Argumentation Mining

Argumentation Mining (auch Argument Mining) ist ein Forschungsbereich innerhalb des Natural Language Processing (natürliche Sprachverarbeitung). Das Ziel ist es, aus Texten in natürlicher Sprache automatisch Argumentationsstrukturen zu extrahieren, um diese dann mit Hilfe von Computerprogrammen näher analysieren zu können.[1] Zu Argumentationsstrukturen gehören z. B. Voraussetzungen, Folgerungen, das Argumentationsschema, Verknüpfungen zwischen Haupt- und Nebenargument oder Argument und Gegenargument.[2]

Argumentation Mining ist eine Fortsetzung des Text Mining und soll ebenfalls zur Analyse von Big Data verwendet werden.[3]

Anwendungen

Argumentation Mining bietet großes Potential, um es zur qualitativen Analyse von Inhalten aus Sozialen Medien zu nutzen (z. B. Twitter). Solche Analysen bieten z. B. politischen Entscheidungsträgern oder auch Marketingabteilungen neue Werkzeuge.[1] Erforscht wird die Anwendung von Argument Mining des Weiteren z. B. im Bereich juristischer Dokumente oder bei Online-Debatten zu wissenschaftlicher Literatur und Inhalten von Zeitungsartikeln. Geplante Anwendungen des Argumentation Mining beinhalten z. B. das Information Retrieval und die Informationsextraktion zu verbessern oder komplexe Informationen zusammenfassend oder visuell darzustellen.[2] Transfer-Learning-Ansätze wurden erfolgreich eingesetzt, um die verschiedenen Domainen zu einem domain-agnostischen Argumentationsmodell zu kombinieren.[4]

Argument Mining wurde eingesetzt, um Studierenden individuelle Unterstützung beim Schreiben argumentativer Texte zu geben, indem es den Argumentationsdiskurs in ihren Texten aufgezeigt und visualisiert. Die Anwendung von Argument Mining in einem benutzerzentrierten Lerntool hilft Studierenden, ihre Argumentationsfähigkeiten im Vergleich zu traditionellen Lernanwendungen signifikant zu verbessern.[5]

Einzelnachweise

  1. a b Marco Lippi und Paolo Torroni: Argumentation mining: State of the art and emerging trends In: ACM Trans. Internet Technol. 16, 2, Article 10, Mrz. 2016. doi:10.1145/2850417
  2. a b “3rd Workshop on Argument Mining”. Abgerufen am 28. November 2016
  3. Katarzyna Budzynska und Serena Villata: “Argumentation Mining, Tutorial.” Archivierte Kopie (Memento des Originals vom 29. November 2016 im Internet Archive)  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/www.i3s.unice.fr. Abgerufen am 28. November 2016
  4. Institut für Wirtschaftsinformatik und Digitale Gesellschaft e.V. Potsdam, Norbert Gronau, Moreen Heine: Unlocking Transfer Learning in Argumentation Mining: A Domain-Independent Modelling Approach. In: WI2020 Zentrale Tracks. GITO Verlag, 2020, ISBN 978-3-95545-335-0, S. 341–356, doi:10.30844/wi_2020_c9-wambsganss (gito.de [abgerufen am 8. März 2021]).
  5. Thiemo Wambsganss, Christina Niklaus, Matthias Cetto, Matthias Söllner, Siegfried Handschuh: AL: An Adaptive Learning Support System for Argumentation Skills. In: Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. ACM, Honolulu HI USA 2020, ISBN 978-1-4503-6708-0, S. 1–14, doi:10.1145/3313831.3376732 (acm.org [abgerufen am 8. März 2021]).