Der Bayes'sche Ansatz für robuste Argumentationsmaschinen
Stephan Hartmann untersucht am Lehrstuhl für Wissenschaftstheorie den Bayes'schen Ansatz für robuste Argumentationsmaschinen. Das Projekt wird durch die DFG gefördert.
Stephan Hartmann untersucht am Lehrstuhl für Wissenschaftstheorie den Bayes'schen Ansatz für robuste Argumentationsmaschinen. Das Projekt wird durch die DFG gefördert.
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.