Inhalt
Aktueller Ordner:
ARS_ExplainableAIARS5_Methodological_Ger.md
---
abstract: |
Dieser Beitrag rekonstruiert die empirische Grammatik von acht Verkaufsgesprächen, die 1994 auf dem Aachener Marktplatz aufgenommen wurden, mittels der Algorithmisch Rekursiven Sequenzanalyse (ARS). Die Analyse führt von den Roh-Transkripten über Terminalzeichenketten, Übergangszählung und Wahrscheinlichkeitsinduktion zu einer probabilistischen kontextfreien Grammatik (PCFG) mit empirisch optimierten Übergangswahrscheinlichkeiten. Ich biete eine interpretative Analyse der gelernten Wahrscheinlichkeiten und unterscheide zwischen konstitutiven Regeln (structurellen Beschränkungen, die Wohlgeformtheit definieren) und statistischen Regularitäten (empirischen Häufigkeiten, die kontingente Muster widerspiegeln). Die Grammatik offenbart sowohl ritualisierte Sequenzen (Begrüßungen, Verabschiedungen) als auch strategische Optionen (Upselling-Schleifen, Neustarts). Der Beitrag schließt mit einer Diskussion, wie die Grammatik in neuro-symbolischen Frameworks implementiert werden kann, um qualitative Interpretation und computergestützte Ausführung zu verbinden.
author:
- Paul Koop
date: 1994--2026
title: |
Die empirische Grammatik von Marktgesprächen\
Eine neuro-symbolische Rekonstruktion
---
Einleitung: Von Rohdaten zur formalen Grammatik
Die Algorithmisch Rekursive Sequenzanalyse (ARS) beruht auf einer einfachen, aber wirkmächtigen Idee: Soziale Interaktionen hinterlassen physikalische Spuren (Tonaufnahmen), die transkribiert, interpretiert und in formale Grammatiken überführt werden können. Dieser Beitrag dokumentiert die gesamte Pipeline von den Roh-Transkripten bis zur empirisch optimierten Grammatik, basierend auf acht Verkaufsgesprächen, die im Juni/Juli 1994 auf dem Aachener Marktplatz aufgenommen wurden.
Der Beitrag ist dreifach:
1. Empirisch: Ich präsentiere die vollständige optimierte Grammatik, induziert aus den acht Transkripten, mit allen Übergangs- wahrscheinlichkeiten.
2. Interpretativ: Ich analysiere die gelernten Wahrscheinlichkeiten und unterscheide zwischen konstitutiven Regeln (strukturellen Notwendigkeiten) und statistischen Regularitäten (empirischen Kontingenzen).
3. Methodologisch: Ich diskutiere, wie die Grammatik in neuro-symbolischen Frameworks implementiert werden kann, um qualitative Interpretation und computergestützte Ausführung zu verbinden.
Daten und Interpretation
Die acht Transkripte
Das empirische Material umfasst acht Transkripte von Verkaufsgesprächen, die im Juni/Juli 1994 auf dem Aachener Marktplatz aufgenommen wurden. Die Transkripte variieren in Länge, Vollständigkeit und Gesprächstyp:
::: {#tab:corpus}
Text Datum Ort Beteiligte
---------- ------------ --------------- ------------------------
T1 28.06.1994 Metzgerei Verkäuferin (w), Kunde
T2 28.06.1994 Kirschenstand Verkäufer (m), K1, K2
T3 28.06.1994 Fischstand Verkäufer (m), Kunde
T4 28.06.1994 Gemüsestand Verkäufer (m), Kunde
T5 26.06.1994 Gemüsestand Verkäufer (m), K1, K2
T6 28.06.1994 Käseverkauf Verkäufer (m), K1
T7 28.06.1994 Bonbonstand Verkäufer (m), Kunde
T8 09.07.1994 Bäckerei Verkäuferin (w), Kunde
: Korpus der Marktgespräche
:::
Zuordnung der Terminalzeichen
Jede Äußerung wurde einem Terminalzeichen aus einem vordefinierten Kategoriensystem zugeordnet, das durch sequenzielle Mikroanalyse nach der Methode der objektiven Hermeneutik entwickelt wurde [@oevermann1979methodology]. Die zwölf Terminalzeichen sind:
::: {#tab:terminals}
Symbol Bedeutung
------------ --------------------------
KBG Kunden-Gruß
VBG Verkäufer-Gruß
KBBd Kunden-Bedarf (konkret)
VBBd Verkäufer-Nachfrage
KBA Kunden-Antwort
VBA Verkäufer-Reaktion
KAE Kunden-Erkundigung
VAE Verkäufer-Auskunft
KAA Kunden-Abschluss
VAA Verkäufer-Abschluss
KAV Kunden-Verabschiedung
VAV Verkäufer-Verabschiedung
: Terminalzeichen und ihre Bedeutungen
:::
Die resultierenden Terminalzeichenketten für die acht Transkripte sind:
T1: KBG, VBG, KBBd, VBBd, KBA, VBA, KBBd, VBBd, KBA, VAA, KAA, VAV, KAV
T2: VBG, KBBd, VBBd, VAA, KAA, VBG, KBBd, VAA, KAA
T3: KBBd, VBBd, VAA, KAA
T4: KBBd, VBBd, KBA, VBA, KBBd, VBA, KAE, VAE, KAA, VAV, KAV
T5: KAV, KBBd, VBBd, KBBd, VAA, KAV
T6: KBG, VBG, KBBd, VBBd, KAA
T7: KBBd, VBBd, KBA, VAA, KAA
T8: KBG, VBBd, KBBd, VBA, VAA, KAA, VAV, KAV
Die optimierte Grammatik
Induktionsmethode
Die Grammatik wurde durch Zählung der Übergänge über alle acht Transkripte induziert und zu Wahrscheinlichkeiten normalisiert:
$$P(\sigma_j \mid \sigma_i) = \frac{\text{Zahl}(\sigma_i \to \sigma_j)}{\sum_k \text{Zahl}(\sigma_i \to \sigma_k)}$$
Die resultierenden Wahrscheinlichkeiten wurden iterativ verfeinert, indem künstliche Ketten generiert und deren Häufigkeitsverteilungen mit den empirischen Daten verglichen wurden. Die finale Grammatik erreichte eine Korrelation von $r = 0,925$ zwischen empirischen und generierten Häufigkeiten.
Die optimierte probabilistische Grammatik
::: {#tab:grammar}
Startsymbol Folgesymbole mit Wahrscheinlichkeiten
----------------- -----------------------------------------------------
KBG VBG (0,667), VBBd (0,333)
VBG KBBd (1,0)
KBBd VBBd (0,667), VAA (0,167), VBA (0,167)
VBBd KBA (0,444), VAA (0,222), KBBd (0,222), KAA (0,111)
KBA VBA (0,5), VAA (0,5)
VBA KBBd (0,5), KAE (0,25), VAA (0,25)
VAA KAA (0,857), KAV (0,143)
KAA VAV (0,75), VBG (0,25)
VAV KAV (1,0)
KAE VAE (1,0)
VAE KAA (1,0)
KAV VAV (0,5), KBBd (0,5)
: Optimierte Übergangswahrscheinlichkeiten
:::
Grafische Darstellung
Abbildung 1{reference-type="ref" reference="fig:grammar"} visualisiert die Grammatik als gerichteten Graphen mit Wahrscheinlichkeiten.
<figure id="fig:grammar">
<pre><code> KBG
/ \
0,667 0,333
/ \
VBG VBBd
| |
1,0 |
| |
KBBd |
/ | \ |
0,667| |0,167 |
/ | \ |
VBBd | VBA |
| | | |
| | 0,5| |
| | | |
| | KBBd |
| | / \ |
| | ... ... |
| | |
\---/-----------/
|
VAA
/ \
0,857 0,143
/ \
KAA KAV
/ \ |
0,75 0,25 |
/ \ |
VAV VBG |
| |
KAV VAV
| |
\_____________/
|
ENDE</code></pre>
<figcaption>Grafische Darstellung der optimierten Grammatik. Kantengewichte geben die Übergangswahrscheinlichkeiten an.</figcaption>
</figure>
Interpretative Analyse der Wahrscheinlichkeiten
Konstitutive Regeln (strukturelle Notwendigkeiten)
Einige Übergänge haben die Wahrscheinlichkeit 1,0, was darauf hinweist, dass sie nicht bloß statistische Regularitäten, sondern konstitutive Regeln des Interaktionsformats sind:
- VBG → KBBd (1,0): Ein Verkäufer-Gruß muss von einer Kunden-Bedarfsäußerung gefolgt sein. Dies ist eine strukturelle Eigenschaft von Verkaufsgesprächen. Ohne diesen Übergang würde dem Gespräch sein transaktionaler Zweck fehlen.
- KAE → VAE (1,0): Eine Kunden-Erkundigung muss von einer Verkäufer-Auskunft beantwortet werden. Dies spiegelt die normative Erwartung von Reziprozität und Kooperation wider.
- VAE → KAA (1,0): Auf Verkäufer-Auskunft folgt immer ein Kunden-Abschluss. Dies deutet darauf hin, dass der Informationsaustausch in Marktgesprächen eng mit der Transaktionsbeendigung gekoppelt ist.
- VAV → KAV (1,0): Verkäufer-Verabschiedungen werden immer durch Kunden-Verabschiedungen erwidert. Dies ist eine ritualisierte Abschlusssequenz, die das Ende der Interaktion markiert.
Statistische Regularitäten (empirische Kontingenzen)
Andere Übergänge haben Wahrscheinlichkeiten zwischen 0 und 1, die empirische Häufigkeiten widerspiegeln, die je nach Kontext variieren können:
- KBG → VBG (0,667) vs. KBG → VBBd (0,333): In zwei Dritteln der Fälle wird ein Kunden-Gruß erwidert; in einem Drittel antwortet der Verkäufer direkt mit einer Nachfrage (Überspringen des reziproken Grußes).
- KBBd → VBBd (0,667) vs. KBBd → VAA (0,167) vs. KBBd → VBA (0,167): Die meisten Kunden-Bedarfe werden von Verkäufer-Nachfragen gefolgt, manchmal aber auch direkt von Abschluss (sofortiger Kauf) oder Reaktion (beratende Antwort).
- VBBd → KBA (0,444) vs. VBBd → VAA (0,222) vs. VBBd → KBBd (0,222) vs. VBBd → KAA (0,111): Verkäufer- Nachfragen haben die vielfältigsten Folgen -- Antworten, Abschlüsse, Bedarfsschleifen (Upselling) oder Kunden-Abschlüsse (vorzeitiger Ausstieg).
- KBA → VBA (0,5) vs. KBA → VAA (0,5): Kunden-Antworten führen mit gleicher Wahrscheinlichkeit zu Verkäufer-Reaktionen oder direkten Abschlüssen. Dies deutet auf einen strategischen Wahlpunkt hin.
- VAA → KAA (0,857) vs. VAA → KAV (0,143): Die meisten Verkäufer-Abschlüsse werden von Kunden-Abschlüssen gefolgt; selten direkt von Kunden-Verabschiedung (abgekürzter Abschluss).
- KAA → VAV (0,75) vs. KAA → VBG (0,25): Drei Viertel der Kunden-Abschlüsse führen zu Verkäufer-Verabschiedungen; ein Viertel führt zu einem Neustart des Gesprächs (neue Begrüßung). Die Neustart-Option tritt auf, wenn ein neuer Kunde eintrifft oder derselbe Kunde einen zusätzlichen Kauf tätigt.
Die Upselling-Schleife
Der Übergang VBA → KBBd (0,5) verdient besondere Aufmerksamkeit. Diese Schleife -- von Verkäufer-Reaktion zurück zu Kunden-Bedarf -- ist die grammatische Repräsentation des Upsellings. Wenn ein Verkäufer \"Sonst noch etwas?\" (VBA) sagt, antwortet der Kunde oft mit einem zusätzlichen Bedarf (KBBd).
Entscheidend ist, dass diese Schleife nur in der Hälfte der Fälle auftritt (0,5). Die andere Hälfte führt zu Abschluss (VAA, 0,25) oder Erkundigung (KAE, 0,25). Dies deutet darauf hin, dass Upselling weder obligatorisch noch selten ist -- es ist eine strategische Option, die Verkäufer einsetzen können, und Kunden können sie annehmen oder abweisen.
Die Neustart-Option
Der Übergang KAA → VBG (0,25) ist besonders interessant. Ein Kunden-Abschluss (KAA) wird normalerweise von einer Verabschiedung (VAV, 0,75) gefolgt, aber in einem Viertel der Fälle folgt eine Verkäufer-Begrüßung (VBG). Dies zeigt, dass Gespräche nach dem Abschluss neu gestartet werden können -- zum Beispiel, wenn ein neuer Kunde eintrifft (wie in T2 und T5) oder wenn derselbe Kunde einen zusätzlichen Kauf tätigt.
Die Ankunft eines neuen Kunden
Der Übergang KAV → KBBd (0,5) zeigt, dass eine Kunden-Verabschiedung \"zurückgenommen\" werden kann, wenn ein neuer Kunde eintrifft. In T5 folgt auf eine Verabschiedung (KAV) sofort ein neuer Kunden-Bedarf (KBBd). Dies ist der einzige Übergang, der die ansonsten strikte Phasenabfolge durchbricht.
Konstitutive Regeln vs. statistische Regularitäten
Die Unterscheidung
Das ARS-Framework hält eine strikte Unterscheidung zwischen zwei Beschreibungsebenen ein:
1. Konstitutive Regeln: Strukturelle Beschränkungen, die definieren, was als wohlgeformte Sequenz gilt. Diese sind binär (eine Sequenz entspricht entweder den Regeln oder nicht). Im Korpus sind Übergänge mit Wahrscheinlichkeit 1,0 Kandidaten für konstitutive Regeln.
2. Statistische Regularitäten: Empirische Häufigkeiten von Übergängen. Diese sind probabilistisch und können aktualisiert werden, wenn neue Daten eintreffen. Sie spiegeln wider, was tatsächlich vorkommt, nicht was notwendigerweise vorkommen muss.
::: {#tab:constitutive}
Regel Wahrscheinlichkeit Interpretation
------------ ------------------------ ----------------------------------------------------
VBG → KBBd 1,0 Verkäufer-Gruß muss von Kunden-Bedarf gefolgt sein
KAE → VAE 1,0 Kunden-Erkundigung muss beantwortet werden
VAE → KAA 1,0 Information muss zum Abschluss führen
VAV → KAV 1,0 Verabschiedungen sind reziprok
: Aus dem Korpus identifizierte konstitutive Regeln
:::
Von der Statistik zur Konstitutivität
Eine statistische Regularität kann durch methodologische Entscheidung zu einer konstitutiven Regel werden. Der Übergang
Diese Entscheidung ist jedoch nicht automatisch. Sie erfordert methodologische Reflexion: Ist dies wirklich ein notwendiges Merkmal des Interaktionsformats, oder könnte es in anderen Kontexten variieren? Der ARS-Ansatz behandelt Übergänge zunächst als statistisch, bis Gegenbeispiele eine Revision der strukturellen Grammatik erzwingen.
Die methodologische Bedeutung
Diese Flexibilität ist entscheidend für XAI und neuro-symbolische Integration. Sie erlaubt dem Analysten:
1. Mit rein statistischem Lernen zu beginnen (keine vorherigen Beschränkungen).
2. Übergänge zu identifizieren, die in den Daten nie variieren.
3. Sie nach methodologischer Reflexion zu konstitutiven Regeln zu erheben.
4. Das resultierende hybride System für Vorhersage und Erklärung zu nutzen.
Das System bewegt sich so von rein empirischer Mustererkennung (System 1) zu regelbasierter Erklärung (System 2) -- ein Wechsel, der Kahnemans Unterscheidung zwischen schnellem und langsamem Denken widerspiegelt [@kahneman2011thinking].
Hin zur neuro-symbolischen Implementierung
Die Dual-Dynamics-Architektur
Die ARS-Grammatik legt nahe eine Dual-Dynamics-Architektur für die neuro-symbolische Implementierung:
1. Symbolische Komponente (System 2): Die Grammatikregeln, einschließlich sowohl konstitutiver Regeln als auch statistischer Wahrscheinlichkeiten. Diese Komponente ist inspizierbar, falsifizierbar und erklärbar.
2. Neuronale Komponente (System 1): Ein neuronales Netz, das Übergangswahrscheinlichkeiten aus Daten lernt und nächste Symbole vorhersagt. Diese Komponente ist schnell, musterbasiert und skalierbar.
3. Hybride Integration: Die neuronale Komponente liefert schnelle Vorhersagen; die symbolische Komponente validiert sie gegen konstitutive Regeln und liefert Erklärungen.
Pseudocode: ARS 5.0 Dual-Dynamics-Architektur
class ARSNeuroSymbolicSystem:
def __init__(self):
# Symbolische Komponente
self.grammar = ARSGrammar() # PCFG mit Wahrscheinlichkeiten
self.counts = zero_matrix(12, 12) # Übergangszähler
# Neuronale Komponente
self.neural_network = NeuralNetwork( input_dim=12, hidden=64, output_dim=12 )
# Konstitutive Regeln (harte Beschränkungen)
self.constitutive_rules = {
(KBG, VBG): True, (VBG, KBBd): True,
(KAE, VAE): True, (VAV, KAV): True, (KAV, VAV): True
}
def update_symbolic(self, from_sym, to_sym):
"""Schnelles, zählbasiertes Update (System 2)"""
self.counts[from_sym][to_sym] += 1
row_sum = sum(self.counts[from_sym])
self.grammar.probs[from_sym] = self.counts[from_sym] / row_sum
def update_neural(self, from_sym, to_sym):
"""Langsames, gradientenbasiertes Update (System 1)"""
loss = cross_entropy( self.neural_network(from_sym), to_sym )
loss.backward()
optimizer.step()
def predict_next(self, from_sym):
"""Hybride Vorhersage"""
neural_probs = self.neural_network(from_sym)
symbolic_probs = self.grammar.probs[from_sym]
return 0.5 neural_probs + 0.5 symbolic_probs
def is_valid(self, from_sym, to_sym):
"""Prüfung konstitutiver Regeln"""
return self.constitutive_rules.get((from_sym, to_sym), True)
Erklärbarkeit durch Beweisbäume
Die symbolische Komponente ermöglicht Erklärbarkeit durch Beweisbäume. Für jede wohlgeformte Sequenz kann die Grammativ eine Ableitung produzieren:
well_formed([KBG, VBG, KBBd])
← start(KBG) [1.0]
← transition(KBG, VBG) [0.667]
← well_formed([VBG, KBBd])
← transition(VBG, KBBd) [1.0]
← well_formed([KBBd])
← start(KBBd) [0.0]
Wahrscheinlichkeit: 0.667 × 1.0 × 0.0 = 0.0
Dieser Beweisbaum macht das Schließen transparent. Jeder Schritt wird durch eine Regel gerechtfertigt, und jede Regel hat eine explizite Wahrscheinlichkeit.
Implementierungsoptionen
Die ARS-Grammatik kann in verschiedenen neuro-symbolischen Frameworks implementiert werden:
::: {#tab:options}
Framework Sprache Am besten für
--------------- --------------- -----------------------------------------
DeepProbLog Prolog/Python Forschung, Erklärbarkeit
PyTorch Python Flexibilität, Prototyping
Flux.jl Julia Wissenschaftliches Rechnen, Performance
Candle Rust Produktion, Edge-Computing
: Implementierungsoptionen für ARS 5.0
:::
Jedes Framework hat seine eigenen Stärken, aber alle können dieselbe Dual-Dynamics-Architektur implementieren.
Fazit
Dieser Beitrag hat die empirische Grammatik von acht Marktgesprächen rekonstruiert, von den Roh-Transkripten bis zu einer empirisch optimierten probabilistischen Grammatik. Die Analyse ergab drei Haupterkenntnisse:
1. Empirisch: Die optimierte Grammatik erreicht eine hohe Korrelation mit den Daten ($r = 0,925$) und offenbart sowohl konstitutive Regeln (Übergänge mit Wahrscheinlichkeit 1,0) als auch statistische Regularitäten.
2. Interpretativ: Die Upselling-Schleife (VBA → KBBd, 0,5) und die Neustart-Option (KAA → VBG, 0,25) heben strategische Wahlmöglichkeiten in Verkaufsinteraktionen hervor. Die Verabschiedungs-Zurücknahme (KAV → KBBd, 0,5) zeigt, wie neue Kunden in laufende Interaktionen eintreten können.
3. Methodologisch: Die Unterscheidung zwischen konstitutiven Regeln und statistischen Regularitäten bietet eine Grundlage für erklärbare, falsifizierbare und anpassungsfähige neuro-symbolische Systeme.
Die hier präsentierte Grammatik ist kein statisches Artefakt. Sie kann aktualisiert werden, wenn neue Daten eintreffen (statistische Plastizität), und revidiert werden, wenn strukturelle Anomalien erkannt werden (strukturelle Stabilität). In diesem Sinne ist sie ein lebendiges neuro-symbolisches Modell -- eine empirische Grammatik, die lernt, während sie erklärbar bleibt.
::: thebibliography
99
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Koop, P. (1994). Grammatikinduktion empirisch gesicherter Verkaufsgespräche. Scheme-Quellcode.
Koop, P. (2026). Von Scheme zu DeepProbLog: Die ARS als methodologischer Bauplan für moderne neuro-symbolische Programmierung. the-last-freedom.org.
Manhaeve, R., Dumancic, S., Kimmig, A., Demeester, T., & De Raedt, L. (2018). DeepProbLog: Neural probabilistic logic programming. Advances in Neural Information Processing Systems, 31.
Oevermann, U., Allert, T., Konau, E., & Krambeck, J. (1979). Die Methodologie einer objektiven Hermeneutik. In H.-G. Soeffner (Hrsg.), Interpretative Verfahren in den Sozial- und Textwissenschaften (S. 352-434). Metzler.
:::
abstract: |
Dieser Beitrag rekonstruiert die empirische Grammatik von acht Verkaufsgesprächen, die 1994 auf dem Aachener Marktplatz aufgenommen wurden, mittels der Algorithmisch Rekursiven Sequenzanalyse (ARS). Die Analyse führt von den Roh-Transkripten über Terminalzeichenketten, Übergangszählung und Wahrscheinlichkeitsinduktion zu einer probabilistischen kontextfreien Grammatik (PCFG) mit empirisch optimierten Übergangswahrscheinlichkeiten. Ich biete eine interpretative Analyse der gelernten Wahrscheinlichkeiten und unterscheide zwischen konstitutiven Regeln (structurellen Beschränkungen, die Wohlgeformtheit definieren) und statistischen Regularitäten (empirischen Häufigkeiten, die kontingente Muster widerspiegeln). Die Grammatik offenbart sowohl ritualisierte Sequenzen (Begrüßungen, Verabschiedungen) als auch strategische Optionen (Upselling-Schleifen, Neustarts). Der Beitrag schließt mit einer Diskussion, wie die Grammatik in neuro-symbolischen Frameworks implementiert werden kann, um qualitative Interpretation und computergestützte Ausführung zu verbinden.
author:
- Paul Koop
date: 1994--2026
title: |
Die empirische Grammatik von Marktgesprächen\
Eine neuro-symbolische Rekonstruktion
---
Einleitung: Von Rohdaten zur formalen Grammatik
Die Algorithmisch Rekursive Sequenzanalyse (ARS) beruht auf einer einfachen, aber wirkmächtigen Idee: Soziale Interaktionen hinterlassen physikalische Spuren (Tonaufnahmen), die transkribiert, interpretiert und in formale Grammatiken überführt werden können. Dieser Beitrag dokumentiert die gesamte Pipeline von den Roh-Transkripten bis zur empirisch optimierten Grammatik, basierend auf acht Verkaufsgesprächen, die im Juni/Juli 1994 auf dem Aachener Marktplatz aufgenommen wurden.
Der Beitrag ist dreifach:
1. Empirisch: Ich präsentiere die vollständige optimierte Grammatik, induziert aus den acht Transkripten, mit allen Übergangs- wahrscheinlichkeiten.
2. Interpretativ: Ich analysiere die gelernten Wahrscheinlichkeiten und unterscheide zwischen konstitutiven Regeln (strukturellen Notwendigkeiten) und statistischen Regularitäten (empirischen Kontingenzen).
3. Methodologisch: Ich diskutiere, wie die Grammatik in neuro-symbolischen Frameworks implementiert werden kann, um qualitative Interpretation und computergestützte Ausführung zu verbinden.
Daten und Interpretation
Die acht Transkripte
Das empirische Material umfasst acht Transkripte von Verkaufsgesprächen, die im Juni/Juli 1994 auf dem Aachener Marktplatz aufgenommen wurden. Die Transkripte variieren in Länge, Vollständigkeit und Gesprächstyp:
::: {#tab:corpus}
Text Datum Ort Beteiligte
---------- ------------ --------------- ------------------------
T1 28.06.1994 Metzgerei Verkäuferin (w), Kunde
T2 28.06.1994 Kirschenstand Verkäufer (m), K1, K2
T3 28.06.1994 Fischstand Verkäufer (m), Kunde
T4 28.06.1994 Gemüsestand Verkäufer (m), Kunde
T5 26.06.1994 Gemüsestand Verkäufer (m), K1, K2
T6 28.06.1994 Käseverkauf Verkäufer (m), K1
T7 28.06.1994 Bonbonstand Verkäufer (m), Kunde
T8 09.07.1994 Bäckerei Verkäuferin (w), Kunde
: Korpus der Marktgespräche
:::
Zuordnung der Terminalzeichen
Jede Äußerung wurde einem Terminalzeichen aus einem vordefinierten Kategoriensystem zugeordnet, das durch sequenzielle Mikroanalyse nach der Methode der objektiven Hermeneutik entwickelt wurde [@oevermann1979methodology]. Die zwölf Terminalzeichen sind:
::: {#tab:terminals}
Symbol Bedeutung
------------ --------------------------
KBG Kunden-Gruß
VBG Verkäufer-Gruß
KBBd Kunden-Bedarf (konkret)
VBBd Verkäufer-Nachfrage
KBA Kunden-Antwort
VBA Verkäufer-Reaktion
KAE Kunden-Erkundigung
VAE Verkäufer-Auskunft
KAA Kunden-Abschluss
VAA Verkäufer-Abschluss
KAV Kunden-Verabschiedung
VAV Verkäufer-Verabschiedung
: Terminalzeichen und ihre Bedeutungen
:::
Die resultierenden Terminalzeichenketten für die acht Transkripte sind:
T1: KBG, VBG, KBBd, VBBd, KBA, VBA, KBBd, VBBd, KBA, VAA, KAA, VAV, KAV
T2: VBG, KBBd, VBBd, VAA, KAA, VBG, KBBd, VAA, KAA
T3: KBBd, VBBd, VAA, KAA
T4: KBBd, VBBd, KBA, VBA, KBBd, VBA, KAE, VAE, KAA, VAV, KAV
T5: KAV, KBBd, VBBd, KBBd, VAA, KAV
T6: KBG, VBG, KBBd, VBBd, KAA
T7: KBBd, VBBd, KBA, VAA, KAA
T8: KBG, VBBd, KBBd, VBA, VAA, KAA, VAV, KAV
Die optimierte Grammatik
Induktionsmethode
Die Grammatik wurde durch Zählung der Übergänge über alle acht Transkripte induziert und zu Wahrscheinlichkeiten normalisiert:
$$P(\sigma_j \mid \sigma_i) = \frac{\text{Zahl}(\sigma_i \to \sigma_j)}{\sum_k \text{Zahl}(\sigma_i \to \sigma_k)}$$
Die resultierenden Wahrscheinlichkeiten wurden iterativ verfeinert, indem künstliche Ketten generiert und deren Häufigkeitsverteilungen mit den empirischen Daten verglichen wurden. Die finale Grammatik erreichte eine Korrelation von $r = 0,925$ zwischen empirischen und generierten Häufigkeiten.
Die optimierte probabilistische Grammatik
::: {#tab:grammar}
Startsymbol Folgesymbole mit Wahrscheinlichkeiten
----------------- -----------------------------------------------------
KBG VBG (0,667), VBBd (0,333)
VBG KBBd (1,0)
KBBd VBBd (0,667), VAA (0,167), VBA (0,167)
VBBd KBA (0,444), VAA (0,222), KBBd (0,222), KAA (0,111)
KBA VBA (0,5), VAA (0,5)
VBA KBBd (0,5), KAE (0,25), VAA (0,25)
VAA KAA (0,857), KAV (0,143)
KAA VAV (0,75), VBG (0,25)
VAV KAV (1,0)
KAE VAE (1,0)
VAE KAA (1,0)
KAV VAV (0,5), KBBd (0,5)
: Optimierte Übergangswahrscheinlichkeiten
:::
Grafische Darstellung
Abbildung 1{reference-type="ref" reference="fig:grammar"} visualisiert die Grammatik als gerichteten Graphen mit Wahrscheinlichkeiten.
<figure id="fig:grammar">
<pre><code> KBG
/ \
0,667 0,333
/ \
VBG VBBd
| |
1,0 |
| |
KBBd |
/ | \ |
0,667| |0,167 |
/ | \ |
VBBd | VBA |
| | | |
| | 0,5| |
| | | |
| | KBBd |
| | / \ |
| | ... ... |
| | |
\---/-----------/
|
VAA
/ \
0,857 0,143
/ \
KAA KAV
/ \ |
0,75 0,25 |
/ \ |
VAV VBG |
| |
KAV VAV
| |
\_____________/
|
ENDE</code></pre>
<figcaption>Grafische Darstellung der optimierten Grammatik. Kantengewichte geben die Übergangswahrscheinlichkeiten an.</figcaption>
</figure>
Interpretative Analyse der Wahrscheinlichkeiten
Konstitutive Regeln (strukturelle Notwendigkeiten)
Einige Übergänge haben die Wahrscheinlichkeit 1,0, was darauf hinweist, dass sie nicht bloß statistische Regularitäten, sondern konstitutive Regeln des Interaktionsformats sind:
- VBG → KBBd (1,0): Ein Verkäufer-Gruß muss von einer Kunden-Bedarfsäußerung gefolgt sein. Dies ist eine strukturelle Eigenschaft von Verkaufsgesprächen. Ohne diesen Übergang würde dem Gespräch sein transaktionaler Zweck fehlen.
- KAE → VAE (1,0): Eine Kunden-Erkundigung muss von einer Verkäufer-Auskunft beantwortet werden. Dies spiegelt die normative Erwartung von Reziprozität und Kooperation wider.
- VAE → KAA (1,0): Auf Verkäufer-Auskunft folgt immer ein Kunden-Abschluss. Dies deutet darauf hin, dass der Informationsaustausch in Marktgesprächen eng mit der Transaktionsbeendigung gekoppelt ist.
- VAV → KAV (1,0): Verkäufer-Verabschiedungen werden immer durch Kunden-Verabschiedungen erwidert. Dies ist eine ritualisierte Abschlusssequenz, die das Ende der Interaktion markiert.
Statistische Regularitäten (empirische Kontingenzen)
Andere Übergänge haben Wahrscheinlichkeiten zwischen 0 und 1, die empirische Häufigkeiten widerspiegeln, die je nach Kontext variieren können:
- KBG → VBG (0,667) vs. KBG → VBBd (0,333): In zwei Dritteln der Fälle wird ein Kunden-Gruß erwidert; in einem Drittel antwortet der Verkäufer direkt mit einer Nachfrage (Überspringen des reziproken Grußes).
- KBBd → VBBd (0,667) vs. KBBd → VAA (0,167) vs. KBBd → VBA (0,167): Die meisten Kunden-Bedarfe werden von Verkäufer-Nachfragen gefolgt, manchmal aber auch direkt von Abschluss (sofortiger Kauf) oder Reaktion (beratende Antwort).
- VBBd → KBA (0,444) vs. VBBd → VAA (0,222) vs. VBBd → KBBd (0,222) vs. VBBd → KAA (0,111): Verkäufer- Nachfragen haben die vielfältigsten Folgen -- Antworten, Abschlüsse, Bedarfsschleifen (Upselling) oder Kunden-Abschlüsse (vorzeitiger Ausstieg).
- KBA → VBA (0,5) vs. KBA → VAA (0,5): Kunden-Antworten führen mit gleicher Wahrscheinlichkeit zu Verkäufer-Reaktionen oder direkten Abschlüssen. Dies deutet auf einen strategischen Wahlpunkt hin.
- VAA → KAA (0,857) vs. VAA → KAV (0,143): Die meisten Verkäufer-Abschlüsse werden von Kunden-Abschlüssen gefolgt; selten direkt von Kunden-Verabschiedung (abgekürzter Abschluss).
- KAA → VAV (0,75) vs. KAA → VBG (0,25): Drei Viertel der Kunden-Abschlüsse führen zu Verkäufer-Verabschiedungen; ein Viertel führt zu einem Neustart des Gesprächs (neue Begrüßung). Die Neustart-Option tritt auf, wenn ein neuer Kunde eintrifft oder derselbe Kunde einen zusätzlichen Kauf tätigt.
Die Upselling-Schleife
Der Übergang VBA → KBBd (0,5) verdient besondere Aufmerksamkeit. Diese Schleife -- von Verkäufer-Reaktion zurück zu Kunden-Bedarf -- ist die grammatische Repräsentation des Upsellings. Wenn ein Verkäufer \"Sonst noch etwas?\" (VBA) sagt, antwortet der Kunde oft mit einem zusätzlichen Bedarf (KBBd).
Entscheidend ist, dass diese Schleife nur in der Hälfte der Fälle auftritt (0,5). Die andere Hälfte führt zu Abschluss (VAA, 0,25) oder Erkundigung (KAE, 0,25). Dies deutet darauf hin, dass Upselling weder obligatorisch noch selten ist -- es ist eine strategische Option, die Verkäufer einsetzen können, und Kunden können sie annehmen oder abweisen.
Die Neustart-Option
Der Übergang KAA → VBG (0,25) ist besonders interessant. Ein Kunden-Abschluss (KAA) wird normalerweise von einer Verabschiedung (VAV, 0,75) gefolgt, aber in einem Viertel der Fälle folgt eine Verkäufer-Begrüßung (VBG). Dies zeigt, dass Gespräche nach dem Abschluss neu gestartet werden können -- zum Beispiel, wenn ein neuer Kunde eintrifft (wie in T2 und T5) oder wenn derselbe Kunde einen zusätzlichen Kauf tätigt.
Die Ankunft eines neuen Kunden
Der Übergang KAV → KBBd (0,5) zeigt, dass eine Kunden-Verabschiedung \"zurückgenommen\" werden kann, wenn ein neuer Kunde eintrifft. In T5 folgt auf eine Verabschiedung (KAV) sofort ein neuer Kunden-Bedarf (KBBd). Dies ist der einzige Übergang, der die ansonsten strikte Phasenabfolge durchbricht.
Konstitutive Regeln vs. statistische Regularitäten
Die Unterscheidung
Das ARS-Framework hält eine strikte Unterscheidung zwischen zwei Beschreibungsebenen ein:
1. Konstitutive Regeln: Strukturelle Beschränkungen, die definieren, was als wohlgeformte Sequenz gilt. Diese sind binär (eine Sequenz entspricht entweder den Regeln oder nicht). Im Korpus sind Übergänge mit Wahrscheinlichkeit 1,0 Kandidaten für konstitutive Regeln.
2. Statistische Regularitäten: Empirische Häufigkeiten von Übergängen. Diese sind probabilistisch und können aktualisiert werden, wenn neue Daten eintreffen. Sie spiegeln wider, was tatsächlich vorkommt, nicht was notwendigerweise vorkommen muss.
::: {#tab:constitutive}
Regel Wahrscheinlichkeit Interpretation
------------ ------------------------ ----------------------------------------------------
VBG → KBBd 1,0 Verkäufer-Gruß muss von Kunden-Bedarf gefolgt sein
KAE → VAE 1,0 Kunden-Erkundigung muss beantwortet werden
VAE → KAA 1,0 Information muss zum Abschluss führen
VAV → KAV 1,0 Verabschiedungen sind reziprok
: Aus dem Korpus identifizierte konstitutive Regeln
:::
Von der Statistik zur Konstitutivität
Eine statistische Regularität kann durch methodologische Entscheidung zu einer konstitutiven Regel werden. Der Übergang
VBG → KBBd (1,0) variierte im Korpus nie. Wir könnten ihn als konstitutive Regel behandeln: \"In Verkaufsgesprächen muss auf einen Verkäufer-Gruß eine Kunden-Bedarfsäußerung folgen.\" Dies verwandelt eine empirische Beobachtung in eine normative Beschränkung.Diese Entscheidung ist jedoch nicht automatisch. Sie erfordert methodologische Reflexion: Ist dies wirklich ein notwendiges Merkmal des Interaktionsformats, oder könnte es in anderen Kontexten variieren? Der ARS-Ansatz behandelt Übergänge zunächst als statistisch, bis Gegenbeispiele eine Revision der strukturellen Grammatik erzwingen.
Die methodologische Bedeutung
Diese Flexibilität ist entscheidend für XAI und neuro-symbolische Integration. Sie erlaubt dem Analysten:
1. Mit rein statistischem Lernen zu beginnen (keine vorherigen Beschränkungen).
2. Übergänge zu identifizieren, die in den Daten nie variieren.
3. Sie nach methodologischer Reflexion zu konstitutiven Regeln zu erheben.
4. Das resultierende hybride System für Vorhersage und Erklärung zu nutzen.
Das System bewegt sich so von rein empirischer Mustererkennung (System 1) zu regelbasierter Erklärung (System 2) -- ein Wechsel, der Kahnemans Unterscheidung zwischen schnellem und langsamem Denken widerspiegelt [@kahneman2011thinking].
Hin zur neuro-symbolischen Implementierung
Die Dual-Dynamics-Architektur
Die ARS-Grammatik legt nahe eine Dual-Dynamics-Architektur für die neuro-symbolische Implementierung:
1. Symbolische Komponente (System 2): Die Grammatikregeln, einschließlich sowohl konstitutiver Regeln als auch statistischer Wahrscheinlichkeiten. Diese Komponente ist inspizierbar, falsifizierbar und erklärbar.
2. Neuronale Komponente (System 1): Ein neuronales Netz, das Übergangswahrscheinlichkeiten aus Daten lernt und nächste Symbole vorhersagt. Diese Komponente ist schnell, musterbasiert und skalierbar.
3. Hybride Integration: Die neuronale Komponente liefert schnelle Vorhersagen; die symbolische Komponente validiert sie gegen konstitutive Regeln und liefert Erklärungen.
Pseudocode: ARS 5.0 Dual-Dynamics-Architektur
class ARSNeuroSymbolicSystem:
def __init__(self):
# Symbolische Komponente
self.grammar = ARSGrammar() # PCFG mit Wahrscheinlichkeiten
self.counts = zero_matrix(12, 12) # Übergangszähler
# Neuronale Komponente
self.neural_network = NeuralNetwork( input_dim=12, hidden=64, output_dim=12 )
# Konstitutive Regeln (harte Beschränkungen)
self.constitutive_rules = {
(KBG, VBG): True, (VBG, KBBd): True,
(KAE, VAE): True, (VAV, KAV): True, (KAV, VAV): True
}
def update_symbolic(self, from_sym, to_sym):
"""Schnelles, zählbasiertes Update (System 2)"""
self.counts[from_sym][to_sym] += 1
row_sum = sum(self.counts[from_sym])
self.grammar.probs[from_sym] = self.counts[from_sym] / row_sum
def update_neural(self, from_sym, to_sym):
"""Langsames, gradientenbasiertes Update (System 1)"""
loss = cross_entropy( self.neural_network(from_sym), to_sym )
loss.backward()
optimizer.step()
def predict_next(self, from_sym):
"""Hybride Vorhersage"""
neural_probs = self.neural_network(from_sym)
symbolic_probs = self.grammar.probs[from_sym]
return 0.5 neural_probs + 0.5 symbolic_probs
def is_valid(self, from_sym, to_sym):
"""Prüfung konstitutiver Regeln"""
return self.constitutive_rules.get((from_sym, to_sym), True)
Erklärbarkeit durch Beweisbäume
Die symbolische Komponente ermöglicht Erklärbarkeit durch Beweisbäume. Für jede wohlgeformte Sequenz kann die Grammativ eine Ableitung produzieren:
well_formed([KBG, VBG, KBBd])
← start(KBG) [1.0]
← transition(KBG, VBG) [0.667]
← well_formed([VBG, KBBd])
← transition(VBG, KBBd) [1.0]
← well_formed([KBBd])
← start(KBBd) [0.0]
Wahrscheinlichkeit: 0.667 × 1.0 × 0.0 = 0.0
Dieser Beweisbaum macht das Schließen transparent. Jeder Schritt wird durch eine Regel gerechtfertigt, und jede Regel hat eine explizite Wahrscheinlichkeit.
Implementierungsoptionen
Die ARS-Grammatik kann in verschiedenen neuro-symbolischen Frameworks implementiert werden:
::: {#tab:options}
Framework Sprache Am besten für
--------------- --------------- -----------------------------------------
DeepProbLog Prolog/Python Forschung, Erklärbarkeit
PyTorch Python Flexibilität, Prototyping
Flux.jl Julia Wissenschaftliches Rechnen, Performance
Candle Rust Produktion, Edge-Computing
: Implementierungsoptionen für ARS 5.0
:::
Jedes Framework hat seine eigenen Stärken, aber alle können dieselbe Dual-Dynamics-Architektur implementieren.
Fazit
Dieser Beitrag hat die empirische Grammatik von acht Marktgesprächen rekonstruiert, von den Roh-Transkripten bis zu einer empirisch optimierten probabilistischen Grammatik. Die Analyse ergab drei Haupterkenntnisse:
1. Empirisch: Die optimierte Grammatik erreicht eine hohe Korrelation mit den Daten ($r = 0,925$) und offenbart sowohl konstitutive Regeln (Übergänge mit Wahrscheinlichkeit 1,0) als auch statistische Regularitäten.
2. Interpretativ: Die Upselling-Schleife (VBA → KBBd, 0,5) und die Neustart-Option (KAA → VBG, 0,25) heben strategische Wahlmöglichkeiten in Verkaufsinteraktionen hervor. Die Verabschiedungs-Zurücknahme (KAV → KBBd, 0,5) zeigt, wie neue Kunden in laufende Interaktionen eintreten können.
3. Methodologisch: Die Unterscheidung zwischen konstitutiven Regeln und statistischen Regularitäten bietet eine Grundlage für erklärbare, falsifizierbare und anpassungsfähige neuro-symbolische Systeme.
Die hier präsentierte Grammatik ist kein statisches Artefakt. Sie kann aktualisiert werden, wenn neue Daten eintreffen (statistische Plastizität), und revidiert werden, wenn strukturelle Anomalien erkannt werden (strukturelle Stabilität). In diesem Sinne ist sie ein lebendiges neuro-symbolisches Modell -- eine empirische Grammatik, die lernt, während sie erklärbar bleibt.
::: thebibliography
99
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Koop, P. (1994). Grammatikinduktion empirisch gesicherter Verkaufsgespräche. Scheme-Quellcode.
Koop, P. (2026). Von Scheme zu DeepProbLog: Die ARS als methodologischer Bauplan für moderne neuro-symbolische Programmierung. the-last-freedom.org.
Manhaeve, R., Dumancic, S., Kimmig, A., Demeester, T., & De Raedt, L. (2018). DeepProbLog: Neural probabilistic logic programming. Advances in Neural Information Processing Systems, 31.
Oevermann, U., Allert, T., Konau, E., & Krambeck, J. (1979). Die Methodologie einer objektiven Hermeneutik. In H.-G. Soeffner (Hrsg.), Interpretative Verfahren in den Sozial- und Textwissenschaften (S. 352-434). Metzler.
:::