In komplexen Entscheidungssituationen stehen Individuen und Organisationen vor einer Vielzahl von Alternativen. Aufgrund der Menge der zur Verfügung stehenden Informationen ist eine automatisierte Unterstützung unabdingbar, um entscheidungsrelevante Fakten und Argumente zu finden, sie in einem gegebenen Kontext zu analysieren und sie zusammenzufassen, allerdings mangelt es dafür an geeigneten Technologien. Systeme wie IBM Watson operieren auf einzelnen Fakten als isolierte Informationseinheit und können diese effizient aus Texten extrahieren, nicht aber Argumente kontextualisieren oder validieren. Reine (auch auf Big Data basierende) Korrelationsanalysen greifen offensichtlich zu kurz, da sie keine Erklärungen liefern. Im Kontext des Mensch-Maschine-Dialogs ist die Generierung von Erklärungen essentiell, um z.B. das fehlerhafte Verhalten einer Maschine einem Anwender zu erklären und ihn bei der Fehlerbehebung zu unterstützen.Das geplante Schwerpunktprogramm strebt einen Paradigmenwechsel an, in dem an Stelle einzelner Fakten argumentative Strukturen die Informationseinheit bilden. Hierfür werden robuste und skalierbare Methoden benötigt, die Argumente und ihre Zusammenhänge aus Dokumenten extrahieren können, sowie auch neue semantische Modelle und Ontologien zur tiefen Repräsentation von Argumenten und Argumentketten. Neue Suchverfahren sind erforderlich, die Argumente indexieren, für eine Suchanfrage die relevanten Für- und Gegenargumente finden sowie diese der Interaktion mit einem Nutzer zugänglich machen. Auch sind neue Verfahren des maschinellen Schlussfolgerns zu entwickeln, um Implikationen von Argumenten und deren Plausibilität bewerten zu können. Gemäß der Definition von Eemeren et al. [1996, 2014] verstehen wir Argumentation als einen dia-lektischen Prozess, in dem eine Menge von Propositionen verhandelt wird, die bestimmte Schluss-folgerungen erlauben, mit dem Ziel, die eigene Position für einen rational agierenden Dritten schlüssig, nachvollziehbar und akzeptabel zu machen. Akteure argumentieren mit und gegeneinan-der vor einem Publikum, verfolgen bestimmte Absichten, operationalisieren komplexe, fachwissen-schaftliche Begriffe auf unterschiedliche Weise. Argumente sind im Regelfall subjektiv geprägt und imperfekt in dem Sinne, dass sie implizite oder gar faktisch falsche Annahmen machen, vage und ambig bleiben oder lückenhaft formuliert sind. Dadurch wird die systematische Analyse von natür-lichsprachlichen Argumenten vor große Herausforderungen gestellt; sie erfordert konzertierte For-schungsanstrengungen und Innovationen, die Methoden aus folgenden Kerndisziplinen kombinie-ren: Information Retrieval (IR), Computerlinguistik (CL), (Wissens-) Repräsentation und Inferenz (RI), Semantic Web (SW) und Mensch-Maschine-Interaktion (MMI). Es sollen Methoden entwickelt werden, die Argumente robust und skalierbar erfassen, repräsentieren, aggregieren und für einen Anwender kontextualisiert aufbereiten.

DFG-Verfahren Schwerpunktprogramme

Internationaler Bezug Großbritannien, Polen

• ALMANAC: Argumentationslogik-Manager & Argumentkontext-Graph (Antragsteller Kohlhase, Michael )
• Argument-basierte Unterstützung von Entscheidungen in Empfehlungssystemen (ASSURE) (Antragsteller Zesch, Torsten ;  Ziegler, Jürgen )
• Argumentrekonstruktion aus Politischen Debatten (Antragstellerinnen / Antragsteller Evert, Stephanie ;  Schröder, Lutz )
• BEA - Bot für Engagiertes Argumentieren (Antragstellerinnen / Antragsteller André, Elisabeth ;  Minker, Wolfgang )
• Beantwortung vergleichender Fragen durch Argumente (ACQuA 2.0) (Antragsteller Biemann, Christian ;  Hagen, Matthias )
• CUEPAQ: Visual Analytics und Linguistik für Erfassen, Verständnis und Erklärung personalisierter Argumentqualität (Antragstellerinnen / Antragsteller Butt, Miriam ;  Keim, Daniel )
• Der Bayes'sche Ansatz für robuste Argumentationsmaschinen (Antragsteller Hartmann, Stephan )
• Empfehlungsrationalisierung (Antragsteller Cimiano, Philipp ;  Hemmje, Matthias L. )
• Interaktive Argumentationsunterstützung für die wissenschaftliche Domäne der Invasionsbiologie (Antragstellerinnen Heger, Tina ;  König-Ries, Birgitta ;  Zarrieß, Sina )
• Kausalität, Argumentation und Maschinelles Lernen (Antragsteller Kersting, Kristian ;  Thimm, Matthias )
• Koordinationsfonds (Antragsteller Cimiano, Philipp )
• LARGA: Maschinelles Lernen von Axiomen aus monologischen und dialogischen Texten (Antragsteller Stede, Manfred ;  Stein, Benno )
• MARDY: Modellierung von Argumentationsdynamik im politischen Diskurs (Phase 2) (Antragsteller Haunss, Sebastian ;  Kuhn, Jonas ;  Padó, Sebastian )
• Mit Argumenten begeistern - Verbesserung der Überzeugungskraft von virtuellen Agenten (Antragstellerinnen / Antragsteller André, Elisabeth ;  Minker, Wolfgang )
• OASiS: Objektive Argumentzusammenfassung in Suchkontexten (Antragsteller Potthast, Martin ;  Wachsmuth, Henning )
• Perspektivierte Argument-Analyse zur Unterstützung von Deliberation (Antragstellerinnen / Antragsteller Cimiano, Philipp ;  Frank, Anette )
• ReCAP-II: Information Retrieval und Case-Based Reasoning für die robuste Deliberation und Synthese von Argumenten im politischen Diskurs - Architektur und Anwendungen (Antragsteller Bergmann, Ralph ;  Schenkel, Ralf )
• ReMLAV: Relationales maschinelles Lernen fuer Argumentvalidierung (Antragsteller Schütze, Hinrich ;  Seidl, Thomas )
• Visuelle Analyse und Linguistik für die Interpretation deliberativer Argumentation (VALIDA) (Antragstellerinnen / Antragsteller Butt, Miriam ;  Holzinger, Katharina ;  Keim, Daniel )
• Zwischen den Zeilen - Wissensbasierte Argumentationsanalyse in einem formalen Argumentations-Inferenzsystem (Antragstellerinnen / Antragsteller Frank, Anette ;  Stuckenschmidt, Heiner )

Sprecher Professor Dr. Philipp Cimiano