Ein Argumentationsrahmen ist eine formale Struktur, die in der künstlichen Intelligenz und der Wissensrepräsentation verwendet wird, um Argumente und die Konflikte zwischen ihnen zu modellieren. Er bietet eine mathematische Grundlage für die Analyse, wann eine Menge von Argumenten kollektiv akzeptiert werden kann, selbst wenn sie einander widersprechen. Der Rahmen abstrahiert vom internen Inhalt einzelner Argumente und konzentriert sich stattdessen auf die binäre Angriffsrelation, die zwischen ihnen besteht. Diese Abstraktion ermöglicht die Untersuchung von Argumentationsmustern, die widerlegbar sind, das heißt, Schlussfolgerungen können angesichts neuer Gegenargumente zurückgezogen werden – ein zentrales Merkmal des menschlichen Alltagsverstands.
Der Rahmen wurde 1995 von Phan Minh Dung eingeführt und ist zu einem Eckpfeiler der computergestützten Argumentation geworden. Er wird in verschiedenen Anwendungen eingesetzt, von der Rechtslogik und Multi-Agenten-Systemen bis hin zur Verarbeitung natürlicher Sprache und Entscheidungsunterstützung. Die Kernidee ist einfach: Gegeben eine Menge von Argumenten und eine Relation, die angibt, welches Argument welches angreift, lassen sich verschiedene Semantiken definieren, die festlegen, welche Argumente als akzeptabel gelten. Diese Semantiken basieren auf dem Konzept der Zulässigkeit, bei dem eine Menge von Argumenten akzeptabel ist, wenn sie sich gegen alle Angriffe verteidigen kann.
Formale Definition
Formal ist ein Argumentationsrahmen ein Paar ⟨A, R⟩, wobei A eine endliche Menge von Argumenten und R eine binäre Relation auf A ist, also R ⊆ A × A. Für zwei Argumente a und b bedeutet die Notation (a, b) ∈ R (oder a R b), dass Argument a Argument b angreift. Der Rahmen wird oft als gerichteter Graph dargestellt, wobei Knoten Argumente und Kanten Angriffe repräsentieren. Diese graphbasierte Darstellung ist zentral für die Attraktivität des Rahmens, da sie die Anwendung graphentheoretischer Algorithmen zur Berechnung der Akzeptanz ermöglicht.
Eine Menge S ⊆ A wird als konfliktfrei bezeichnet, wenn es keine Argumente a und b in S gibt, sodass a b angreift. Ein Argument a ∈ A ist akzeptabel bezüglich S, wenn für jedes Argument b, das a angreift, ein Argument c in S existiert, das b angreift. In diesem Fall wird gesagt, dass c a gegen b verteidigt. Eine konfliktfreie Menge S ist zulässig, wenn jedes Argument in S bezüglich S akzeptabel ist. Diese Definitionen bilden die Grundlage für die verschiedenen extensionsbasierten Semantiken.
Extensionsbasierte Semantiken
Dungs ursprüngliche Arbeit definierte mehrere Semantiken, die Mengen akzeptabler Argumente erzeugen, sogenannte Extensionen. Die grundlegendste ist die vollständige Semantik. Eine zulässige Menge S ist eine vollständige Extension, wenn sie alle Argumente enthält, die bezüglich S akzeptabel sind. Vollständige Extensionen existieren immer, aber es kann mehrere geben. Die begründete Semantik wählt die minimale vollständige Extension (bezüglich Mengeninklusion), die eindeutig ist. Sie wird berechnet, indem man mit der leeren Menge beginnt und iterativ alle akzeptablen Argumente hinzufügt, bis ein Fixpunkt erreicht ist. Die begründete Extension repräsentiert die skeptischste Position und enthält nur Argumente, die selbst bei Berücksichtigung aller möglichen Verteidigungen unbesiegt bleiben.
Die bevorzugte Semantik wählt maximale (bezüglich Mengeninklusion) zulässige Mengen. Diese Extensionen repräsentieren eher leichtgläubige Positionen, da sie so viele Argumente wie möglich einschließen, während sie die Zulässigkeit wahren. Die stabile Semantik, eine weitere wichtige, verlangt, dass eine konfliktfreie Menge S jedes Argument außerhalb von S angreift. Stabile Extensionen sind bevorzugte Extensionen, aber nicht alle bevorzugten Extensionen sind stabil. Die ideale Semantik, die später eingeführt wurde, bietet einen Mittelweg zwischen begründet und bevorzugt, indem sie die maximale zulässige Menge wählt, die in allen bevorzugten Extensionen enthalten ist.
Abstrakte und strukturierte Argumentation
Der oben beschriebene Rahmen ist abstrakt, weil er die interne Struktur von Argumenten nicht berücksichtigt. Im Gegensatz dazu bauen strukturierte Argumentationsansätze wie ASPIC+ und Defeasible Logic Programming (DeLP) Argumente aus einer Wissensbasis mithilfe von Inferenzregeln auf und leiten dann einen abstrakten Rahmen aus diesen Argumenten ab. Dies ermöglicht eine feinere Darstellung von Wissen, jedoch auf Kosten einer erhöhten Rechenkomplexität. Der abstrakte Rahmen bleibt als Werkzeug für die Analyse auf hoher Ebene nützlich, und viele Ergebnisse über abstrakte Rahmen können auf strukturierte Umgebungen übertragen werden.
Recheneigenschaften
Die Berechnung von Extensionen unter verschiedenen Semantiken wurde umfassend untersucht. Für endliche Rahmen kann die begründete Extension in polynomieller Zeit berechnet werden, da sie einen einfachen iterativen Prozess beinhaltet. Die Bestimmung, ob ein gegebenes Argument in mindestens einer bevorzugten Extension enthalten ist (leichtgläubige Akzeptanz), ist jedoch NP-vollständig, und die Bestimmung, ob es in allen bevorzugten Extensionen enthalten ist (skeptische Akzeptanz), ist co-NP-vollständig. Stabile Semantiken sind ähnlich komplex, wobei die Existenz einer stabilen Extension NP-vollständig ist. Diese Komplexitätsergebnisse haben die Entwicklung von Algorithmen und Lösern motiviert, die oft auf Reduktionen auf aussagenlogische Erfüllbarkeit (SAT) oder Answer-Set-Programmierung (ASP) basieren. Der Internationale Wettbewerb für Computermodelle der Argumentation (ICCMA) findet seit 2015 statt, um solche Löser zu benchmarken.
Anwendungen in der KI
Argumentationsrahmen haben Anwendungen in vielen Bereichen der Artificial intelligence gefunden. In der Rechtslogik helfen sie, die Vor- und Nachteile eines Falls zu modellieren, wobei Gesetze und Präzedenzfälle sich gegenseitig angreifen. In Multi-Agenten-Systemen können Agenten Argumentation nutzen, um zu verhandeln oder einen Konsens zu erzielen, wobei jeder Agent Argumente vorschlägt, die die anderer angreifen. Im Machine learning wurde Argumentation für erklärbare KI verwendet, bei der die Begründung hinter der Vorhersage eines Modells als Argumentationsrahmen dargestellt wird, sodass Benutzer die Entscheidung abfragen und anfechten können. Beispielsweise kann die Ausgabe eines Klassifikators durch eine Menge unterstützender Argumente gerechtfertigt werden, und Gegenargumente können als Angriffe präsentiert werden.
In der Verarbeitung natürlicher Sprache werden Argumentationsrahmen für das Argument-Mining verwendet, also die Aufgabe, Argumente und ihre Beziehungen aus Texten zu extrahieren. Die extrahierte Struktur kann dann mithilfe der Semantik des Rahmens analysiert werden, um die Gesamtstärke einer Position zu bestimmen. Dies hat Anwendungen in der Debattenanalyse, der Erkennung von Fake News und der Meinungszusammenfassung. Die Fähigkeit des Rahmens, widersprüchliche Informationen zu verarbeiten, macht ihn besonders geeignet für diese Aufgaben, bei denen Quellen oft uneinig sind.
Beziehung zu anderen Formalismen
Argumentationsrahmen sind eng mit anderen nicht-monotonen Formalismen verwandt, wie der Default-Logik und der Logikprogrammierung mit Negation als Fehler. Tatsächlich zeigte Dung, dass Logikprogrammierung als Spezialfall der Argumentation interpretiert werden kann, wobei jede Regel einem Argument entspricht und Angriffe aus widersprüchlichen Schlussfolgerungen entstehen. Diese Verbindung hat zu einem fruchtbaren Austausch von Ideen geführt, wobei Algorithmen und Semantiken zwischen den Feldern übertragen wurden. Der Rahmen steht auch in Beziehung zur Spieltheorie, da die Akzeptanz von Argumenten durch die Existenz von Gewinnstrategien in einem Zwei-Spieler-Dialogspiel charakterisiert werden kann, bei dem ein Spieler ein Argument vorschlägt und der andere es angreift.
Erweiterungen und Variationen
Seit seiner Einführung wurden viele Erweiterungen des grundlegenden Rahmens vorgeschlagen. Bipolare Argumentationsrahmen fügen eine zweite Relation für Unterstützung hinzu, sodass Argumente sich gegenseitig stärken können. Gewichtete Argumentationsrahmen weisen Angriffen Gewichte zu, die die relative Stärke des Konflikts repräsentieren. Wertbasierte Argumentationsrahmen integrieren Werte, die Argumente fördern, und ermöglichen so einen nuancierteren Vergleich. Probabilistische Argumentationsrahmen weisen Argumenten oder Angriffen Wahrscheinlichkeiten zu und ermöglichen so Schlussfolgerungen unter Unsicherheit. Diese Variationen erhöhen die Ausdruckskraft des Rahmens, verkomplizieren aber auch die Semantik und die Berechnung.
Der Rahmen wurde auch mit anderen KI-Techniken integriert. Beispielsweise wurde im Deep learning Argumentation verwendet, um die Ausgaben mehrerer Neural network-Modelle zu kombinieren, wobei die Vorhersage jedes Modells ein Argument und Meinungsverschiedenheiten Angriffe sind. Dieser Ensemble-Ansatz kann die Robustheit verbessern und einen Mechanismus zur Konfliktlösung bieten. Im Kontext von Large language models könnten Argumentationsrahmen verwendet werden, um das Denken eines Modells zu strukturieren und seine Ausgaben transparenter und überprüfbarer zu machen, obwohl dies ein aktives Forschungsgebiet bleibt.
Aktuelle Forschungsrichtungen
Die zeitgenössische Forschung zu Argumentationsrahmen konzentriert sich auf mehrere Fronten. Eine ist die Entwicklung effizienter Algorithmen für groß angelegte Rahmen, die paralleles Rechnen und Heuristiken nutzen. Eine andere ist die Integration mit Generative AI, bei der Argumentation als Denkschicht für die Erzeugung kohärenter und vertretbarer Texte dienen kann. Forscher untersuchen auch dynamische Argumentation, bei der sich der Rahmen im Laufe der Zeit ändert, wenn neue Argumente hinzugefügt oder entfernt werden, was inkrementelle Aktualisierungen der Extensionen erfordert. Die Verwendung von Argumentation in erklärbarer KI ist ein wachsendes Feld mit dem Ziel, menschenverständliche Rechtfertigungen für automatisierte Entscheidungen zu liefern.
Die Einfachheit und Leistungsfähigkeit des Rahmens haben ihn zu einem bleibenden Beitrag auf dem Gebiet der Wissensrepräsentation gemacht. Seine Fähigkeit, Alltagsdenken zu modellieren, bei dem Schlussfolgerungen vorläufig und revisionsanfällig sind, bleibt hochrelevant, da KI-Systeme in komplexen realen Umgebungen eingesetzt werden. Ab den frühen 2020er-Jahren sind Argumentationsrahmen weiterhin ein lebendiges Forschungsgebiet mit Anwendungen von Legal Tech bis zur Social-Media-Analyse, und sie werden wahrscheinlich auch in den kommenden Jahren ein Schlüsselwerkzeug im KI-Werkzeugkasten bleiben.