Der Bayes'sche Ansatz für robuste Argumentationsmaschinen

• Antragsteller: Professor Dr. Stephan Hartmann
• Fachliche Zuordnung: Theoretische Philosophie
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 455912038

Es ist bekannt, dass der Bayes'sche Ansatz zur Argumentation (i) eine solide normative Grundlage hat und (ii) sich gut mit empirischen Daten aus Experimenten der Argumentations- und Argumentationspsychologie verbinden lässt. Das Hauptziel dieses Forschungsvorschlags besteht darin, zu zeigen, dass er auch über die rechnerischen Ressourcen verfügt, um groß angelegte Anwendungen im Kontext robuster Argumentationsmaschinen zu ermöglichen. Wir werden einige der verfügbaren rechnerischen Werkzeuge und Methoden für die Untersuchung der Argumentation anpassen und bei Bedarf neue Werkzeuge und Methoden entwickeln. Im Einzelnen verfolgt unser Projekt die folgenden vier Ziele: 1. Einsatz maschineller Lernwerkzeuge, um Bayesian Belief Networks (BBNs) aus großen Datensätzen zu lernen. 2. Die Entwicklung geeigneter Algorithmen zur Erzeugung und Auswertung von Argumenten aus diesen BBNs. 3. Einrichtung von Werkzeugen zum Testen der wahrgenommenen Argumentationsqualität der generierten Argumente. 4. Verwendung dieser Werkzeuge zum Testen der von uns generierten Argumente.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1999: Robust Argumentation Machines (RATIO)
• Internationaler Bezug: Großbritannien
• Kooperationspartnerin: Professorin Dr. Ulrike Hahn