Automatisierte Entscheidungsfindung beinhaltet die Klassifikation von Informationen, um in einem gegebenen Kontext geeignete Aktionen auszuführen. Dieses Problem ist bereits ausführlich im Bereich künstliche Intelligenz (KI) und Recht untersucht worden. Dort haben sich zwei Herangehensweisen etabliert, jede mit ihren eigenen Stärken und Schwächen. Maschinelles Lernen verwendet große Datensätze um Klassifikationen durchzuführen und unterstützt breite Anwendungsgebiete. Allerdings ist der interne Entscheidungsprozess oft verschleiert. Diese Arbeit fokussiert sich auf die zweite Herangehensweise, nämlich symbolische KI, welche formale Logik nutzt, um Entscheidungen transparent und interpretierbar zu machen. Wir untersuchen fallbasiertes normatives Schließen, wobei die Entscheidungsfindung von vergangenen Fälle gelenkt und eingeschränkt wird. Wir untersuchen die Stärken und Schwächen von John Horty's Dimensional Reason Model, welches ursprünglich für Rechtsfälle konzipiert worden ist, aber in diversen Bereichen Anwendung findet. Mit dieser Theorie als Grundlage verwenden wir Answer-Set-Programmierung (ASP), eine Sprache zur Spezifikation von Logikprogrammen, um ein System für automatisierte Entscheidungsfindung zu bauen.Unsere Analyse zeigt mehrere Einschränkungen des Dimensional Reason Models auf, wodurch die Entwicklung eines neuen Modells motiviert wird. Wir präsentieren das Dimensional Reduction Model, welches die Entscheidungsfindung vereinfacht, indem es sich auf eine simplere Beschränkungslogik stützt. Um die praktische Anwendbarkeit des Modells zu testen, erstellen wir eine Fallstudie von 20 Fällen und vergleichen die erlaubten Entscheidungen des Dimensional Reason Models mit denen des Dimensional Reduction Models. Weiters werden beide Modelle in ASP implementiert. Die Fallstudie dient hier der Verifikation, um sicherzustellen dass die Programmergebnisse mit denen der manuell ausgewerteten Fälle übereintstimmen.Diese Arbeit trägt zum Gebiet der Maschinenethik bei, indem ein neues Modell zur Beschreibung von Präzedentsfällen präsentiert wird, das den State-of-the-Art erweitert. Weiters stellen wir eine Implementierung bereit, die automatisierte Entscheidungsfindung ermöglicht.Der Code, der für diese Arbeit geschrieben worden ist, kann unter https://git.logic.at/cbr-asp/cbr-asp gefunden werden.
Adrian Chroust (Sat,) studied this question.