Dynamisches Argumentieren durch erweiterte Wissensadaption

Innerhalb der Künstlichen Intelligenz (KI), wie auch im Alltagsleben, muss angesammeltes Wissen adaptiert, oder revidiert, werden, wenn neue Informationen bereit stehen. Die formale Handhabe von Adaption von Wissen ist die Zentrale Aufgabe des Bereichs Belief Change (zu dt. etwa Wissensadaption oder Adaption von Vorstellungen). Wichtige Resultate dieses Gebietes sind allgemeine und formale Werkzeuge um Eigenschaften, wie etwa Kriterien der Rationalität, von Wissensadaption zu studieren. Ein verhältnismäßig junges Gebiet der KI in dem Vorstellungen, oder derzeitiges Wissen, oft geändert werden müssen ist Argumentation, welches sich, u.a., mit formalen Modellen beschäftigt um Argumente und deren Relationenzu modellieren.Diese Modellebeinhalten auch formal definierte Akzeptanzbedingungen von Argumenten. Dynamische Aspekte in diesem Bereich treten in natürlicherweise in Debatten auf, wenn Argumente nacheinander formuliert werden und bestehende Meinungen (und akzeptierte Argumente) geändert werden müssen. Argumentieren hat viele verschiedene Formen und, dementsprechend, wurden verschiedenartige formale Modelle entwickelt um diesen Szenarios zu genügen. Forschung im Bereich der dynamischen Aspekte für Argumentationen hat in letzter Zeit an Fahrt aufgenommen. Dennoch beschränkt sich der größte Teil der Forschung auf ein einzelnes formales Modell. Dieses Modell ist zwar von fundamentaler Bedeutung, dennoch lassen sich die formalen dynamischen Methoden dieses Modells nicht einfach auf die Vielzahl von anderen formalen Modellen anpassen. Hier kommen die allgemeinen Werkzeuge von Belief Change ins Spiel. Jedoch unterscheiden sich die Methoden der Wissensadaption, für die diese allgemeinen Werkzeuge geschaffen wurden, und jene der Argumentation in ihren Grundzügen und, daher, kann man diese Werkzeuge nicht direkt auf dem Bereich der Argumentation anwenden. Dies ist der Ausgangspunkt und die Motivation für das Projekt. Unser Ziel ist es, die allgemeinen Werkzeuge von Belief Change fundamental zu erweitern um den dynamischen Methoden des Argumentierens zu genügen. Wir zielen in unseren Projekt auf die Entwicklung von neuen Methoden des dynamischen Argumentierens, dass auch wechselseitig positiven Einfluss auf das Gebiet des Belief Change hat. In unseren Projekt werden wir sowohl theoretische, als auch praktische Aspekte der neuen Methoden im Detail analysieren. Wir werden, u.a., die Komplexität der neuen Methoden studieren. Daher, intuitiv gesagt, erforschen wir wie schwer es ist, für einen Computer, das Resultat dieser Methoden zu berechnen. Weiters werden wir Algorithmen und Systeme entwickeln die das Resultat auf möglichst effiziente Art berechnen.

Dieses Forschungsprojekt hat sich mit grundlegenden Fragestellungen bei formalen Argumentstrukturen innerhalb der künstlichen Intelligenz beschäftigt. Die Argumentationstheorie in der künstlichen Intelligenz zielt, unter anderem, darauf ab zu erforschen wie Argumente formal repräsentiert werden können, welche Schlüsse anhand dieser Argumente zu ziehen sind und in welchem Verhältnis verschiedene Argumente stehen. Formalisierungen in diesem Gebiet sind insofern wichtig da sie formale Spezifikationen erlauben und damit die Grundlage bilden für automatisiertes Schließen (mit einem Computerprogramm). In diesem Projekt haben wir uns primär mit Adaptierungen oder Veränderungen von Argumenten beschäftigt. Solche Änderungen von Argumentstrukturen verstehen wir innerhalb des Forschungsprojekts sehr allgemein: Angefangen von Auswahl von einer minimalen Menge von Argumenten um ein Ziel in einer Debatte zu erreichen, über Revision und Zusammenführung von Argumenten, bis hin zu Abstraktion von Argumenten zur Vereinfachung. Allgemein kann man sagen, dass es vielseitige Operationen gibt die eine Änderung von Argumenten herbeiführen. Den wissenschaftliche Beitrag des Projektteams kann man in zwei Richtungen aufteilen: Erstens haben wir grundlegende Desiderata, also wünschenswerte Eigenschaften, für Veränderungen von Argumenten erforscht und zweitens Änderungen von Argumentstrukturen untersucht bezüglich ihrer Berechnungskomplexität, welche eine Basis geschaffen haben für Algorithmen (also Handlungsvorschriften für Computerprogramme) und die Entwicklung von Prototypen. Inspiriert durch das etablierte Gebiet der Wissensadaption (welches sich traditionell innerhalb der künstlichen Intelligenz befindet), haben wir gezeigt, dass gewisse Desiderata für Operationen die eine Änderung herbeiführen möglich sind, bzw. unmöglich sind. Letztes kann beispielsweise auftreten wenn zwei (oder mehr) Desiderata unvereinbar sind. Durch systematisches modifizieren von Desiderata konnten wir zeigen, dass gewisse Operationen dennoch realisierbar sind (allerdings unter einer Abschwächung der ursprünglichen Eigenschaften). Auf der anderen Seite untersuchten wir die Komplexität um Veränderungen von Argumentstrukturen zu implementieren. Unter Komplexität versteht man hier eine Klassifizierung von Problemstellungen anhand der Schwierigkeit diese zu lösen. Unsere Ergebnisse zeigen, dass die Vielartigkeit von Veränderungsoperationen auch widergespiegelt wird in deren Komplexität (d.h. verschiedene Operationen haben unterschiedliche hohe oder niedrige Komplexität). Diese Resultate sind wichtig als Grundlage für die Entwicklung von Algorithmen, da Schlussweisen anhand von Argumenten (oder Adaptierung von Argumenten) sehr komplexe Systeme darstellen, welche sich nicht durch naive Implementierungen effizient lösen lassen. Dementsprechend haben wir auch prototypische Software entwickelt, welche den derzeitigen Stand des effizienten Lösens verbessert haben. Zusammenfassend ermöglichte dieses Forschungsprojekt einige Lücken in unserem Verständnis von Argumentstrukturen zu schließen. Allerdings haben sich auch einige neue Herausforderungen gezeigt. Wir nennen hier als Beispiel zwei solcher Herausforderungen. Erstens hat sich gezeigt, dass Präferenzen auf Argumentstrukturen (welche z.B. unterschiedliche Sichtweisen auf Argumenten repräsentieren) die Situation komplexer machen und weitere Forschung benötigen und auch, dass weitere Studien benötigt werden um argumentbasierte Erläuterungen und Erklärungen zu unterstützen (u.a. kann die schieren Anzahl von Argumenten, Erklärungen erschweren).