Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study

Titel

Kontextsensitives Multi-Level-Ähnlichkeitsframework für First-Order-Logic-Argumente: Eine axiomatische Studie

1. Problemstellung

Formale Argumentationssysteme haben sich in Bereichen wie Entscheidungsfindung, erklärbarer KI (XAI) und der Dekodierung von Ellipsen (enthymemes) bewährt. Ein zentrales, bisher jedoch oft vernachlässigtes Problem ist die Bewertung der Ähnlichkeit zwischen Argumenten.

• Herausforderung: Bestehende Ansätze konzentrieren sich überwiegend auf die propositionale Logik. Die Erweiterung auf die Prädikatenlogik erster Ordnung (FOL) ist jedoch komplexer, da Argumente hier strukturierte Inhalte (Prädikate, Terme, Quantoren) enthalten.
• Limitationen früherer FOL-Ansätze: Diese kämpfen oft mit Problemen der syntaktischen Nähe und Skalierbarkeit, insbesondere durch die Notwendigkeit der Variableninstantiierung, was zu kombinatorischer Explosion führt.
• Anwendungsbedarf: In Szenarien wie der Argumentaggregation (z. B. in gradueller Semantik) oder der Dekodierung unvollständiger Argumente ist es entscheidend, nicht nur zu wissen, ob Argumente existieren, sondern wie ähnlich sie sind, um Redundanzen zu vermeiden und die Bewertung von Angriffen präziser zu gestalten.

2. Methodik

Die Autoren stellen ein umfassendes Framework vor, das Argumentähnlichkeit auf vier Abstraktionsebenen berechnet und dabei logische Struktur mit kontextsensitiven Gewichten verbindet.

A. Logische Transformation und CNF-Kompilierung

• FOL zu CNF: Eingabetexte werden in First-Order-Logic (FOL) überführt und dann in konjunktive Normalform (CNF) kompiliert.
• Skolemisierung: Um Quantoren zu eliminieren und die Skalierbarkeit zu gewährleisten, wird eine Skolemisierung angewendet. Dies ist ein bewusster Kompromiss: Die logische Äquivalenz wird zugunsten der strukturellen Vergleichbarkeit und Vermeidung der kombinatorischen Explosion bei der Instantiierung geopfert.
• Argumentdefinition: Ein Argument wird als Paar $\langle \Phi, \alpha \rangle$ definiert (Unterstützung $\Phi$, Behauptung $\alpha$), wobei beide Komponenten in CNF vorliegen.

B. Das Vier-Ebenen-Ähnlichkeitsmodell

Das Framework berechnet die Ähnlichkeit hierarchisch von unten nach oben:

1. Prädikate und Terme ($sim_P$): Basis der Ähnlichkeit (z. B. Ähnlichkeit zwischen "Hund" und "Affe").
2. Literal-Ähnlichkeit ($sim_L$): Kombiniert Prädikats- und Termähnlichkeit. Es wird zwischen geordneter (positionssensitiver) und ungeordneter (best-match) Ähnlichkeit unterschieden.
3. Klausel-Ähnlichkeit ($sim_C$): Berechnet die Ähnlichkeit zwischen Disjunktionen von Literalen unter Verwendung einer fuzzy Tversky-Metrik, die auf der Literalähnlichkeit aufbaut.
4. Formel-Ähnlichkeit ($sim_S$): Aggregiert die Klauselähnlichkeiten zu einer Gesamtähnlichkeit für die Prämissen oder die Behauptung.

C. Kontextsensitive Gewichtung

Ein Kernmerkmal des Frameworks ist die Integration von kontextuellen Gewichten:

• Nicht alle Prädikate oder Terme sind gleich wichtig. Beispielsweise kann das Prädikat "Tease" (neckten) in einem bestimmten Kontext wichtiger sein als "AtLocation".
• Diese Gewichte werden manuell oder potenziell durch Lernverfahren zugewiesen und fließen in die Berechnung der gewichteten Literal- und Klauselähnlichkeit ein. Dies ermöglicht eine differenzierte Bewertung, die semantische Relevanz berücksichtigt.

D. Axiomatisches Fundament

Die Autoren definieren eine Reihe von Prinzipien (Axiome), die eine gute Ähnlichkeitsmessung erfüllen sollte, darunter:

• Maximalität: Ein Argument ist zu sich selbst maximal ähnlich (1).
• Symmetrie: $sim(A, B) = sim(B, A)$.
• Substitution: Wenn $A$ und $B$ maximal ähnlich sind, müssen sie sich in Bezug auf ein Drittes $C$ gleich verhalten.
• Syntax-Unabhängigkeit vs. Syntax-Sensitivität: Das Framework bietet Modelle, die entweder rein syntaktisch (nur exakte Übereinstimmung) oder semantisch (über Sprachmodelle wie SBERT) arbeiten.
• Monotonie und Verstärkung: Prinzipien, die beschreiben, wie sich die Hinzunahme neuer Klauseln auf die Gesamtähnlichkeit auswirkt.

3. Wichtige Beiträge

1. Erweiterung auf FOL: Das erste umfassende Framework, das Ähnlichkeitsmaße für Argumente in der Prädikatenlogik erster Ordnung unter Berücksichtigung strukturierter Inhalte definiert.
2. Hybrides Modell: Kombination aus symbolischer Logik (CNF-Struktur) und datengetriebenen Methoden (Sprachmodelle wie SBERT für semantische Ähnlichkeit von Prädikaten/Termen).
3. Kontextsensitivität: Einführung von Gewichtungsfaktoren, die es ermöglichen, die relative Wichtigkeit von Argumentkomponenten dynamisch anzupassen (z. B. Unterscheidung zwischen Hauptargumenten und Nebendetails).
4. Axiomatische Analyse: Formale Beweise, unter welchen Bedingungen die vorgeschlagenen Modelle die definierten rationalen Prinzipien erfüllen. Es werden zwei Modellfamilien vorgestellt:
   • $M_{sb}$: Syntax-sensitiv (nutzt SBERT für semantische Ähnlichkeit).
   • $M_{eq}$: Syntax-unabhängig (nutzt exakte syntaktische Gleichheit).
5. Erklärbarkeit: Im Gegensatz zu reinen Embedding-basierten Methoden (wie SBERT allein) bietet das Framework eine symbolische Zerlegung, die nachvollziehbar macht, warum zwei Argumente ähnlich sind (z. B. welche Klauseln übereinstimmen und wie stark sie gewichtet sind).

4. Ergebnisse und Evaluation

• Fallstudie (STSb-Datensatz): Die Autoren testen das Framework an Beispielen wie "Ein Hund neckt einen Affen im Zoo" vs. "Ein Affe neckt einen Hund im Zoo".
  • Ergebnis: Das Framework erzielt einen Ähnlichkeitswert von 0,628, was sehr nahe am menschlichen Durchschnittswert (0,630) liegt.
  • Vergleich: Reine Embedding-Modelle (SBERT) liefern hier oft zu hohe Werte (0,985), da sie die Umkehrung der Rollen (Agent/Patient) nicht ausreichend bestrafen. Das vorgestellte Modell erkennt die semantische Verschiebung durch die Gewichtung der "Tease"-Klausel korrekt.
• Argumentvergleich: In einem Szenario mit drei Argumenten (Dominanz vs. Spiel vs. Konflikt) zeigt das Framework, wie sich die Ähnlichkeitsbewertung je nach Gewichtung der Prämissen vs. der Behauptung (Parameter $\eta$) verschiebt. Dies demonstriert die Flexibilität des Ansatzes für verschiedene Anwendungsfälle (z. B. Debatten vs. Dekodierung).
• Theoretische Garantien: Die Beweise zeigen, dass die Modelle die meisten axiomatischen Prinzipien erfüllen. Nur das Prinzip "Non-Zero" (wenn lokale Ähnlichkeit existiert, muss globale Ähnlichkeit existieren) wird in bestimmten Szenarien verletzt, was jedoch als akzeptabler Kompromiss für die Berücksichtigung von Dissimilarität gewertet wird.

5. Bedeutung und Ausblick

• Wissenschaftlicher Beitrag: Das Paper schließt eine Lücke zwischen formaler Argumentationstheorie und moderner NLP-Forschung. Es bietet einen theoretisch fundierten Weg, um strukturierte Argumente in natürlichen Sprachen zu vergleichen.
• Praktische Relevanz: Das Framework ist besonders nützlich für:
  • Argument-Clustering: Gruppierung ähnlicher Argumente in großen Datensätzen.
  • Dekodierung von Ellipsen: Rekonstruktion unvollständiger Argumente durch Vergleich mit bekannten Mustern.
  • XAI: Bereitstellung transparenter, logisch begründeter Erklärungen für Ähnlichkeitsentscheidungen.
• Zukünftige Arbeit: Die Autoren planen, die Gewichtungsschemata zu automatisieren, nicht-symmetrische Ähnlichkeitsmaße zu erforschen und das Framework auf breiteren textuellen Ähnlichkeits-Benchmarks zu evaluieren.

Fazit:
Dieses Paper stellt einen Meilenstein dar, indem es die Komplexität der Prädikatenlogik in die Ähnlichkeitsmessung von Argumenten integriert. Durch die Kombination von logischer Struktur, Sprachmodellen und kontextsensitiver Gewichtung entsteht ein robustes, erklärbares und theoretisch abgesichertes Werkzeug, das über reine statistische Ähnlichkeitsmaße hinausgeht.