Das Teilvorhaben "Vorgehensmodell zur Erstellung agiler Lernmodule mittels Data Mining" wurde an der Professur für Werkzeugmaschinenentwicklung und adaptive Steuerungen der Technischen Universität Dresden im Rahmen des Verbundprojekts "Vom konventionellen Produktionswerk zum resilienten Kompetenz-Werk durch Industrie 4.0 (Werk 4.0) durchgeführt. Ziel des Vorhabens war die Entwicklung, prototypische Umsetzung und wissenschaftliche Evaluation eines datengetriebenen Vorgehensmodells zur kontinuierlichen Erstellung, Aktualisierung und Bereitstellung qualifikationsrelevanter Lern- und Informationsinhalte in industriellen Produktionsumgebungen. Ausgangspunkt der Arbeiten war die zunehmende Dynamik moderner Produktionssysteme. Änderungen an Produkten, Prozessen, technischen Dokumentationen, Softwareständen und organisatorischen Rahmenbedingungen führen zu fortlaufend veränderten Qualifikationsanforderungen, die mit klassischen Schulungs- und Weiterbildungsansätzen nur eingeschränkt adressiert werden können. Vor diesem Hintergrund wurde die Vision einer datengetriebenen Inline-Qualifizierung verfolgt, bei der Qualifizierungsbedarfe unmittelbar aus realen Änderungen innerhalb der Produktions- und Informationslandschaft abgeleitet werden. Im Rahmen des Vorhabens wurde ein durchgängiges und modular aufgebautes Vorgehensmodell entwickelt, das Verfahren des Forschungsdatenmanagements, der Datenanalyse, der Informationsextraktion, der Änderungsdetektion sowie der rollen- und situationsabhängigen Wissensbereitstellung miteinander verbindet. Grundlage hierfür bildet die systematische Erschließung qualifikationsrelevanter Informationen aus heterogenen industriellen Datenquellen wie technischen Dokumentationen, Arbeits- und Montageanweisungen, Prozessinformationen und multimedialen Informationsbeständen. Ein wesentlicher Schwerpunkt lag auf der Entwicklung einer qualitätsgesicherten und dynamisch aktualisierbaren Informationsbasis sowie auf Verfahren zur automatisierten Analyse evolvierender Informationsbestände. Hierzu wurden Methoden zur Metadatenmodellierung, Datenorganisation, semantischen Informationsverarbeitung, Änderungsanalyse und reproduzierbaren Verarbeitung versionierter Informationszustände entwickelt und untersucht. Die entwickelten Methoden und Softwarekomponenten wurden in einer modularen Demon\-strator- und Experimentierumgebung umgesetzt und in mehreren iterativen Evaluierungsphasen gemeinsam mit den Projektpartnern erprobt. Die Ergebnisse belegen die grundsätzliche technische Machbarkeit datengetriebener Inline-Qualifizierung und zeigen, dass automatisierte Verfahren zur Identifikation, Aufbereitung und Aktualisierung qualifikationsrelevanter Informationen einen wichtigen Beitrag zur Wandlungsfähigkeit, Resilienz und Lernfähigkeit moderner Produktionssysteme leisten können. Neben den technischen Ergebnissen wurden nachhaltige Grundlagen für Forschung, Transfer und Nachnutzung geschaffen. Hierzu zählen insbesondere eine Forschungsdateninfrastruktur, offene und modulare Architekturkonzepte, wissenschaftlich fundierte Methoden zur Verarbeitung evolvierender Informationsbestände sowie die Verankerung der Ergebnisse in wissenschaftlichen Publikationen, Open-Access-Veröffentlichungen und weiterführenden Forschungsarbeiten. Das Vorhaben leistet damit einen eigenständigen wissenschaftlichen Beitrag an der Schnittstelle von Forschungsdatenmanagement, Wissensmanagement, Industrie 4.0 und datengetriebener Qualifizierung. Die entwickelten Konzepte schaffen eine belastbare Grundlage für zukünftige Forschungs- und Entwicklungsarbeiten im Bereich adaptiver, wissensbasierter und menschenzentrierter Qualifizierungssysteme in digitalen Produktionsumgebungen.