Das ReMLAV-Projekt zielt darauf ab, den Stand der Technik für die Argumentvalidierung zu erweitern, eines der vier grundlegenden Szenarien auf dem Gebiet der Argumentationsmaschinen, die der SPP-Antrag identifiziert. Wir definieren die Argumentvalidierung als das Problem, die Gültigkeit eines einzelnen Schritts in einer Argumentkette im Kontext der gesamten Argumentkette zu begründen.

Unser Projekt ist interdisziplinär: Wir wollen einen neuen methodologischen Beitrag leisten, indem wir Arbeiten aus der Computerlinguistik (Einbettungen oder hochdimensionale Darstellungen linguistischer Objekte), maschinellem Lernen (relationale Methoden des maschinellen Lernens einschließlich Tensorfaktorisierung und Deep-Learning-Methoden) aufbauen und vereinen. und Data Mining (Subraumanalyse komplexer Einbettungsräume).

Ziel ist es, robuste Methoden für reale Szenarien zu entwickeln, die sich auf die Analyse von Argumenten und ihren Kontexten in natürlichsprachlichen Texten konzentrieren. Darüber hinaus verfolgen wir das Ziel, skalierbare Methoden für reale Szenarien zu entwickeln, indem wir auf Methoden aufbauen, die auf sehr großen Textkollektionen skalierbar sind: Embedding Learning (Computerlinguistik), Tensorfaktorisierung (relationales maschinelles Lernen) und Subraumclustering (Data Mining).

Das SPP betont, dass die Endnutzer der Argumentationstechnologie echte Menschen sein sollen. Daher ist die Rückgabe einer Ja / Nein- oder einer gültigen / ungültigen Antwort und nichts weiteres nicht ausreichend. Eine Erklärung der Entscheidung ist ebenfalls erforderlich. Mit Hilfe der Data Mining-Forschung wollen wir Subraummodelle für Erklärungen in der computergestützten Argumentation verwenden.