ARS_ExplainableAI

Algorithmic Recursive Sequence Analysis for Explainable AI in Qualitative Social Research

!Python
!License
!DOI

---

📋 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