In vielen Situationen erhalten sowohl Laien als auch Experten Empfehlungen darüber wie sie handeln sollen, welche Entscheidungen sie treffen sollen oder welche Produkte sie erwerben sollten. Die Gründe für diese Empfehlungen sind allerdings nicht immer nachvollziehbar. Obwohl es in den meisten Fällen Alternativen gibt, stehen Empfehlungsempfänger oft unter dem Druck, zeitnah zu handeln und haben oft nicht die Zeit oder die Ressourcen, die Empfehlung gegenüber anderen vorhandenen Alternativen systematisch abzuwägen. Das Ziel dieses Projektes ist die Entwicklung einer computergestützten Methode, die einen Empfehlungsempfänger dabei unterstützen  kann, eine Empfehlung systematisch gegen Alternativen abwägen zu können. Wir nennen diese Aufgabe Empfehlungsrationalisierung. Unsere Methode soll für den Empfehlungsempfänger automatisch eine argumentative Synthese erstellen, welche die Evidenz und Präferenzen, nach denen die empfohlene Alternative als optimal zu sehen ist, explizit macht. Um die relevante Evidenz zu extrahieren werden wir neue Informationsextraktionsmethoden der entwickeln, die auf probabilistischen graphischen Modellen aufbauen. Darüber hinaus sollen auch bestehende Methoden aus dem Information Retrieval erweitert werden, um für die Argumentation relevante Evidenz aus großen und heterogenen Dokumentensammlungen extrahieren zu können.

Diese extrahierte Evidenz soll dann verwendet werden, um Argumente für und gegen die gegebene Empfehlung für bestimmte relevante Aspekte zu generieren. Diese aspekt-spezifischen Argumente sollen dann in Form einer neuen argumentativen Datenstruktur, den sogenannten Hierarchical Argumentation Trees, entlang einer Hierarchie von Aspekten aggregiert werden. Diese Hierarchie soll die Generierung von komplexen Argumenten unterstützen, die explizit machen, unter welchen Präferenzen die Empfehlung gegenüber den Alternativen als überlegen zu sehen ist.

Wir werden im Rahmen des Projektes auch template-basierte Methoden der natürlichsprachlichen Generierung entwickeln, welche die Hierarchical Argumentation Trees in natürlicher Sprache verbalisieren können. Die natürlichsprachlichen Argumente sollen explizit machen, unter welchen Bedingungen und relativen Präferenzen die Empfehlung tatsächlich als den Alternativen überlegen anzusehen ist. Um den Nachweis der Machbarkeit zu erbringen werden wir die Methoden zusammen mit Medizinern aus dem Bereich der Onkologie entwickeln und testen. Insbesondere sollen Mediziner die Definition von Anforderungen und Anwendungsszenarien sowie die Annotation von Daten und die Evaluierung des Systems unterstützen. Der Prozess der Rationalisierung soll Mediziner, die eine Empfehlung von Kollegen oder einem Labor enthalten, dabei unterstützen, die Evidenz, Annahmen und Präferenzen explizit zu machen, auf denen die Empfehlung basiert, um sie nachvollziehbar zu machen und damit eine informierte Meinungs- und Entscheidungsbildung zu unterstützen.