Schwachstellenermittlung und Rückmeldungsprinzipen in einem intelligenten Tutorensystem für juristische Argumentation

Dieser Artikel stellt ein intelligentes Tutorensystem für die Rechtswissenschaften vor. Das System, welches bisher im Rahmen von einigen Pilotstudien getestet wurde, soll Jurastudenten helfen, vor Gericht notwendige Argumentationsstrategien zu lernen. Im verwendeten Ansatz werden Gerichtsprotokolle als Lernmaterialien verwendet: Studenten annotieren diese und erstellen graphische Repräsentationen des Argumentationsverlaufs. Das System kann dabei zur Reflexion der von Anwälten vorgebrachten Argumente anregen und Lernende auf mögliche Schwächen in ihrer Analyse des Disputs hinweisen. Dies geschieht gröβtenteils in Form von Aufforderungen zur Selbsterklärung – eine für präzisere Rückmeldungen notwendige exakte Definition von Korrektheit ist in der betrachteten Domäne oft nicht möglich. Zur Erkennung von Schwächen verwendet das System Graphgrammatiken und kollaborative Filtermechanismen. Die Prioritätsbestimmung für Rückmeldungen, welche in diesem Artikel genauer dargestellt wird, berücksichtigt mehrere Faktoren des Benutzungskontextes.

[1]  T. Gelder.  Argument Mapping with Reason ! Able , 2002 .

[2]  Silke Schworm,et al.  Learning by Solved Example Problems: Instructional Explanations Reduce Self-Explanation Activity , 2002 .

[3]  Vincent Aleven,et al.  Toward Legal Argument Instruction with Graph Grammars and Collaborative Filtering Techniques , 2006, Intelligent Tutoring Systems.

[4]  Chris Reed,et al.  Araucaria: Software for Argument Analysis, Diagramming and Representation , 2004, Int. J. Artif. Intell. Tools.

[5]  Andrew J. Viterbi,et al.  Error bounds for convolutional codes and an asymptotically optimum decoding algorithm , 1967, IEEE Trans. Inf. Theory.

[6]  Chen-Lin C. Kulik,et al.  The Instructional Effect of Feedback in Test-Like Events , 1991 .

[7]  John R. Anderson,et al.  Skill Acquisition and the LISP Tutor , 1989, Cogn. Sci..

[8]  Vincent Aleven,et al.  Using background knowledge in case-based legal reasoning: A computational model and an intelligent learning environment , 2003, Artif. Intell..

[9]  John R. Anderson,et al.  Cognitive Tutors: Lessons Learned , 1995 .

[10]  Vincent Aleven,et al.  Limitations of Student Control: Do Students Know When They Need Help? , 2000, Intelligent Tutoring Systems.

[11]  Bart Verheij,et al.  Artificial argument assistants for defeasible argumentation , 2003, Artif. Intell..

[12]  Tom Routen.  Reusing formalisations of legislation in a tutoring system , 2004, Artificial Intelligence Review.

[13]  Joseph A. Konstan,et al.  Collaborative Filtering: Supporting Social Navigation in Large, Crowded Infospaces , 2003, Designing Information Spaces.

[14]  Chad S. Carr.  Using Computer Supported Argument Visualization to Teach Legal Argumentation , 2003, Visualizing Argumentation.

[15]  N. Maccormick,et al.  Interpreting precedents : a comparative study , 1998 .

[16]  Kevin D. Ashley.  Modeling legal argument - reasoning with cases and hypotheticals , 1991, Artificial intelligence and legal reasoning.

[17]  Shaaron Ainsworth,et al.  The functions of multiple representations , 1999, Comput. Educ..