Was ist Argument Mining? Argument Mining ist der Bereich der natürlichen Sprachverarbeitung, der automatisch die argumentative Struktur in gewöhnlichem Text identifiziert – welche Sätze Behauptungen aufstellen, welche Gründe angeben und ob jeder Grund die Behauptung unterstützt oder angreift, an die er angehängt ist.
Argument Mining (auch als Argumentations-Mining bezeichnet) verwandelt unstrukturierte Prosa — ein Protokoll eines Treffens, eine politische Konsultation, einen Aufsatz, einen Forumsthread — in eine strukturierte Karte, die zeigt, wer was und aus welchen Gründen argumentiert hat. Das Feld wird normalerweise als vier miteinander verbundene Aufgaben beschrieben: das Finden der argumentativen Abschnitte im Text, das Kennzeichnen jedes Abschnitts als Behauptung, Prämisse oder Beweis, das Herausarbeiten, welcher Abschnitt auf welchen reagiert, und das Entscheiden, ob jede Beziehung Unterstützung oder Angriff ist. Es entstand aus der Argumentationstheorie — Stephen Toulmins Bericht von 1958 darüber, wie alltägliche Argumente tatsächlich aufgebaut sind, und Douglas Waltons Katalog wiederkehrender Denkweisen — und wurde in den 2010er Jahren durch annotierte Korpora wie Christian Stab und Iryna Gurevychs persuasive Essays und Andreas Peldszus und Manfred Stedes argumentative Mikrotexte zu einer rechnergestützten Disziplin. Argumentree nutzt Argument Mining, um ein eingefügtes Protokoll oder Dokument in einen Pro- und Contra-Argumentationsbaum zu verwandeln, den die Menschen dann lesen, korrigieren, bewerten und erweitern können.
Was ist Argument Mining?
Argument Mining ist der Zweig der KI, der gewöhnlichen Text liest und seine argumentative Struktur ermittelt — welche Sätze Behauptungen sind, welche die dafür gegebenen Gründe sind und ob jeder Grund unterstützt oder angreift den Punkt, an den er angehängt ist. Es ist die Technologie, die ein Pro- und Contra-Baum aus einem Sitzungsprotokoll erstellt.
Zuletzt aktualisiert: 2026-07-29
Kurz gesagt
Argumentation Mining (oder Argumentationsanalyse) extrahiert automatisch die Argumentation aus unstrukturiertem Text. Während die Sentimentanalyse fragt wie fühlt sich dieser Text an und die Zusammenfassung fragt was sagt er, fragt das Argumentation Mining was wird behauptet, auf welcher Grundlage und was spricht dagegen. Es ist das, was es Software ermöglicht, ein Transkript, eine Stellungnahme oder einen Aufsatz in eine Argumentationskarte anstelle einer Zusammenfassung umzuwandeln.
Die vier Aufgaben, mit denen sich das Argument Mining befassen muss.
Forscher unterteilen das Problem normalerweise in vier miteinander verbundene Aufgaben. Jede davon ist schwieriger als die vorherige, und ein Fehler zu Beginn wirkt sich auf alles danach aus.
1. Finde die argumentativen Teile
Die meisten Sätze in einem echten Dokument sind keine Argumente — sie sind Grüße, Logistik, Hintergrundinformationen oder Wiederholungen. Die erste Aufgabe besteht darin, zu entscheiden, welche Textabschnitte tatsächlich eine Behauptung oder einen Grund enthalten.
2. Beschriften Sie, was jeder Teil ist
Eine Behauptung ist eine Position, die jemand einnimmt. Eine Prämisse ist ein Grund, der dafür angeboten wird. Beweise sind die Daten, Studien oder Beispiele, die den Grund untermauern. Der gleiche Satz kann in einem Dokument eine Behauptung und in einem anderen eine Prämisse sein — die Rolle hängt davon ab, was er bewirkt, nicht davon, wie er formuliert ist.
3. Erarbeiten Sie, was auf was reagiert.
Argumente sind keine flache Liste. Ein Grund gehört zu einer spezifischen Behauptung; eine Widerlegung gehört zu einem spezifischen Grund. Diese Struktur wiederherzustellen, verwandelt einen Haufen extrahierter Sätze in einen Baum.
4. Entscheide dich für Unterstützung oder Angriff
Für jeden Link im Baum: Stärkt dies das, woran es befestigt ist, oder schwächt es es? Dies ist der Schritt, der am häufigsten schiefgeht, und der Grund wird weiter unten erklärt.
Erst wenn alle vier erledigt sind, haben Sie etwas, das Sie tatsächlich navigieren können: einen Anspruch, die Gründe dafür, die Einwände gegen diese Gründe und die Antworten auf diese Einwände.
Wo das Argument Mining herkommt
Argument Mining ist ein junges computergestütztes Feld, das auf einem viel älteren theoretischen basiert. Die Theorie kam etwa ein halbes Jahrhundert früher.
Toulmin bricht mit der formalen Logik.
In "Die Verwendung von Argumenten" argumentiert Stephen Toulmin, dass echte Argumente nicht wie Syllogismen aussehen. Er schlägt Anspruch, Gründe, Garantie, Unterstützung, Qualifizierer und Widerlegung als die Teile eines alltäglichen Arguments vor — das Vokabular, das das gesamte Feld weiterhin verwendet.
Walton katalogisiert, wie Menschen tatsächlich argumentieren.
Douglas Walton dokumentiert wiederkehrende Muster des alltäglichen Denkens — Berufung auf Expertenmeinungen, Argumentation durch Analogie, Argumentation aus Konsequenzen — jeweils mit einem Satz kritischer Fragen, die aufzeigen, wo sie scheitern kann.
Freeman formalisiert die Argumentstruktur
James Freeman unterscheidet zwischen Prämissen, die nur zusammen funktionieren, und Prämissen, die jeweils für sich allein stehen, und trennt das Angreifen einer Schlussfolgerung vom Angreifen der Inferenz, die zu ihr führt — eine Unterscheidung, die enorm wichtig ist, sobald eine Maschine dies tun muss.
Die Korpora kommen an.
Argument Mining wird zu einer messbaren rechnerischen Aufgabe, wenn annotierte Datensätze erscheinen. Stab und Gurevych annotieren Ansprüche, Prämissen und Beziehungen in überzeugenden Essays; Peldszus und Stede erstellen ein Korpus kurzer argumentativer Texte, um die Argumentstruktur speziell zu untersuchen. Gemeinsame Benchmarks machen Fortschritte vergleichbar.
Statistische und neuronale Modelle
Systeme lernen, argumentative Abschnitte zu kennzeichnen und Beziehungen aus gekennzeichneten Beispielen zu klassifizieren. Die Komponentenerkennung wird einigermaßen zuverlässig. Die Beziehungserkennung – zu entscheiden, was an was angehängt wird und ob es unterstützt oder angreift – bleibt hartnäckig schwierig.
Große Sprachmodelle verändern die Wirtschaft.
Allzweck-Sprachmodelle können Argumentationsberichterstattungsaufgaben durchführen, ohne zuvor an einem annotierten Korpus trainiert zu werden. Das beseitigt die größte praktische Hürde — die Notwendigkeit von Tausenden handannotierter Beispiele pro Domäne — und macht die Argumentationsberichterstattung in gewöhnlichen Geschäftstexten nutzbar.
Warum es schwieriger ist, als es klingt
Die Extraktion von Ansprüchen ist der einfache Teil. Die Schwierigkeit liegt in den Beziehungen — und dafür gibt es drei Gründe.
Die meisten Argumente lassen die Verbindung unausgesprochen.
"Die Brücke ist unsicher, also sollten wir sie schließen" verbirgt ein unausgesprochenes Prinzip: dass unsichere Strukturen geschlossen werden sollten. Toulmin nannte dies das warrant. Die Menschen sagen es fast nie laut, was bedeutet, dass eine Maschine einen Schritt rekonstruieren muss, der nicht im Text enthalten ist.
Angriffe sind selten, daher unterschätzen Modelle sie.
In den meisten annotierten Korpora sind die überwiegende Mehrheit der Beziehungen Unterstützung; Angriff ist eine kleine Minderheit. Ein Modell, das auf dieser Verteilung trainiert oder angestoßen wird, lernt, dass das Raten von Unterstützung normalerweise sicher ist — was genau falsch ist für die Fälle, die in einer Entscheidung am wichtigsten sind.
Mit dem Thema einverstanden zu sein, ist nicht dasselbe wie den Eltern zu unterstützen.
Unter einem Einwand ist ein Grund, der den Einwand verstärkt, unterstützend für dessen übergeordneten Punkt, während er dem Gesamtvorschlag widerspricht. Systeme, die die Haltung danach beurteilen, wie der Satz über das Thema denkt, haben dies falsch verstanden, und der Fehler verstärkt sich entlang des Zweigs.
Wie Argumentree Argument Mining verwendet
Argumentree wendet Argument Mining auf eine spezifische Aufgabe an: die Umwandlung eines Transkripts, Dokuments oder Threads in einen Pro- und Contra-Argumentbaum, mit dem ein Team dann arbeiten kann. Das Design folgt der Praxis des Fachgebiets, anstatt eine private Methode zu erfinden.
Jedes Argument bleibt an seiner Quelle gebunden.
Jedes extrahierte Argument trägt die genaue Formulierung, aus der es stammt. Wenn eine Behauptung nicht auf etwas zurückverfolgt werden kann, das tatsächlich im Quelltext vorhanden ist, wird sie nicht in den Baum aufgenommen.
Unterstützung und Angriff sind richtig modelliert.
Nach Walton und Freeman kann ein Einwand eine Schlussfolgerung anfechten, die Beweise dafür anfechten oder den inferenziellen Schritt anfechten, der sie verbindet. Das sind unterschiedliche Schritte und werden als unterschiedliche Beziehungen behandelt.
Das Ergebnis ist ein Entwurf, kein Urteil.
Die Extraktion erzeugt einen vorgeschlagenen Baum. Die Menschen überprüfen, korrigieren, ändern die Elternschaft und bewerten ihn, bevor er zum Protokoll wird. Die Maschine übernimmt den mühsamen ersten Durchgang; das Urteil bleibt bei der Gruppe.
Struktur überlebt das Gespräch
Da das Ergebnis ein Baum und keine Zusammenfassung ist, können spätere Mitwirkende einen neuen Einwand an den genauen Grund anhängen, den er anspricht, Monate nach der ursprünglichen Diskussion.
Die praktische Auswirkung ist, dass die Begründung hinter einer Entscheidung überprüfbar bleibt — nicht nur, was entschieden wurde, sondern auch, welche Argumente vorgebracht wurden, was darauf geantwortet wurde und was überhaupt nicht beantwortet wurde.
Weiter erkunden
Argumentation Mapping
Die manuelle Entsprechung: Ansprüche und Gründe visuell von Hand darzustellen. Argument Mining automatisiert, was das Argument Mapping absichtlich tut.
Argumentationstheorie
Das breitere Feld, über das das Argument Mining rechnet — Logik, Rhetorik, Dialektik und die formalen Rahmenbedingungen dahinter.
Das Toulmin-Modell
Die sechs Teile der Anatomie eines alltäglichen Arguments und die Quelle des Vokabulars für Behauptung, Begründung und Rechtfertigung, das im gesamten Argument Mining verwendet wird.
KI-Meeting-Intelligenz
Argument Mining, angewendet auf Besprechungsprotokolle – festhalten, warum eine Entscheidung getroffen wurde, nicht nur, was gesagt wurde.
Häufig gestellte Fragen
Was ist Argument Mining in einfachen Worten?
Argument Mining ist eine Software, die einen Text liest und das darin enthaltene Argument herausarbeitet: was behauptet wird, welche Gründe angegeben werden und welche Gründe für oder gegen welche Behauptungen sprechen. Das Ergebnis ist eine strukturierte Karte anstelle eines Prosa-Blocks.
Wie unterscheidet sich Argument Mining von der Zusammenfassung?
Eine Zusammenfassung komprimiert einen Text und sagt Ihnen grob, worum es ging. Argument Mining bewahrt die Struktur: Es sagt Ihnen, dass dieser spezielle Einwand gegen diesen speziellen Grund erhoben wurde und dass niemand darauf geantwortet hat. Zusammenfassungen verlieren genau die Meinungsverschiedenheit, die für eine Entscheidung wichtig ist.
Ist Argument Mining dasselbe wie Sentiment-Analyse?
Nein. Sentiment-Analyse misst die Einstellung — positiv, negativ, neutral. Argument Mining rekonstruiert das Denken. Ein Satz kann negativ formuliert sein, während er den Punkt unterstützt, an den er angehängt ist, und die Sentiment-Analyse wird das jedes Mal falsch verstehen.
Wer hat das Argument Mining erfunden?
Es gibt keinen einzelnen Erfinder. Die theoretischen Grundlagen sind Stephen Toulmins Modell der Argumentstruktur von 1958, erweitert durch Douglas Waltons Argumentationsschemata und James Freemans Darstellung der Argument-Makrostruktur. Das rechnergestützte Feld nahm in den 2010er Jahren Gestalt an, mit den annotierten Korpora von Christian Stab und Iryna Gurevych sowie von Andreas Peldszus und Manfred Stede, die dazu beitrugen, es messbar zu machen.
Warum ist es schwieriger, Angriffe zu erkennen als Unterstützung?
Zwei Gründe. Angriffe sind in den Datensätzen, aus denen diese Systeme lernen, viel seltener als Unterstützung, sodass die Modelle dazu neigen, Unterstützung vorherzusagen. Und ein Angriff muss oft im Verhältnis zu seinem unmittelbaren Elternteil beurteilt werden, anstatt zum übergeordneten Thema — ein Grund kann einen Einwand stärken, während er dem Vorschlag widerspricht, auf den sich dieser Einwand richtet.
Ersetzt das Argument Mining menschliches Urteilsvermögen?
Nein, und es ist ein Fehler, es so zu behandeln. Die Extraktion produziert einen ersten Entwurf der Argumentstruktur. Zu entscheiden, ob ein Argument gut ist – ob die Beweise stichhaltig sind, ob die unausgesprochene Annahme akzeptabel ist – ist menschliche Arbeit. Der Wert liegt darin, dass man die Struktur nicht von Hand erstellen muss, bevor diese Arbeit beginnen kann.
Literaturverzeichnis & weiterführende Literatur
Toulmin, S. E. (1958). Die Verwendung von Argumenten. Cambridge University Press.
Das Claim-Data-Warrant-Backing-Qualifier-Rebuttal-Modell - die theoretische Grundlage für die Argumentstruktur.
View source →Walton, D., Reed, C., & Macagno, F. (2008). Argumentationsschemata. Cambridge University Press.
Der Katalog wiederkehrender Denkstrukturen und der kritischen Fragen, die sie überprüfen - das Vokabular für Unterstützungs- und Angriffsbeziehungen.
Freeman, J. B. (1991). Dialektik und die Makrostruktur von Argumenten: Eine Theorie der Argumentstruktur. Foris / De Gruyter.
Unterstützung, Widerlegung und Untergrabung in einem Austausch zwischen Befürworter und Gegner - der Unterschied zwischen dem Angreifen einer Schlussfolgerung und dem Angreifen der Inferenz zu ihr.
View source →Peldszus, A., & Stede, M. (2013). Von Argumentdiagrammen zu Argumentationsmining in Texten: Eine Umfrage. International Journal of Cognitive Informatics and Natural Intelligence, 7(1), 1-31.
Operationalisierung des Freeman-Modells für automatisiertes Argument Mining.
View source →Stab, C., & Gurevych, I. (2014). Annotieren von Argumentkomponenten und -beziehungen in überzeugenden Essays. Proceedings of COLING 2014.
Grundlegendes rechnergestütztes Argument-Mining - das annotierte Korpus und das Schema hinter der automatisierten Argumentextraktion.
View source →Lawrence, J., & Reed, C. (2019). Argument Mining: Eine Umfrage. Computational Linguistics, 45(4), 765-818.
Die Standardumfrage des Feldes - Aufgabenbeschreibungen, Methoden und offene Probleme.
View source →Die Argumentationsbergbau-Serie
Wandle ein Transkript in einen Argumentationsbaum um.
Fügen Sie ein Protokoll eines Meetings, eine Antwort auf eine Konsultation oder ein Dokument ein und erhalten Sie einen strukturierten Pro- und Contra-Baum, den Ihr Team überprüfen, korrigieren, bewerten und weiterentwickeln kann.
Kostenlos starten