Unser DeLab Framework

Um Konversationen in sozialen Medien zu verbessern, haben wir einen (technischen) Rahmen geschaffen, der verschiedene Verfahren kombiniert.
  Nachfolgend finden Sie einen Überblick über das allgemeine Framework. 

Für spezifischere Einblicke werfen Sie bitte einen Blick auf die Blog-Seite, wo wir gelegentlich über die spezifischen Module und den Fortschritt des Projekts im Allgemeinen berichten.
Image

Schritt 1: Die Konversationen

Wir starten mit dem Einlesen von Konversationen aus sozialen Medien. Dazu laden wir zum Beispiel in Echtzeit Daten von Twitter und Reddit herunter. Anschließend extrahieren wir aus der Antwortkette die Konversationen. Die Konversationen sind vergleichbar mit einem Netzwerk, in dem die Tweets den Knoten und die Antworten den Kanten des Netzwerks entsprechen. Ein erster Prototyp zur Extraktion der Antwortbäume finden Sie auf pypi.org: https://pypi.org/project/delab-trees/. In vielen Fällen sieht das Ergebnis so ähnlich wie die Abbildung auf der linken Seite aus: ein Antwortbaum. 
Image

Schritt 2: Die empirischen Verfahren

Die Konversationen werden dann an unsere Computermodule weitergeleitet, die die Daten verarbeiten. In diesem Schritt werden zum Beispiel kulturelle Skripte und mögliche sprachliche Missverständnisse erkannt. Außerdem werden sprachliche Eigenschaften extrahiert, die angeben, ob es sich um "gute" oder "schlechte" sprachliche Konflikte handelt. Des Weiteren stellen wir die Struktur der Argumente dar und berechnen eine Vielzahl weiterer lexikalischer Indikatoren wie Themen oder Stimmungen. Einige der Module nutzen regelbasierte oder statistische Verfahren; andere Module greifen auch auf Verfahren aus dem Bereich KI zurück, um die jeweiligen Werte zu berechnen. Je nach Modul ist das Ergebnis ein numerischer Wer, eine statistische Verteilung oder ein Netzwerk. 
Image

Schritt 3: Die Integration der Signale

Jedes Signal der Computermodule (Werte, Verteilungen, Netzwerke) wird an das Signalintegrationsmodul weitergegeben. Wie der Name des Moduls bereits impliziert, werden die einzelnen Signale integriert und kombiniert. Im Idealfall ergibt sich daraus exakt ein Wert, der die Qualität der Kommunikation misst. In vielen Fällen kann es jedoch erforderlich sein, einen mehrdimensionalen Wert zu berechnen, um die Qualität adäquat abbilden zu können. Wir sehen großes Potenzial darin, auf KI-basierte Verfahren zur Integration der Signale zurückzugreifen.
Image

Schritt 4: Die Bewertung der Intervention

Sobald wir wissen, wie schlecht (oder gut) die Kommunikation ist, müssen wir entscheiden, ob eine Intervention in das Gespräch nötig ist. Das ist jedoch nur ein Teil des Problems: Wir müssen zudem entscheiden, welche Art der Intervention den Nutzern und Nutzerinnen am ehesten hilft, das Gespräch erfolgreich weiterzuführen. Diese Entscheidung basiert auf dem allgemeinen Zustand der Kommunikation (Stichwort "Gesundheit") und den einzelnen Signalen der Module. Die einzelnen Signale können durchaus die Messung des Zustands überschreiben, zum Bespiel kann eine Intervention auch in Konversationen ohne Hassnachrichten nötig und erfolgreich sein. Ob damit die Konversationen verbessert werden, ist Bestandteil einer experimentellen Überprüfung. 
Image

Schritt 5: Die Intervention

Wenn wir feststellt haben, dass eine Intervention nötig ist und die KI entschieden hat, welche Form der Intervention die wahrscheinlich vielversprechendste ist, wird der intervenierende Textbeitrag auf dem sozialen Medium als Antwort im Konversationsbaum veröffentlicht. Das ist allerdings noch nicht das Ende der Geschichte: Wir werden die Intervention und den weiteren Verlauf der Konversation auf dem sozialen Medium verfolgen und überprüfen, inwiefern die Intervention erfolgreich war. Der weitere Verlauf der Konversation kann somit als Input für das selbstlerndene System dienen. Damit erreichen wir, dass die KI den Erfolg (und Misserfolg) in ihre zukünftigen Berechnungen mit einbezieht. Über Zeit wird das System damit immer besser.