# ARS_ExplainableAI  
**Algorithmic Recursive Sequence Analysis for Explainable AI in Qualitative Social Research**

![Python](https://img.shields.io/badge/python-3.8%252B-blue)  
![License](https://img.shields.io/badge/license-MIT-green)  
![DOI](https://img.shields.io/badge/doi-10.xxxx%252Fars.2024.001-red)

---

## 📋 Overview (English)

**ARS_ExplainableAI** is a methodological and software-based framework for **Algorithmic Recursive Sequence Analysis (ARS)**.  
It integrates qualitative hermeneutics with formal modeling and contributes to **Explainable Artificial Intelligence (XAI)** in text analysis.

This repository contains:

- Complete scientific papers on ARS methodology (German / English)  
- Python implementations for grammar induction from terminal symbol sequences  
- Advanced network modeling via transformation into Petri nets and Bayesian networks  
- Compressing principles (repetition, recursion, symmetry, hierarchy)  
- Optimization algorithms for iterative adjustment of transition probabilities  
- Eight transcripts of sales conversations as an empirical basis  

---

## 🎯 Objectives (English)

Qualitative social research faces a methodological dilemma:  
Generative AI systems promise scalability but evade classical validation due to their opacity.

**ARS_ExplainableAI** addresses this challenge through:

- **Transparent model construction** – every interpretative step is explicitly documented  
- **Formalization of qualitative processes** – transformation of interpretations into terminal symbol sequences  
- **Explainable network models** – compressive transformation into Petri and Bayesian networks  
- **Recursive self-application** – AI as an epistemic agent reflecting on its own interpretations  

---

## 📋 Überblick (Deutsch)

**ARS_ExplainableAI** ist ein methodologisches und softwaretechnisches Framework zur  
**Algorithmisch Rekursiven Sequenzanalyse (ARS)**.  
Es verbindet qualitative Hermeneutik mit formaler Modellierung und leistet einen Beitrag zur  
**erklärbaren Künstlichen Intelligenz (XAI)** in der Textanalyse.

Dieses Repository enthält:

- Vollständige wissenschaftliche Aufsätze zur ARS-Methodologie (Deutsch / Englisch)  
- Python-Implementierungen zur Grammatikinduktion aus Terminalzeichenketten  
- Erweiterte Netzmodellierung durch Transformation in Petri-Netze und Bayessche Netze  
- Komprimierende Prinzipien (Wiederholung, Rekursion, Symmetrie, Hierarchie)  
- Optimierungsalgorithmen zur iterativen Anpassung von Übergangswahrscheinlichkeiten  
- Acht Transkripte von Verkaufsgesprächen als empirische Basis  

---

## 🎯 Zielsetzung (Deutsch)

Die qualitative Sozialforschung steht vor einem methodologischen Dilemma:  
Generative KI-Systeme versprechen Skalierung, entziehen sich jedoch aufgrund ihrer Opazität der klassischen Validierung.

**ARS_ExplainableAI** begegnet diesem Problem durch:

- **Transparente Modellbildung** – jeder Interpretationsschritt wird explizit dokumentiert  
- **Formalisierung qualitativer Prozesse** – Überführung von Lesarten in Terminalzeichenketten  
- **Erklärbare Netzmodelle** – komprimierende Transformation in Petri- und Bayessche Netze  
- **Rekursive Selbstanwendung** – KI als epistemischer Akteur, der eigene Interpretationen reflektiert