen mit dem DaRa-Paper:

  • CC09 als primäre Erkennungsdimension – Mid-Level-Prozesse unterscheiden Retrieval (Picking) von Storage (Unpacking)
  • "Other"-Restkategorie aktiv erkennbar – verhindert False-Positives bei S1-S8
  • Frame-Level-Prüfung aller Labels – jeder Frame wird individuell klassifiziert
  • CC10 korrekt als sekundär – nur CL135 für Error-Detection
  • Hierarchie dokumentiert – CC08 → CC09 → CC10

Breaking Changes: Keine – alle S1-S8 Definitionen bleiben identisch

Version 2.5 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: 07.01.2026 (Version 2.6)

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/
│   ├── core/
│   │   ├── ground_truth_central.md             # 🆕 Zentrale Ground Truth (S1-S8, Matrix, Profile)
│   │   ├── labels_207.md                       # Alle 12 Kategorien + 207 Labels (ehem. class_hierarchy.md)
│   │   ├── recognition_algorithm_v2.6.md       # 🆕 Vollständiger Algorithmus (Score + Hybrid-Logic)
│   │   └── validation_rules.md                 # 🆕 Alle Validierungsregeln (Merge)
│   ├── processes/
│   │   ├── process_hierarchy.md                # BPMN-Logik CC08-CC10 (ehem. processes.md)
│   │   └── refa_analytics.md                   # REFA-Zeitarten, Formeln (ehem. analytics_refa.md)
│   ├── auxiliary/
│   │   ├── chunking.md                         # Trigger T1-T10
│   │   ├── data_structure.md                   # Frames, Synchronisation
│   │   ├── dataset_core.md                     # Probanden, Hardware
│   │   └── semantics.md                        # Semantische Grundprinzipien
│   └── changelogs/
│       ├── CHANGELOG_v2.3_to_v2.4.md
│       ├── CHANGELOG_v2.4_to_v2.5.md
│       └── CHANGELOG_v2.5_to_v2.6.md           # 🆕 Hybrid-Logic + Score-System
└── 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/processes/refa_analytics.md")

# 2. Validierung / Logik / Regeln / Konsistenz

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

# 3. Label-Lookup / Definitionen

elif "CC" + number or "CL" + number or "Was ist" + Labelname in query:
    view("knowledge/core/labels_207.md")

# 4. Prozess-Ablauf / BPMN

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

# 5. Chunking / Trigger

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

# 6. Szenarien (Beschreibungen)

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

# 7. Szenarioerkennung / Grenzen / Ground Truth

elif "Grenze" or "erkennen" or "Ground Truth" or "Table 3" or "Boundary" in query:
    view("knowledge/core/ground_truth_central.md")
    view("knowledge/core/recognition_algorithm_v2.6.md")

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

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

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

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

# 10. IT-System / PDT / Scanner

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

# 11. Semantik / Abhängigkeiten

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

# 12. Probanden / Subjekte

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

# 13. Frames / Datenstruktur

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

# 13. Grundlagen / Fallback

else:
    view("knowledge/auxiliary/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:

Szenario High-Level (CC08) Picking Strategy IT (CC07) Order (CC06) Errors
S1 Retrieval (CL110) Single-Order List+Pen (CL105) 2904 (CL100) Ja
S2 Retrieval (CL110) Single-Order PDT (CL107) 2905 (CL101) Nein
S3 Retrieval (CL110) Single-Order Scanner (CL106) 2906 (CL102) Ja
S4 Storage (CL111) Single-Order List+Pen (CL105) 2904 (CL100) Nein
S5 Storage (CL111) Single-Order List+Pen (CL105) 2905 (CL101) Nein
S6 Storage (CL111) Single-Order List+Pen (CL105) 2906 (CL102) Nein
S7 Retrieval (CL110) Multi-Order List+Pen (CL105) 2904 + 2905 Nein
S8 Storage (CL111) Multi-Order List+Pen (CL105) 2904 + 2905 Nein

Eindeutige Identifikatoren

Szenario Merkmal Erkennungsregel
S2 PDT (CL107) if CC07 == CL107 → S2 (100% eindeutig)
S3 Scanner (CL106) if CC07 == CL106 → S3 (100% eindeutig)
S7 Multi-Order + Retrieval if orders == {CL100,CL101} AND CC08 == CL110 → S7
S8 Multi-Order + Storage if orders == {CL100,CL101} AND CC08 == CL111 → S8

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

Kategorie Bezeichnung Anzahl Labels Label-Range Erkennungs-Relevanz
CC01 Main Activity 15 CL001-CL015 Fallback / Validierung
CC02 Legs 8 CL016-CL023 Indirekt
CC03 Torso 6 CL024-CL029 Indirekt
CC04 Left Hand 35 CL030-CL064 Indirekt
CC05 Right Hand 35 CL065-CL099 Indirekt
CC06 Order 5 CL100-CL104 ★ Szenario-Merkmal
CC07 IT 5 CL105-CL109 ★ Szenario-Merkmal
CC08 High-Level Process 4 CL110-CL113 ★ Szenario-Merkmal
CC09 Mid-Level Process 10 CL114-CL123 Prozess-Validierung
CC10 Low-Level Process 31 CL124-CL154 ★ Error-Flag (CL135)
CC11 Location Human 26 CL155-CL180 Räumliche Ergänzung
CC12 Location Cart 27 CL181-CL207 Räumliche Ergänzung

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

★ = Erkennungsrelevant für Szenarien S1-S8

Metadaten

Skill-Version: 2.6
Erstellt: 04.12.2025
Update: 07.01.2026
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

Version Datum Änderungen
1.0 04.12.2025 Initiale Version
1.1 05.12.2025 Chunking-Logik, Szenario-Details
1.2 08.12.2025 Prozess-Details erweitert
1.3 15.12.2025 Semantik-Dokumentation
1.4 23.12.2025 Validierungslogik, REFA-Analytik
1.4.1 23.12.2025 Bugfixes, Terminologie
2.0 30.12.2025 Ground Truth, Szenarioerkennung, Picking Strategies
2.3 31.12.2025 Flexible Szenarioerkennung ohne harte Grenzen, S8 Order-Set korrigiert, keine feste Szenario-Anzahl
2.6 07.01.2026 Hybrid-Identification-Logic für S1-S6, Evidence-Based Scoring (CC10-Marker), CL134 als Global Interrupt, CL103+CL108 als "Other", LOGIC v8-Kompatibilität vollständig