LARGA: Maschinelles Lernen von Axiomen aus monologischen und dialogischen Texten

• Antragsteller: Professor Dr. Manfred Stede; Professor Dr. Benno Stein
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Allgemeine und Vergleichende Sprachwissenschaft, Experimentelle Linguistik, Typologie, Außereuropäische Sprachen
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 455911521

In vielen Situationen des realen Lebens, von politischen Debatten bis hin zum Schreiben von Essays, hängt die Überzeugungskraft einer Argumentation nicht nur von der Auswahl der besten Argumente ab, sondern auch von der Strategie, Argumente zu präsentieren. In diesem Zusammenhang interessiert beispielsweise: In welcher Reihenfolge sollen die Argumente in einem Text auftauchen? Welche Regeln bzw. Konventionen stehen hinter diesen Entscheidungen? Auf welche Weise trägt eine bestimmte Argumentreihenfolge dazu bei, die Akzeptanz des Autorstandpunktes zu erhöhen? Gibt es dabei Prinzipien, die unabhängig von der Textsorte sind?Ein Beispiel für diese Art von Organisationswissen ist die folgende Forderung: ``In einem Argument sollte eine Anekdote immer vor einer statistischen Aussage platziert werden.'' Dieses Muster ist häufig in Essays zu finden. Mit unserer Forschung wollen wir die Identifizierung und Analyse solcher Muster (bzw. Axiome, wie sie hier genannt werden) systematisieren.Die meisten Arbeiten zur rechnergestützten Argumentation konzentrieren sich auf das Mining und die Bewertung von Argumenten, während das empirische Wissen darüber, welche Anordnungsstrategien für welche Textsorte oder Interaktion (Monolog, Dialog) effektiv sind und wie man dieses Strategiewissen identifizieren kann, bislang fehlt. Diese Lücke wollen wir schließen, indem wir einen axiomatischen Ansatz zur Präferenzmodellierung auf Basis von "themenagnostischen" Attributen entwickeln. Diese Attribute, die wir im Rahmen unserer jüngeren Forschung zusammengestellt haben, verorten wir auf drei Abstraktionsebenen: der Ebene der Argumentuntereinheiten, der Argumentebene und der Diskursebene. Auf Basis adäquater Datensätze, die gemäß dieser Ebenen annotiert sein müssen, soll interpretierbares axiomatisches Wissen aus argumentativen Texten verschiedener Textsorten, Interaktionsformen und verschieden starker Schreibexpertisen entdeckt und analysiert werden.Unser Projekt beschreibt einen konkreten Plan zur Akquisition der erforderlichen Datensätze, zur Ableitung von Axiomen der beschriebenen Art (sowohl in monologischen als auch dialogischen Situationen) sowie zur Analyse von Beziehungen zwischen den Axiomen. Wie unterscheiden sich z.B. Argumentationen von Experten von Argumentationen von Nicht-Experten hinsichtlich dieser Axiome? Darüber hinaus untersuchen wir, wie unser axiomatischer Ansatz in Hinblick auf aktuelle Textstrukturtheorien zu interpretieren ist, und wir haben Experimente konzipiert, um den Nutzen axiomatischer Argumentationsstrategien in zwei Anwendungen zu untersuchen: ``Augmented Writing'' und Dialogunterstützung.Die in diesem Projekt entwickelten Ressourcen einschließlich der Annotationen, des Codes, des axiomatischen Wissens und der prototypischen Werkzeuge werden frei zugänglich gemacht und tragen so zum Schwerpunktprogramm RATIO sowie zur Argumentationsforschung im Allgemeinen bei.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1999: Robust Argumentation Machines (RATIO)