Dokument: How Much Do I Argue Like You? Comparing Attitudes in Argumentation and Derived Applications

Titel:	How Much Do I Argue Like You? Comparing Attitudes in Argumentation and Derived Applications
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=57240
URN (NBN):	urn:nbn:de:hbz:061-20210830-112210-5
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Brenneis, Markus [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 4,70 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 24.08.2021 / geändert 24.08.2021
Beitragende:	Prof. Dr. Mauve, Martin [Gutachter] Prof. Dr. Harmeling, Stefan [Gutachter]
Dewey Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke
Beschreibungen:	Many people take part in online discussions, state their opinions on controversial topics, and bring forward their arguments. Sometimes, you ask yourself how similar your opinion is to the opinion of another participant of the discussion. For example, you might be reading the attitudes of political parties towards current political issues, and you ask yourself which party to vote for. But to undertake this kind of comparison, you need some means to calculate the similarities of attitudes in an argumentation. In this work, we delve into the issue of determining the similarities of individual views in an argumentation. We present a theoretical model to capture different opinions and arguments in argumentation contexts and develop a pseudometric for calculating the (dis)similarity between the views of two participants. Furthermore, we investigate how to make sure that such a distance measure yields intuitive results by looking at an empirical study where we collected human baseline results for argumentation similarity assessments. We propose different distance functions and study which best match human intuition and where the functions have limitations. Once we have the theoretical means to compare attitudes in argumentations, we examine two possible use cases. First, we explore how to achieve a clearer view in online discussion platforms with numerous arguments by pre-filtering arguments using neighborhood-based collaborative filtering. Our new argumentation platform deliberate includes such a filtering algorithm which uses our pseudometric for calculating the similarity of users based on their attitudes in the argumentation. We expound on results from an experiment with deliberate, where the influence of different filtering algorithms on the formation of opinion was studied. Moreover, we present our argumentation dataset for evaluating argument recommender systems which comprises several hundred user profiles. As a second use case, we introduce our argument-based Voting Advice Application (VAA) ArgVote, which computes the similarity of political views of parties and voters not only based on their opinion concerning central theses, but also considering their arguments. Although we could not demonstrate that our new matching algorithm based on our pseudometric was more accurate than the algorithm in classical VAAs, we were, nevertheless, able to show positive effects of our argument-based system on the understanding of political issues. The dataset containing the user profiles of our study participants is provided to improve the matching algorithms in future work. We subsequently present our idea for a VAA chat bot to address some issues with ArgVote which our experiment revealed. Our work lays the foundation for further exciting applications in the context of argumentations, for instance the clustering of voters, an automatic finding of compromises, or escaping filter bubbles. The impact of the developed methods, systems, and different user interfaces on opinion formation or political interest can be further researched in larger empirical studies. Viele Menschen nehmen an Onlinediskussionen teil, sagen ihre Meinungen zu kontroversen Themen und bringen ihre Argumente ein. Manchmal fragt man sich, wie ähnlich die eigene Meinung zu der Meinung anderer Diskussionsteilnehmer:innen ist. Man könnte z. B. gerade die Einstellungen von Parteien zu aktuellen politischen Themen lesen und sich fragen, welche Partei man wählen soll. Aber um diese Art von Vergleich vornehmen zu können, braucht es eine Methode, die Ähnlichkeit von Einstellungen in einer Argumentation zu berechnen. In dieser Arbeit beschäftigen wir uns damit, die Ähnlichkeit individueller Ansichten in einer Argumentation zu bestimmen. Wir präsentieren ein theoretisches Modell zum Festhalten verschiedener Meinungen und Argumente und entwickeln eine Pseudometrik zur Berechnung des Abstands zwischen den Ansichten zweier Personen. Ferner untersuchen wir, wie man sicherstellen kann, dass ein solches Distanzmaß intuitive Ergebnisse liefert, indem wir unsere empirische Studie ansehen, in der menschliche Referenzwerte für die Ähnlichkeitsbewertung von Argumentationen gesammelt wurden. Wir schlagen verschiedene Distanzfunktionen vor und betrachten, welche am besten mit menschlicher Intuition übereinstimmen und wo ihre Grenzen liegen. Ausgestattet mit diesen theoretischen Mitteln untersuchen wir zwei mögliche Anwendungsfälle. Zuerst erkunden wir, wie eine übersichtlichere Ansicht vieler Argumente auf Diskussionsplattformen durch eine Vorfilterung von Argumenten mit Nachbarschafts-basiertem Collaborative Filtering erreicht werden kann. Unsere neue Argumentationsplattform deliberate beinhaltet einen solchen Algorithmus, der mit unserer Pseudometrik die Ähnlichkeit von Teilnehmer:innen basierend auf deren Einstellungen in der Argumentation berechnet. Wir erläutern Ergebnisse von einem Experiment mit deliberate zum Einfluss verschiedener Filteralgorithmen auf die Meinungsbildung. Außerdem präsentieren wir unseren Argumentationsdatensatz zur Evaluation von Recommender"=Systemen für Argumente, der hunderte Benutzerprofile beinhaltet. Als zweite Anwendung stellen wir unsere Argument-basierte Voting Advice Application (VAA) ArgVote vor, die die Ähnlichkeit von politischen Ansichten von Parteien und Wähler:innen nicht nur basierend auf deren Meinung zu zentralen Thesen, sondern unter Berücksichtigung von Argumenten berechnet. Wir konnten zwar nicht zeigen, dass unser Vergleichsalgorithmus, der auf unserer Pseudometrik basiert, akkuratere Ergebnisse liefert als der klassische Algorithmus, jedoch stellten wir einen positiven Effekt unseres Systems auf das Verständnis politischer Themen fest. Der Datensatz mit den Profilen der Studienteilnehmer:innen steht zur Verfügung, um den Vergleichsalgorithmus in Zukunft verbessern zu können. Zum Adressieren ein paar der festgestellten Probleme mit ArgVote präsentieren wir unsere Idee für einen VAA-Chatbot. Wir legen die Grundlage für weitere Anwendungen im Kontext von Argumentationen, beispielsweise Clustering von Wähler:innen, automatische Konsensfindung und Entkommen aus Filterblasen. Die Auswirkungen der entwickelten Methoden, Systeme und neuer Benutzeroberflächen auf Meinungsbildung und politisches Interesse können noch weiter untersucht werden.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät » WE Informatik » Rechnernetze
Dokument erstellt am:	30.08.2021
Dateien geändert am:	30.08.2021
Promotionsantrag am:	27.04.2021
Datum der Promotion:	23.08.2021