Léon Dankert
Léon Dankert has a total of 7 co-authors. Here are the top co-authors by number of shared publications:
- K. Valerie Carl
Goethe University Frankfurt, Chair of Information Systems and Information Management
2 shared publications - Oliver Thomas
German Research Center for Artificial Intelligence,Osnabrck,Germany
2 shared publications - Tobias Dreesbach
German Research Center for Artificial Intelligence (DFKI), Osnabrück, Germany
2 shared publications - Aaron Witzki
Goethe University Frankfurt, Frankfurt am Main, Germany
1 shared publication - Constantin Brîncoveanu
Goethe University Frankfurt, Chair of Information Systems and Information Management
1 shared publication - Dennis Maecker
German Research Center for Artificial Intelligence (DFKI)
1 shared publication
Latest Publications
- Open Access
- 20 May 2026
- Published by Springer Fachmedien Wiesbaden GmbH in HMD Praxis der Wirtschaftsinformatik
- Vol. 63 (4) , 826-840
Vom Datenmonopol zur Datensouveränität – Selbstbestimmte Datenflüsse als Treiber digitaler Verantwortung
Zusammenfassung: Die Verfügbarkeit qualitativ hochwertiger Daten über Unternehmensgrenzen hinweg ist eine Grundvoraussetzung für die Entwicklung fairer und zuverlässiger KI-basierter Systeme. Bestehende Datenökosysteme fokussieren jedoch primär den Austausch zwischen Unternehmen, während Endnutzende als Datenerzeugende weitgehend passive Akteure bleiben. Um Endnutzenden eine faire Datensouveränität zu ermöglichen, ergibt sich die Notwendigkeit neuer Ansätze. Dieses Paper untersucht, wie Governance-Mechanismen gestaltet werden müssen, um Datensouveränität, Datenverfügbarkeit, Transparenz und Nachvollziehbarkeit zu vereinen und somit aus Sicht von Corporate Digital Responsibility (CDR) verantwortungsvolle Systeme sicherzustellen. Basierend auf konzeptionellen Überlegungen zu dezentraler Datenhaltung und einer Analyse von Anwendungsfällen aus dem Bereich Smart Living wird ein Governance-Framework erarbeitet. Das Framework strukturiert zentrale Rollen, Prozesse und Mechanismen entlang des Datenlebenszyklus und ermöglicht eine systematische Bewertung hinsichtlich Umsetzbarkeit, Wirksamkeit und Beitrag zur Datenverfügbarkeit. Zudem werden praxisnahe Ansätze zur Umsetzung von Datensouveränität über reine regulatorische Mindestanforderungen der DSGVO hinaus aufgezeigt. Das Paper liefert damit einen Beitrag zu CDR für Datenökosysteme sowie zur Gestaltung fairer Datenakquise in KI-Kontexten.
- 20 May 2026
- Published by Springer Fachmedien Wiesbaden GmbH in HMD Praxis der Wirtschaftsinformatik
- Vol. 63 (4) , 826-840
Open AccessVom Datenmonopol zur Datensouveränität – Selbstbestimmte Datenflüsse als Treiber digitaler Verantwortung
Zusammenfassung: Die Verfügbarkeit qualitativ hochwertiger Daten über Unternehmensgrenzen hinweg ist eine Grundvoraussetzung für die Entwicklung fairer und zuverlässiger KI-basierter Systeme. Bestehende Datenökosysteme fokussieren jedoch primär den Austausch zwischen Unternehmen, während Endnutzende als Datenerzeugende weitgehend passive Akteure bleiben. Um Endnutzenden eine faire Datensouveränität zu ermöglichen, ergibt sich die Notwendigkeit neuer Ansätze. Dieses Paper untersucht, wie Governance-Mechanismen gestaltet werden müssen, um Datensouveränität, Datenverfügbarkeit, Transparenz und Nachvollziehbarkeit zu vereinen und somit aus Sicht von Corporate Digital Responsibility (CDR) verantwortungsvolle Systeme sicherzustellen. Basierend auf konzeptionellen Überlegungen zu dezentraler Datenhaltung und einer Analyse von Anwendungsfällen aus dem Bereich Smart Living wird ein Governance-Framework erarbeitet. Das Framework strukturiert zentrale Rollen, Prozesse und Mechanismen entlang des Datenlebenszyklus und ermöglicht eine systematische Bewertung hinsichtlich Umsetzbarkeit, Wirksamkeit und Beitrag zur Datenverfügbarkeit. Zudem werden praxisnahe Ansätze zur Umsetzung von Datensouveränität über reine regulatorische Mindestanforderungen der DSGVO hinaus aufgezeigt. Das Paper liefert damit einen Beitrag zu CDR für Datenökosysteme sowie zur Gestaltung fairer Datenakquise in KI-Kontexten.
- 9 September 2025
- Published by Institute of Electrical and Electronics Engineers (IEEE)
- p. 1-10
Toward Consistent Data Quality Assessment in Heterogeneous Smart Living Systems
As data-driven applications gain traction in smart living environments, ensuring high data quality becomes a critical prerequisite for reliable analytics and Artificial Intelligence (AI)based services. However, due to the wide range of hardware and software providers as well as the variety of use cases in the smart living domain, the resulting data are characterized by highly heterogeneous structures and nesting levels. The diversity of systems, their strong reliance on context, and the rapid growth of Internet of Things (IoT) devices make it difficult to ensure consistency, accuracy, and reliability in data quality assessments within smart living environments. This paper addresses the need for a consistent assessment of data quality within heterogeneous smart living datasets. We present a prototype that generates quality reports for datasets with an unknown structure based on established data quality metrics A Large Language Model component generates structured metadata describing the dataset's structure and suggesting applicable quality checks, which then serve as input for an implemented code base to perform standardized quality checks. This approach not only supports the assessment of data quality within individual organizations but also facilitates cross-organizational assessments, enabling better comparability and evaluation of datasets from different sources or providers. The prototype was evaluated using a variety of synthetic and real-world smart living datasets. The results demonstrate the feasibility of the proposed approach, although certain limitations remain, which are discussed in detail within the paper.
- 9 September 2025
- Published by Institute of Electrical and Electronics Engineers (IEEE)
- p. 1-10
Toward Consistent Data Quality Assessment in Heterogeneous Smart Living Systems
As data-driven applications gain traction in smart living environments, ensuring high data quality becomes a critical prerequisite for reliable analytics and Artificial Intelligence (AI)based services. However, due to the wide range of hardware and software providers as well as the variety of use cases in the smart living domain, the resulting data are characterized by highly heterogeneous structures and nesting levels. The diversity of systems, their strong reliance on context, and the rapid growth of Internet of Things (IoT) devices make it difficult to ensure consistency, accuracy, and reliability in data quality assessments within smart living environments. This paper addresses the need for a consistent assessment of data quality within heterogeneous smart living datasets. We present a prototype that generates quality reports for datasets with an unknown structure based on established data quality metrics A Large Language Model component generates structured metadata describing the dataset's structure and suggesting applicable quality checks, which then serve as input for an implemented code base to perform standardized quality checks. This approach not only supports the assessment of data quality within individual organizations but also facilitates cross-organizational assessments, enabling better comparability and evaluation of datasets from different sources or providers. The prototype was evaluated using a variety of synthetic and real-world smart living datasets. The results demonstrate the feasibility of the proposed approach, although certain limitations remain, which are discussed in detail within the paper.