Inhalt
Aktueller Ordner:
ARS_ExplainableAIARS_EIRA.md
---
abstract: |
Die qualitative Sozialforschung steht vor der Herausforderung, die methodologische Kontrolle interpretativer Verfahren mit der Präzision formaler Modellierung zu verbinden. Der vorliegende Beitrag entwickelt die Erklärbar Rekursive Interaktionsanalyse (ERIA) als integrative Methodologie, die auf den Stärken bestehender Ansätze aufbaut: der hierarchischen Grammatikinduktion der ARS 3.0, der Prozessmodellierung durch Petri-Netze (ARS 4.0), der probabilistischen Modellierung durch Bayessche Verfahren sowie der komplementären Nutzung computerlinguistischer Methoden. Anders als rein automatisierte Verfahren wahrt die ERIA die methodologische Kontrolle, indem alle formalen Modelle auf interpretativ gewonnene Kategorien zurückgeführt werden. Zugleich überwindet sie die sequenzielle Beschränkung traditioneller Ansätze durch die Modellierung von Nebenläufigkeit, Ressourcen und Unsicherheit. Die Anwendung auf acht Transkripte von Marktgesprächen demonstriert die Leistungsfähigkeit der integrativen Methodologie. Das Verfahren wird als ERIA 1.0 bezeichnet.
author:
- Paul Koop
date: 2026
title: |
Erklärbar Rekursive Interaktionsanalyse (ERIA)\
Integration qualitativer Sequenzanalyse mit\
formaler Modellierung durch Petri-Netze, Bayessche Verfahren\
und computerlinguistische Methoden
---
"'latex
Einleitung: Drei methodologische Traditionen und ihre Synthese
Die Analyse natürlicher Interaktionen ist seit jeher Gegenstand dreier methodologischer Traditionen, die weitgehend unverbunden nebeneinander existieren:
1. Die qualitative Sequenzanalyse (objektive Hermeneutik, Konversationsanalyse) erschließt die latente Sinnstruktur von Interaktionen durch kontrollierte Interpretation. Ihre Stärke ist die Tiefe des Verstehens; ihre Schwäche ist die begrenzte Skalierbarkeit und Formalisierbarkeit.
2. Die formale Prozessmodellierung (Petri-Netze, Prozesskalküle) erlaubt die exakte Modellierung von Nebenläufigkeit, Ressourcen und Zustandsübergängen. Ihre Stärke ist die Präzision und Analysierbarkeit; ihre Schwäche ist die mangelnde Anbindung an qualitative Sinnkategorien.
3. Die computerlinguistische Modellierung (Hidden-Markov-Modelle, Transformer, CRF) ermöglicht die statistische Analyse großer Textkorpora. Ihre Stärke ist die Skalierbarkeit; ihre Schwäche ist die Opazität und die fehlende hermeneutische Fundierung.
Die jüngere Entwicklung der Algorithmisch Rekursiven Sequenzanalyse (ARS) hat erste Brücken zwischen diesen Traditionen geschlagen. Die ARS 3.0 führte eine hierarchische Grammatikinduktion ein, die interpretativ gewonnene Terminalzeichen in Nonterminale überführt. Die ARS 4.0 erweiterte das Spektrum um Petri-Netze (Nebenläufigkeit, Ressourcen) und Bayessche Verfahren (Unsicherheit, latente Variablen). Zudem wurden hybride Integrationen computerlinguistischer Methoden (CRF, Transformer-Embeddings, Graph Neural Networks, Attention) als komplementäre Erweiterungen entwickelt.
Der vorliegende Beitrag integriert diese Stränge zu einer kohärenten Methodologie, der Erklärbar Rekursiven Interaktionsanalyse (ERIA). Die ERIA wahrt die methodologische Kontrolle durch die Rückbindung aller formalen Modelle an interpretativ gewonnene Kategorien. Sie erweitert diese Kontrolle jedoch durch formale Präzision, Analysierbarkeit und Skalierbarkeit.
Methodologische Grundprinzipien der ERIA
Die ERIA basiert auf fünf methodologischen Grundprinzipien:
1. Primat der Interpretation: Alle formalen Modelle werden aus interpretativ gewonnenen Kategorien abgeleitet, nicht automatisch induziert.
2. Mehrebenen-Integration: Sequenzielle Struktur (PCFG), Nebenläufigkeit (Petri-Netze), Unsicherheit (Bayessche Netze) und semantische Validierung (Transformer) werden als komplementäre Perspektiven behandelt.
3. Erklärbarkeit durch Design: Die Modelle sind von Grund auf transparent -- jede Kategorie, jeder Zustand, jede Transition ist semantisch gehaltvoll benannt.
4. iterative Validierung: Die Modelle werden durch den Vergleich empirischer und generierter Daten sowie durch semantische Ähnlichkeitsanalysen validiert.
5. Reflexive Dokumentation: Jede Interpretationsentscheidung wird protokolliert und begründet.
Die ERIA-Methodologie im Überblick
Die ERIA umfasst sechs methodische Schritte, die in Tabelle 1{reference-type="ref" reference="tab:schritte"} überblicksartig dargestellt sind:
::: {#tab:schritte}
Schritt Bezeichnung Zentrale Verfahren
------------- ------------------------------- -----------------------------------------------
1 Interpretation Sequenzielle Mikroanalyse, Lesartenproduktion
2 Formalisierung Terminalzeichen, Kategoriensystem
3 Grammatikinduktion Hierarchische Kompression, PCFG
4 Prozessmodellierung Petri-Netze (Nebenläufigkeit, Ressourcen)
5 Probabilistische Modellierung HMM, DBN (Unsicherheit, latente Variablen)
6 Validierung & Triangulation CRF, Transformer-Embeddings, Attention
: Die sechs Schritte der ERIA-Methodologie
:::
Schritt 1: Qualitative Sequenzanalyse
Die Grundlage der ERIA bildet eine sequenzielle Mikroanalyse der Transkripte nach der Methode der objektiven Hermeneutik oder der Dokumentarischen Methode. Jeder Sprechakt wird hinsichtlich seiner sequenziellen Funktion und seiner latenten Sinnstruktur analysiert.
Schritt 2: Formalisierung zu Terminalzeichen
Die interpretativ gewonnenen Kategorien werden in ein System von Terminalzeichen überführt:
::: {#tab:terminal}
Symbol Bedeutung Beispiel
------------ -------------------------- ------------------------------------
KBG Kunden-Gruß \"Guten Tag\"
VBG Verkäufer-Gruß \"Guten Tag\"
KBBd Kunden-Bedarf \"Einmal Leberwurst, bitte\"
VBBd Verkäufer-Nachfrage \"Wie viel darf's sein?\"
KBA Kunden-Antwort \"Zweihundert Gramm\"
VBA Verkäufer-Reaktion \"Sonst noch etwas?\"
KAE Kunden-Erkundigung \"Kann ich die in Reissalat tun?\"
VAE Verkäufer-Auskunft \"Eher kurz anbraten\"
KAA Kunden-Abschluss \"Bitte\", \"Danke\"
VAA Verkäufer-Abschluss \"Das macht acht Mark zwanzig\"
KAV Kunden-Verabschiedung \"Auf Wiedersehen\"
VAV Verkäufer-Verabschiedung \"Schönen Tag noch\"
: Terminalzeichen der ERIA
:::
Schritt 3: Hierarchische Grammatikinduktion (nach ARS 3.0)
Die Terminalzeichenketten werden iterativ komprimiert, um interpretative Kategorien (Nonterminale) zu bilden:
def compress_hierarchically(chains):
"""Hierarchische Kompression der Terminalzeichenketten"""
current_chains = [list(chain) for chain in chains]
grammar = {}
reflection_log = []
iteration = 0
while True:
# Suche nach relevantem Muster (mit Sprecherwechsel, Abschlusscharakter)
pattern = find_relevant_pattern(current_chains)
if pattern is None:
break
# Generiere interpretativen Namen
nt_name = generate_interpretive_name(pattern)
# Dokumentiere Entscheidung
reflection_log.append({
'pattern': pattern,
'nonterminal': nt_name,
'rationale': f"Wiederholtes Muster: {' → '.join(pattern)}"
})
# Komprimiere Ketten
current_chains = compress_chains(current_chains, pattern, nt_name)
grammar[nt_name] = pattern
iteration += 1
# Prüfe auf vollständige Kompression
if all(len(chain) == 1 for chain in current_chains):
break
return grammar, current_chains, reflection_log
Schritt 4: Petri-Netz-Modellierung (nach ARS 4.0, Petrinetze)
Die induzierte Grammatik wird in ein Petri-Netz überführt, das Nebenläufigkeit und Ressourcen modelliert. Abbildung 1{reference-type="ref" reference="fig:petrinet"} zeigt das Grundgerüst des ERIA-Petri-Netzes.
<figure id="fig:petrinet">
<pre><code>[Ressourcen-Stellen] [Transitionen] [Phasen-Stellen]
s_Kunde_bereit (1) ─────────────→ t_KBG ─────────────→ s_Phase_Begruessung
│
s_Verkäufer_bereit (1) ─────────→ t_VBG ←─────────────────────┘
│
s_Waren_verfügbar (n) ───────────→ t_KBBd ←────────────────────┐
│ │
s_Phase_Begruessung ─────────────→ t_VBBd ←────────────────────┤
│ │
└──────→ s_Phase_Bedarfsermittlung
│
├──→ t_KBA
├──→ t_VBA
├──→ t_KAE
└──→ t_VAE</code></pre>
<figcaption>Grundstruktur des ERIA-Petri-Netzes</figcaption>
</figure>
class ERIAPetriNet:
"""Petri-Netz für ERIA"""
def build_from_grammar(self, grammar, terminal_chains):
"""Baut Petri-Netz aus ERIA-Grammatik"""
# 1. Ressourcen-Stellen
self.add_place("s_Kunde_bereit", initial_tokens=1)
self.add_place("s_Verkäufer_bereit", initial_tokens=1)
self.add_place("s_Waren_verfügbar", initial_tokens=10)
self.add_place("s_Geld_Kunde", initial_tokens=20)
# 2. Phasen-Stellen
for phase in ["Begrüßung", "Bedarfsermittlung", "Beratung",
"Abschluss", "Verabschiedung"]:
self.add_place(f"s_Phase_{phase}", initial_tokens=0)
self.add_place("s_Phase_Start", initial_tokens=1)
# 3. Transitionen aus Terminalzeichen
for terminal in self.get_all_terminals(grammar):
self.add_transition(f"t_{terminal}")
# Verbinde mit Ressourcen und Phasen
if terminal.startswith('K'):
self.add_arc(f"s_Kunde_bereit", f"t_{terminal}")
else:
self.add_arc(f"s_Verkäufer_bereit", f"t_{terminal}")
# Phasenübergänge
phase_mapping = self.get_phase_mapping()
if terminal in phase_mapping:
from_phase, to_phase = phase_mapping[terminal]
self.add_arc(f"s_Phase_{from_phase}", f"t_{terminal}")
self.add_arc(f"t_{terminal}", f"s_Phase_{to_phase}")
return self
Schritt 5: Bayessche Modellierung (nach ARS 4.0, Bayes)
Die ERIA nutzt Hidden-Markov-Modelle zur Modellierung latenter Gesprächsphasen und zur Quantifizierung von Unsicherheit:
class ERIABayesianModel:
"""Bayessche Modellierung in ERIA"""
def __init__(self, n_states=5, n_symbols=12):
self.n_states = n_states # Begrüßung, Bedarfsermittlung, Beratung, Abschluss, Verabschiedung
self.n_symbols = n_symbols # Terminalzeichen
self.state_names = {
0: "Begrüßung", 1: "Bedarfsermittlung", 2: "Beratung",
3: "Abschluss", 4: "Verabschiedung"
}
def initialize_from_ars(self, grammar):
"""Initialisiert HMM aus ERIA-Grammatik"""
# Startwahrscheinlichkeiten
startprob = np.zeros(self.n_states)
startprob[0] = 0.7 # Begrüßung
startprob[1] = 0.2 # Direkte Bedarfsermittlung
startprob[4] = 0.1 # Direkte Verabschiedung
# Übergangsmatrix (typischer Gesprächsverlauf)
transmat = np.zeros((self.n_states, self.n_states))
transmat[0, 1] = 0.8 # Begrüßung → Bedarfsermittlung
transmat[1, 2] = 0.6 # Bedarfsermittlung → Beratung
transmat[1, 3] = 0.3 # Bedarfsermittlung → Abschluss
transmat[2, 3] = 0.5 # Beratung → Abschluss
transmat[2, 2] = 0.4 # Beratung → Beratung
transmat[3, 4] = 0.9 # Abschluss → Verabschiedung
transmat[4, 4] = 1.0 # Verabschiedung → Verabschiedung
# Emissionswahrscheinlichkeiten aus Grammatik
emissionprob = self._compute_emissions_from_grammar(grammar)
self.model = hmm.MultinomialHMM(n_components=self.n_states)
self.model.startprob_ = startprob
self.model.transmat_ = transmat
self.model.emissionprob_ = emissionprob
return self.model
Schritt 6: Validierung durch computerlinguistische Verfahren
Die ERIA nutzt drei computerlinguistische Verfahren zur komplementären Validierung:
Conditional Random Fields (CRF)
CRF modellieren sequenzielle Abhängigkeiten über den unmittelbaren Vorgänger hinaus und identifizieren relevante Kontextfaktoren:
class ERIACRFValidator:
"""CRF-basierte Validierung der ERIA-Kategorien"""
def extract_features(self, sequence, i):
"""Extrahiert Features für Position i"""
features = {
'symbol': sequence[i],
'symbol.prefix_K': sequence[i].startswith('K'),
'symbol.prefix_V': sequence[i].startswith('V'),
'is_first': i == 0,
'is_last': i == len(sequence) - 1,
}
# Kontext-Features
for offset in [-2, -1, 1, 2]:
if 0 <= i + offset < len(sequence):
features[f'context_{offset:+d}'] = sequence[i + offset]
# Bigram-Features
if i > 0:
features['bigram'] = f"{sequence[i-1]}_{sequence[i]}"
return features
def validate(self, chains):
"""Validiert die ERIA-Kategorien durch CRF-Training"""
X = [[self.extract_features(seq, i) for i in range(len(seq))]
for seq in chains]
y = [seq for seq in chains]
crf = CRF(algorithm='lbfgs', max_iterations=100)
crf.fit(X, y)
# Wichtigste Features anzeigen
top_features = sorted(crf.state_features_.items(),
key=lambda x: abs(x[1]), reverse=True)[:10]
return crf, top_features
Transformer-Embeddings zur semantischen Validierung
Die semantische Kohärenz der ERIA-Kategorien wird durch Transformer-Embeddings quantifiziert:
class ERIASemanticValidator:
"""Transformer-basierte semantische Validierung"""
def __init__(self, model_name='paraphrase-multilingual-MiniLM-L12-v2'):
self.model = SentenceTransformer(model_name)
self.symbol_to_texts = {
'KBG': ['Guten Tag', 'Guten Morgen', 'Hallo'],
'VBG': ['Guten Tag', 'Guten Morgen', 'Willkommen'],
'KBBd': ['Einmal Leberwurst', 'Ich hätte gerne Käse'],
'VBBd': ['Wie viel darf es sein?', 'Welche Sorte?'],
# ... weitere Mapping
}
def validate_categories(self):
"""Berechnet Intra- und Inter-Kategorie-Ähnlichkeiten"""
embeddings = {}
for symbol, texts in self.symbol_to_texts.items():
emb = self.model.encode(texts)
embeddings[symbol] = np.mean(emb, axis=0)
# Intra-Kategorie-Ähnlichkeit (Kohäsion)
intra_similarities = {}
for symbol, emb in embeddings.items():
# Ähnlichkeit der Beispieltexte untereinander
texts_emb = self.model.encode(self.symbol_to_texts[symbol])
sim_matrix = cosine_similarity(texts_emb)
intra_similarities[symbol] = np.mean(sim_matrix[np.triu_indices_from(sim_matrix, k=1)])
# Inter-Kategorie-Ähnlichkeit (Diskrimination)
# ...
return intra_similarities, inter_similarities
Attention-Mechanismen zur Identifikation relevanter Kontexte
Attention-Mechanismen visualisieren, welche Vorgänger für die Vorhersage des nächsten Symbols besonders relevant sind:
class ERIAttentionAnalyzer:
"""Attention-basierte Analyse relevanter Kontexte"""
def compute_attention_weights(self, sequence):
"""Berechnet Attention-Gewichte basierend auf Bigram-Statistiken"""
n = len(sequence)
attention = np.zeros((n, n))
# Berechne Bigram-Wahrscheinlichkeiten
bigram_probs = self._compute_bigram_probs(sequence)
for i in range(1, n):
prev = sequence[i-1]
current = sequence[i]
# Attention auf direkten Vorgänger
if (prev, current) in bigram_probs:
attention[i, i-1] = bigram_probs[(prev, current)]
# Exponentiell abfallende Attention auf entferntere Vorgänger
for j in range(i-2, -1, -1):
attention[i, j] = attention[i, j+1] * 0.5
# Normalisierung
for i in range(n):
if attention[i].sum() > 0:
attention[i] /= attention[i].sum()
return attention
def visualize_attention(self, sequence):
"""Visualisiert Attention-Gewichte als Heatmap"""
attention = self.compute_attention_weights(sequence)
plt.figure(figsize=(10, 8))
sns.heatmap(attention,
xticklabels=sequence, yticklabels=sequence,
cmap='viridis', annot=True, fmt='.2f')
plt.title('ERIA: Attention-Gewichte zwischen Positionen')
plt.xlabel('Vorgänger')
plt.ylabel('Aktuelle Position')
plt.show()
return attention
Empirische Anwendung: Acht Marktgespräche
Im Folgenden wird die ERIA-Methodologie an den acht Transkripten von Marktgesprächen (Aachen, Juni/Juli 1994) demonstriert.
Schritt 1-2: Interpretation und Formalisierung
Die acht Transkripte wurden sequenziell analysiert und in Terminalzeichenketten überführt (siehe Anhang A). Tabelle 3{reference-type="ref" reference="tab:chains"} zeigt die resultierenden Ketten:
::: {#tab:chains}
Transkript Terminalzeichenkette
---------------- ---------------------------------------------------------------------
1 (Metzgerei) KBG, VBG, KBBd, VBBd, KBA, VBA, KBBd, VBBd, KBA, VAA, KAA, VAV, KAV
2 (Kirschen) VBG, KBBd, VBBd, VAA, KAA, VBG, KBBd, VAA, KAA
3 (Fisch) KBBd, VBBd, VAA, KAA
4 (Gemüse) KBBd, VBBd, KBA, VBA, KBBd, VBA, KAE, VAE, KAA, VAV, KAV
5 (Gemüse 2) KAV, KBBd, VBBd, KBBd, VAA, KAV
6 (Käse) KBG, VBG, KBBd, VBBd, KAA
7 (Bonbon) KBBd, VBBd, KBA, VAA, KAA
8 (Bäckerei) KBG, VBBd, KBBd, VBA, VAA, KAA, VAV, KAV
: Terminalzeichenketten der acht Transkripte
:::
Schritt 3: Hierarchische Grammatikinduktion
Die hierarchische Kompression der Terminalzeichenketten führte zur Induktion von 13 Nonterminalen. Tabelle 4{reference-type="ref" reference="tab:nonterm"} zeigt eine Auswahl:
::: {#tab:nonterm}
Nonterminal Produktion Interpretation
-------------------- ------------------- -------------------------------------
NT_BEGRUESSUNG KBG → VBG Dialogischer Grußaustausch
NT_BEDARFSKLAERUNG KBBd → VBBd → KBA Dreischrittige Bedarfsermittlung
NT_INFORMATION KAE → VAE → KAA Informationsaustausch mit Abschluss
NT_ABSCHLUSS VAA → KAA Beidseitiger Transaktionsabschluss
NT_VERABSCHIEDUNG VAV → KAV Reziproke Verabschiedung
: Induzierte Nonterminale der ERIA
:::
Schritt 4: Petri-Netz-Modellierung
Das aus der Grammatik abgeleitete Petri-Netz umfasst 15 Stellen und 27 Transitionen. Die Analyse zeigt folgende Nebenläufigkeiten:
- Kunde sucht Geld $\parallel$ Verkäufer verpackt Ware: Diese Aktivitäten können parallel ablaufen, ohne sich zu behindern.
- Kunde stellt Frage $\parallel$ Verkäufer bereitet Antwort vor: Parallele kognitive Prozesse.
Die Ressourcenanalyse zeigt, dass das Gespräch blockiert, wenn die Stelle
Schritt 5: Bayessche Modellierung
Das trainierte HMM identifiziert fünf latente Gesprächsphasen. Tabelle 5{reference-type="ref" reference="tab:hmm"} zeigt die Emissionswahrscheinlichkeiten für einen ausgewählten Zustand:
::: {#tab:hmm}
Symbol Wahrscheinlichkeit
-------------------------- ------------------------
KAE (Kunden-Erkundigung) 0.35
VAE (Verkäufer-Auskunft) 0.35
KBA (Kunden-Antwort) 0.15
VBA (Verkäufer-Reaktion) 0.15
: Emissionswahrscheinlichkeiten des Zustands \"Beratung\"
:::
Die Viterbi-Dekodierung für Transkript 1 ergibt folgende Zustandssequenz:
KBG → VBG → KBBd → VBBd → KBA → VBA → KBBd → VBBd → KBA → VAA → KAA → VAV → KAV
0 0 1 1 2 2 1 1 2 3 3 4 4
(Begrüßung:0, Bedarfsermittlung:1, Beratung:2, Abschluss:3, Verabschiedung:4)
Schritt 6: Validierung
Die CRF-Analyse identifiziert die wichtigsten Prädiktoren für die Terminalzeichen:
::: {#tab:crf}
Feature Vorhersage Gewicht
----------------- ---------------- -------------
bigram:KBG_VBG VBG +2.345
symbol:VAA VAV +1.987
context\_-1:VAA KAA +1.432
symbol.prefix_K KBA +1.234
: Wichtigste CRF-Features
:::
Die semantische Validierung zeigt hohe Intra-Kategorie-Ähnlichkeiten (0.83-0.95) und bestätigt damit die Kohärenz der interpretativen Kategorien.
Integration: Von der ARS 4.0 zur ERIA 1.0
Die ERIA 1.0 integriert die drei parallel entwickelten Erweiterungen der ARS 4.0 zu einer kohärenten Methodologie. Tabelle 7{reference-type="ref" reference="tab:integration"} zeigt die Zuordnung der Verfahren zu den methodischen Schritten:
::: {#tab:integration}
ARS-4.0-Erweiterung ERIA-Schritt Mehrwert
----------------------------- ------------------ ---------------------------------------------------
PCFG (ARS 3.0) Schritt 3 Hierarchische Kategorienbildung
Petri-Netze Schritt 4 Nebenläufigkeit, Ressourcen, Zustandsübergänge
Bayessche Netze/HMM Schritt 5 Unsicherheit, latente Variablen, Inferenz
CRF, Transformer, Attention Schritt 6 Validierung, semantische Kohärenz, Kontextanalyse
: Integration der ARS-4.0-Erweiterungen in ERIA 1.0
:::
Die ERIA 1.0 ist kein rein technisches Verfahren, sondern eine methodologische Rahmung, die den Primat der Interpretation wahrt. Die formale Modellierung dient der Explikation, nicht der Substitution hermeneutischer Arbeit.
Diskussion
Methodologische Bewertung
Die ERIA erfüllt die zentralen methodologischen Anforderungen qualitativer Forschung:
1. Transparenz: Jede Interpretationsentscheidung wird dokumentiert, jedes formale Modell ist semantisch gehaltvoll benannt.
2. Intersubjektive Nachvollziehbarkeit: Die sechs Schritte sind klar definiert und können von Drittforschern repliziert werden.
3. Reflexivität: Die methodologische Reflexionsebene zwingt zur expliziten Begründung jeder Entscheidung.
4. Triangulation: Die verschiedenen formalen Perspektiven (PCFG, Petri-Netz, HMM, CRF, Transformer) erlauben eine mehrdimensionale Validierung.
Mehrwert gegenüber bestehenden Ansätzen
Die ERIA bietet gegenüber den Ausgangsverfahren mehrere Vorteile:
- Gegenüber reiner Hermeneutik: Formale Modellierung, Nachvollziehbarkeit, Skalierbarkeit.
- Gegenüber reiner PCFG (ARS 3.0): Nebenläufigkeit, Ressourcen, Unsicherheit, latente Variablen.
- Gegenüber reinen Petri-Netzen: Anbindung an interpretative Kategorien, semantische Gehalte.
- Gegenüber reinen HMM: Hierarchische Struktur, semantische Validierung, methodologische Kontrolle.
- Gegenüber \"Black-Box\"-KI: Erklärbarkeit durch Design, keine Opazität.
Grenzen
Die ERIA hat auch Grenzen, die zu reflektieren sind:
1. Aufwand: Die sequenzielle Mikroanalyse ist zeitintensiv und erfordert geschulte Interpret:innen.
2. Fallzahl: Bei sehr großen Korpora (n \> 100) stößt die manuelle Interpretation an Grenzen.
3. Domänenspezifität: Die Kategorienbildung ist auf die spezifische Interaktionsdomäne (Verkaufsgespräche) zugeschnitten.
4. Technische Abhängigkeiten: Die computerlinguistischen Verfahren setzen vortrainierte Modelle voraus (z.B. Sentence-Transformer).
Vergleich mit CGTI
Die ERIA unterscheidet sich von der Computational Grounded Theory Integration (CGTI) in drei zentralen Punkten:
::: {#tab:vergleich}
Kriterium ERIA CGTI
--------------------------- ---------------------------------------- ---------------------------------------
Rolle formaler Modelle Explikation interpretativer Kategorien Ergänzung zur Hermeneutik
Petri-Netze Integriert (Schritt 4) Nicht vorgesehen
Bayessche Verfahren Integriert (Schritt 5) Nicht vorgesehen
Computerlinguistik Validierung (Schritt 6) Kontrafaktische Exploration (Phase 3)
Methodologische Grundlage ARS 3.0/4.0 CGTI (eigenständig)
: ERIA vs. CGTI
:::
Die ERIA ist formal präziser (Petri-Netze, HMM) und bietet eine umfassendere Modellierung von Nebenläufigkeit und Unsicherheit. Die CGTI ist hermeneutisch konservativer und verzichtet auf formale Prozessmodellierung.
Fazit und Ausblick
Die Erklärbar Rekursive Interaktionsanalyse (ERIA) 1.0 integriert die Stärken dreier methodologischer Traditionen: die Tiefe der qualitativen Sequenzanalyse, die Präzision formaler Prozessmodellierung (Petri-Netze, HMM) und die Skalierbarkeit computerlinguistischer Verfahren (CRF, Transformer, Attention). Die methodologische Kontrolle bleibt durch den Primat der Interpretation und die reflexive Dokumentation gewahrt.
Weiterführende Forschung könnte die ERIA in mehreren Richtungen entwickeln:
1. ERIA 2.0: Integration von Large Language Models als kontrafaktische Explorationswerkzeuge (nach CGTI, Phase 3)
2. ERIA 3.0: Entwicklung einer Softwareumgebung zur Unterstützung der sechs Schritte (Transkription → Terminalzeichen → Grammatik → Petri-Netz → HMM → Validierung)
3. ERIA 4.0: Anwendung auf andere Interaktionsdomänen (Arzt-Patienten-Gespräche, Unterrichtsinteraktionen, politische Debatten)
4. ERIA 5.0: Methodologische Reflexion der Grenzen formaler Modellierung in den Sozialwissenschaften
Die ERIA 1.0 versteht sich als Beitrag zu einer erklärbaren qualitativen Forschung, die die methodologischen Standards der Disziplin wahrt und zugleich die Präzision formaler Verfahren nutzt.
::: thebibliography
99
Barredo Arrieta, A. et al. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115.
Flick, U. (2019). Qualitative Sozialforschung: Eine Einführung (9. Aufl.). Rowohlt.
Jensen, K. (1997). Coloured Petri Nets: Basic Concepts, Analysis Methods and Practical Use. Springer.
Lafferty, J., McCallum, A., & Pereira, F. (2001). Conditional Random Fields. Proceedings of ICML 2001, 282-289.
Manning, C. D., & Schütze, H. (1999). Foundations of Statistical Natural Language Processing. MIT Press.
Murphy, K. P. (2002). Dynamic Bayesian Networks. PhD Thesis, UC Berkeley.
Oevermann, U. et al. (1979). Die Methodologie einer objektiven Hermeneutik. In H.-G. Soeffner (Hrsg.), Interpretative Verfahren in den Sozial- und Textwissenschaften (S. 352-434). Metzler.
Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann.
Petri, C. A. (1962). Kommunikation mit Automaten. Dissertation, TU Darmstadt.
Przyborski, A., & Wohlrab-Sahr, M. (2021). Qualitative Sozialforschung (5. Aufl.). De Gruyter Oldenbourg.
Rabiner, L. R. (1989). A tutorial on hidden Markov models. Proceedings of the IEEE, 77(2), 257-286.
Reimers, N., & Gurevych, I. (2019). Sentence-BERT. Proceedings of EMNLP-IJCNLP 2019, 3982-3992.
Sacks, H., Schegloff, E. A., & Jefferson, G. (1974). A simplest systematics for turn-taking. Language, 50(4), 696-735.
Vaswani, A. et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30, 5998-6008.
:::
Die acht Transkripte mit Terminalzeichen
Transkript 1 - Metzgerei
Terminalzeichenkette 1: KBG, VBG, KBBd, VBBd, KBA, VBA, KBBd, VBBd, KBA, VAA, KAA, VAV, KAV
Transkript 2 - Marktplatz (Kirschen)
Terminalzeichenkette 2: VBG, KBBd, VBBd, VAA, KAA, VBG, KBBd, VAA, KAA
Transkript 3 - Fischstand
Terminalzeichenkette 3: KBBd, VBBd, VAA, KAA
Transkript 4 - Gemüsestand
Terminalzeichenkette 4: KBBd, VBBd, KBA, VBA, KBBd, VBA, KAE, VAE, KAA, VAV, KAV
Transkript 5 - Gemüsestand 2
Terminalzeichenkette 5: KAV, KBBd, VBBd, KBBd, VAA, KAV
Transkript 6 - Käseverkaufsstand
Terminalzeichenkette 6: KBG, VBG, KBBd, VBBd, KAA
Transkript 7 - Bonbonstand
Terminalzeichenkette 7: KBBd, VBBd, KBA, VAA, KAA
Transkript 8 - Bäckerei
Terminalzeichenkette 8: KBG, VBBd, KBBd, VBA, VAA, KAA, VAV, KAV
abstract: |
Die qualitative Sozialforschung steht vor der Herausforderung, die methodologische Kontrolle interpretativer Verfahren mit der Präzision formaler Modellierung zu verbinden. Der vorliegende Beitrag entwickelt die Erklärbar Rekursive Interaktionsanalyse (ERIA) als integrative Methodologie, die auf den Stärken bestehender Ansätze aufbaut: der hierarchischen Grammatikinduktion der ARS 3.0, der Prozessmodellierung durch Petri-Netze (ARS 4.0), der probabilistischen Modellierung durch Bayessche Verfahren sowie der komplementären Nutzung computerlinguistischer Methoden. Anders als rein automatisierte Verfahren wahrt die ERIA die methodologische Kontrolle, indem alle formalen Modelle auf interpretativ gewonnene Kategorien zurückgeführt werden. Zugleich überwindet sie die sequenzielle Beschränkung traditioneller Ansätze durch die Modellierung von Nebenläufigkeit, Ressourcen und Unsicherheit. Die Anwendung auf acht Transkripte von Marktgesprächen demonstriert die Leistungsfähigkeit der integrativen Methodologie. Das Verfahren wird als ERIA 1.0 bezeichnet.
author:
- Paul Koop
date: 2026
title: |
Erklärbar Rekursive Interaktionsanalyse (ERIA)\
Integration qualitativer Sequenzanalyse mit\
formaler Modellierung durch Petri-Netze, Bayessche Verfahren\
und computerlinguistische Methoden
---
"'latex
Einleitung: Drei methodologische Traditionen und ihre Synthese
Die Analyse natürlicher Interaktionen ist seit jeher Gegenstand dreier methodologischer Traditionen, die weitgehend unverbunden nebeneinander existieren:
1. Die qualitative Sequenzanalyse (objektive Hermeneutik, Konversationsanalyse) erschließt die latente Sinnstruktur von Interaktionen durch kontrollierte Interpretation. Ihre Stärke ist die Tiefe des Verstehens; ihre Schwäche ist die begrenzte Skalierbarkeit und Formalisierbarkeit.
2. Die formale Prozessmodellierung (Petri-Netze, Prozesskalküle) erlaubt die exakte Modellierung von Nebenläufigkeit, Ressourcen und Zustandsübergängen. Ihre Stärke ist die Präzision und Analysierbarkeit; ihre Schwäche ist die mangelnde Anbindung an qualitative Sinnkategorien.
3. Die computerlinguistische Modellierung (Hidden-Markov-Modelle, Transformer, CRF) ermöglicht die statistische Analyse großer Textkorpora. Ihre Stärke ist die Skalierbarkeit; ihre Schwäche ist die Opazität und die fehlende hermeneutische Fundierung.
Die jüngere Entwicklung der Algorithmisch Rekursiven Sequenzanalyse (ARS) hat erste Brücken zwischen diesen Traditionen geschlagen. Die ARS 3.0 führte eine hierarchische Grammatikinduktion ein, die interpretativ gewonnene Terminalzeichen in Nonterminale überführt. Die ARS 4.0 erweiterte das Spektrum um Petri-Netze (Nebenläufigkeit, Ressourcen) und Bayessche Verfahren (Unsicherheit, latente Variablen). Zudem wurden hybride Integrationen computerlinguistischer Methoden (CRF, Transformer-Embeddings, Graph Neural Networks, Attention) als komplementäre Erweiterungen entwickelt.
Der vorliegende Beitrag integriert diese Stränge zu einer kohärenten Methodologie, der Erklärbar Rekursiven Interaktionsanalyse (ERIA). Die ERIA wahrt die methodologische Kontrolle durch die Rückbindung aller formalen Modelle an interpretativ gewonnene Kategorien. Sie erweitert diese Kontrolle jedoch durch formale Präzision, Analysierbarkeit und Skalierbarkeit.
Methodologische Grundprinzipien der ERIA
Die ERIA basiert auf fünf methodologischen Grundprinzipien:
1. Primat der Interpretation: Alle formalen Modelle werden aus interpretativ gewonnenen Kategorien abgeleitet, nicht automatisch induziert.
2. Mehrebenen-Integration: Sequenzielle Struktur (PCFG), Nebenläufigkeit (Petri-Netze), Unsicherheit (Bayessche Netze) und semantische Validierung (Transformer) werden als komplementäre Perspektiven behandelt.
3. Erklärbarkeit durch Design: Die Modelle sind von Grund auf transparent -- jede Kategorie, jeder Zustand, jede Transition ist semantisch gehaltvoll benannt.
4. iterative Validierung: Die Modelle werden durch den Vergleich empirischer und generierter Daten sowie durch semantische Ähnlichkeitsanalysen validiert.
5. Reflexive Dokumentation: Jede Interpretationsentscheidung wird protokolliert und begründet.
Die ERIA-Methodologie im Überblick
Die ERIA umfasst sechs methodische Schritte, die in Tabelle 1{reference-type="ref" reference="tab:schritte"} überblicksartig dargestellt sind:
::: {#tab:schritte}
Schritt Bezeichnung Zentrale Verfahren
------------- ------------------------------- -----------------------------------------------
1 Interpretation Sequenzielle Mikroanalyse, Lesartenproduktion
2 Formalisierung Terminalzeichen, Kategoriensystem
3 Grammatikinduktion Hierarchische Kompression, PCFG
4 Prozessmodellierung Petri-Netze (Nebenläufigkeit, Ressourcen)
5 Probabilistische Modellierung HMM, DBN (Unsicherheit, latente Variablen)
6 Validierung & Triangulation CRF, Transformer-Embeddings, Attention
: Die sechs Schritte der ERIA-Methodologie
:::
Schritt 1: Qualitative Sequenzanalyse
Die Grundlage der ERIA bildet eine sequenzielle Mikroanalyse der Transkripte nach der Methode der objektiven Hermeneutik oder der Dokumentarischen Methode. Jeder Sprechakt wird hinsichtlich seiner sequenziellen Funktion und seiner latenten Sinnstruktur analysiert.
Schritt 2: Formalisierung zu Terminalzeichen
Die interpretativ gewonnenen Kategorien werden in ein System von Terminalzeichen überführt:
::: {#tab:terminal}
Symbol Bedeutung Beispiel
------------ -------------------------- ------------------------------------
KBG Kunden-Gruß \"Guten Tag\"
VBG Verkäufer-Gruß \"Guten Tag\"
KBBd Kunden-Bedarf \"Einmal Leberwurst, bitte\"
VBBd Verkäufer-Nachfrage \"Wie viel darf's sein?\"
KBA Kunden-Antwort \"Zweihundert Gramm\"
VBA Verkäufer-Reaktion \"Sonst noch etwas?\"
KAE Kunden-Erkundigung \"Kann ich die in Reissalat tun?\"
VAE Verkäufer-Auskunft \"Eher kurz anbraten\"
KAA Kunden-Abschluss \"Bitte\", \"Danke\"
VAA Verkäufer-Abschluss \"Das macht acht Mark zwanzig\"
KAV Kunden-Verabschiedung \"Auf Wiedersehen\"
VAV Verkäufer-Verabschiedung \"Schönen Tag noch\"
: Terminalzeichen der ERIA
:::
Schritt 3: Hierarchische Grammatikinduktion (nach ARS 3.0)
Die Terminalzeichenketten werden iterativ komprimiert, um interpretative Kategorien (Nonterminale) zu bilden:
def compress_hierarchically(chains):
"""Hierarchische Kompression der Terminalzeichenketten"""
current_chains = [list(chain) for chain in chains]
grammar = {}
reflection_log = []
iteration = 0
while True:
# Suche nach relevantem Muster (mit Sprecherwechsel, Abschlusscharakter)
pattern = find_relevant_pattern(current_chains)
if pattern is None:
break
# Generiere interpretativen Namen
nt_name = generate_interpretive_name(pattern)
# Dokumentiere Entscheidung
reflection_log.append({
'pattern': pattern,
'nonterminal': nt_name,
'rationale': f"Wiederholtes Muster: {' → '.join(pattern)}"
})
# Komprimiere Ketten
current_chains = compress_chains(current_chains, pattern, nt_name)
grammar[nt_name] = pattern
iteration += 1
# Prüfe auf vollständige Kompression
if all(len(chain) == 1 for chain in current_chains):
break
return grammar, current_chains, reflection_log
Schritt 4: Petri-Netz-Modellierung (nach ARS 4.0, Petrinetze)
Die induzierte Grammatik wird in ein Petri-Netz überführt, das Nebenläufigkeit und Ressourcen modelliert. Abbildung 1{reference-type="ref" reference="fig:petrinet"} zeigt das Grundgerüst des ERIA-Petri-Netzes.
<figure id="fig:petrinet">
<pre><code>[Ressourcen-Stellen] [Transitionen] [Phasen-Stellen]
s_Kunde_bereit (1) ─────────────→ t_KBG ─────────────→ s_Phase_Begruessung
│
s_Verkäufer_bereit (1) ─────────→ t_VBG ←─────────────────────┘
│
s_Waren_verfügbar (n) ───────────→ t_KBBd ←────────────────────┐
│ │
s_Phase_Begruessung ─────────────→ t_VBBd ←────────────────────┤
│ │
└──────→ s_Phase_Bedarfsermittlung
│
├──→ t_KBA
├──→ t_VBA
├──→ t_KAE
└──→ t_VAE</code></pre>
<figcaption>Grundstruktur des ERIA-Petri-Netzes</figcaption>
</figure>
class ERIAPetriNet:
"""Petri-Netz für ERIA"""
def build_from_grammar(self, grammar, terminal_chains):
"""Baut Petri-Netz aus ERIA-Grammatik"""
# 1. Ressourcen-Stellen
self.add_place("s_Kunde_bereit", initial_tokens=1)
self.add_place("s_Verkäufer_bereit", initial_tokens=1)
self.add_place("s_Waren_verfügbar", initial_tokens=10)
self.add_place("s_Geld_Kunde", initial_tokens=20)
# 2. Phasen-Stellen
for phase in ["Begrüßung", "Bedarfsermittlung", "Beratung",
"Abschluss", "Verabschiedung"]:
self.add_place(f"s_Phase_{phase}", initial_tokens=0)
self.add_place("s_Phase_Start", initial_tokens=1)
# 3. Transitionen aus Terminalzeichen
for terminal in self.get_all_terminals(grammar):
self.add_transition(f"t_{terminal}")
# Verbinde mit Ressourcen und Phasen
if terminal.startswith('K'):
self.add_arc(f"s_Kunde_bereit", f"t_{terminal}")
else:
self.add_arc(f"s_Verkäufer_bereit", f"t_{terminal}")
# Phasenübergänge
phase_mapping = self.get_phase_mapping()
if terminal in phase_mapping:
from_phase, to_phase = phase_mapping[terminal]
self.add_arc(f"s_Phase_{from_phase}", f"t_{terminal}")
self.add_arc(f"t_{terminal}", f"s_Phase_{to_phase}")
return self
Schritt 5: Bayessche Modellierung (nach ARS 4.0, Bayes)
Die ERIA nutzt Hidden-Markov-Modelle zur Modellierung latenter Gesprächsphasen und zur Quantifizierung von Unsicherheit:
class ERIABayesianModel:
"""Bayessche Modellierung in ERIA"""
def __init__(self, n_states=5, n_symbols=12):
self.n_states = n_states # Begrüßung, Bedarfsermittlung, Beratung, Abschluss, Verabschiedung
self.n_symbols = n_symbols # Terminalzeichen
self.state_names = {
0: "Begrüßung", 1: "Bedarfsermittlung", 2: "Beratung",
3: "Abschluss", 4: "Verabschiedung"
}
def initialize_from_ars(self, grammar):
"""Initialisiert HMM aus ERIA-Grammatik"""
# Startwahrscheinlichkeiten
startprob = np.zeros(self.n_states)
startprob[0] = 0.7 # Begrüßung
startprob[1] = 0.2 # Direkte Bedarfsermittlung
startprob[4] = 0.1 # Direkte Verabschiedung
# Übergangsmatrix (typischer Gesprächsverlauf)
transmat = np.zeros((self.n_states, self.n_states))
transmat[0, 1] = 0.8 # Begrüßung → Bedarfsermittlung
transmat[1, 2] = 0.6 # Bedarfsermittlung → Beratung
transmat[1, 3] = 0.3 # Bedarfsermittlung → Abschluss
transmat[2, 3] = 0.5 # Beratung → Abschluss
transmat[2, 2] = 0.4 # Beratung → Beratung
transmat[3, 4] = 0.9 # Abschluss → Verabschiedung
transmat[4, 4] = 1.0 # Verabschiedung → Verabschiedung
# Emissionswahrscheinlichkeiten aus Grammatik
emissionprob = self._compute_emissions_from_grammar(grammar)
self.model = hmm.MultinomialHMM(n_components=self.n_states)
self.model.startprob_ = startprob
self.model.transmat_ = transmat
self.model.emissionprob_ = emissionprob
return self.model
Schritt 6: Validierung durch computerlinguistische Verfahren
Die ERIA nutzt drei computerlinguistische Verfahren zur komplementären Validierung:
Conditional Random Fields (CRF)
CRF modellieren sequenzielle Abhängigkeiten über den unmittelbaren Vorgänger hinaus und identifizieren relevante Kontextfaktoren:
class ERIACRFValidator:
"""CRF-basierte Validierung der ERIA-Kategorien"""
def extract_features(self, sequence, i):
"""Extrahiert Features für Position i"""
features = {
'symbol': sequence[i],
'symbol.prefix_K': sequence[i].startswith('K'),
'symbol.prefix_V': sequence[i].startswith('V'),
'is_first': i == 0,
'is_last': i == len(sequence) - 1,
}
# Kontext-Features
for offset in [-2, -1, 1, 2]:
if 0 <= i + offset < len(sequence):
features[f'context_{offset:+d}'] = sequence[i + offset]
# Bigram-Features
if i > 0:
features['bigram'] = f"{sequence[i-1]}_{sequence[i]}"
return features
def validate(self, chains):
"""Validiert die ERIA-Kategorien durch CRF-Training"""
X = [[self.extract_features(seq, i) for i in range(len(seq))]
for seq in chains]
y = [seq for seq in chains]
crf = CRF(algorithm='lbfgs', max_iterations=100)
crf.fit(X, y)
# Wichtigste Features anzeigen
top_features = sorted(crf.state_features_.items(),
key=lambda x: abs(x[1]), reverse=True)[:10]
return crf, top_features
Transformer-Embeddings zur semantischen Validierung
Die semantische Kohärenz der ERIA-Kategorien wird durch Transformer-Embeddings quantifiziert:
class ERIASemanticValidator:
"""Transformer-basierte semantische Validierung"""
def __init__(self, model_name='paraphrase-multilingual-MiniLM-L12-v2'):
self.model = SentenceTransformer(model_name)
self.symbol_to_texts = {
'KBG': ['Guten Tag', 'Guten Morgen', 'Hallo'],
'VBG': ['Guten Tag', 'Guten Morgen', 'Willkommen'],
'KBBd': ['Einmal Leberwurst', 'Ich hätte gerne Käse'],
'VBBd': ['Wie viel darf es sein?', 'Welche Sorte?'],
# ... weitere Mapping
}
def validate_categories(self):
"""Berechnet Intra- und Inter-Kategorie-Ähnlichkeiten"""
embeddings = {}
for symbol, texts in self.symbol_to_texts.items():
emb = self.model.encode(texts)
embeddings[symbol] = np.mean(emb, axis=0)
# Intra-Kategorie-Ähnlichkeit (Kohäsion)
intra_similarities = {}
for symbol, emb in embeddings.items():
# Ähnlichkeit der Beispieltexte untereinander
texts_emb = self.model.encode(self.symbol_to_texts[symbol])
sim_matrix = cosine_similarity(texts_emb)
intra_similarities[symbol] = np.mean(sim_matrix[np.triu_indices_from(sim_matrix, k=1)])
# Inter-Kategorie-Ähnlichkeit (Diskrimination)
# ...
return intra_similarities, inter_similarities
Attention-Mechanismen zur Identifikation relevanter Kontexte
Attention-Mechanismen visualisieren, welche Vorgänger für die Vorhersage des nächsten Symbols besonders relevant sind:
class ERIAttentionAnalyzer:
"""Attention-basierte Analyse relevanter Kontexte"""
def compute_attention_weights(self, sequence):
"""Berechnet Attention-Gewichte basierend auf Bigram-Statistiken"""
n = len(sequence)
attention = np.zeros((n, n))
# Berechne Bigram-Wahrscheinlichkeiten
bigram_probs = self._compute_bigram_probs(sequence)
for i in range(1, n):
prev = sequence[i-1]
current = sequence[i]
# Attention auf direkten Vorgänger
if (prev, current) in bigram_probs:
attention[i, i-1] = bigram_probs[(prev, current)]
# Exponentiell abfallende Attention auf entferntere Vorgänger
for j in range(i-2, -1, -1):
attention[i, j] = attention[i, j+1] * 0.5
# Normalisierung
for i in range(n):
if attention[i].sum() > 0:
attention[i] /= attention[i].sum()
return attention
def visualize_attention(self, sequence):
"""Visualisiert Attention-Gewichte als Heatmap"""
attention = self.compute_attention_weights(sequence)
plt.figure(figsize=(10, 8))
sns.heatmap(attention,
xticklabels=sequence, yticklabels=sequence,
cmap='viridis', annot=True, fmt='.2f')
plt.title('ERIA: Attention-Gewichte zwischen Positionen')
plt.xlabel('Vorgänger')
plt.ylabel('Aktuelle Position')
plt.show()
return attention
Empirische Anwendung: Acht Marktgespräche
Im Folgenden wird die ERIA-Methodologie an den acht Transkripten von Marktgesprächen (Aachen, Juni/Juli 1994) demonstriert.
Schritt 1-2: Interpretation und Formalisierung
Die acht Transkripte wurden sequenziell analysiert und in Terminalzeichenketten überführt (siehe Anhang A). Tabelle 3{reference-type="ref" reference="tab:chains"} zeigt die resultierenden Ketten:
::: {#tab:chains}
Transkript Terminalzeichenkette
---------------- ---------------------------------------------------------------------
1 (Metzgerei) KBG, VBG, KBBd, VBBd, KBA, VBA, KBBd, VBBd, KBA, VAA, KAA, VAV, KAV
2 (Kirschen) VBG, KBBd, VBBd, VAA, KAA, VBG, KBBd, VAA, KAA
3 (Fisch) KBBd, VBBd, VAA, KAA
4 (Gemüse) KBBd, VBBd, KBA, VBA, KBBd, VBA, KAE, VAE, KAA, VAV, KAV
5 (Gemüse 2) KAV, KBBd, VBBd, KBBd, VAA, KAV
6 (Käse) KBG, VBG, KBBd, VBBd, KAA
7 (Bonbon) KBBd, VBBd, KBA, VAA, KAA
8 (Bäckerei) KBG, VBBd, KBBd, VBA, VAA, KAA, VAV, KAV
: Terminalzeichenketten der acht Transkripte
:::
Schritt 3: Hierarchische Grammatikinduktion
Die hierarchische Kompression der Terminalzeichenketten führte zur Induktion von 13 Nonterminalen. Tabelle 4{reference-type="ref" reference="tab:nonterm"} zeigt eine Auswahl:
::: {#tab:nonterm}
Nonterminal Produktion Interpretation
-------------------- ------------------- -------------------------------------
NT_BEGRUESSUNG KBG → VBG Dialogischer Grußaustausch
NT_BEDARFSKLAERUNG KBBd → VBBd → KBA Dreischrittige Bedarfsermittlung
NT_INFORMATION KAE → VAE → KAA Informationsaustausch mit Abschluss
NT_ABSCHLUSS VAA → KAA Beidseitiger Transaktionsabschluss
NT_VERABSCHIEDUNG VAV → KAV Reziproke Verabschiedung
: Induzierte Nonterminale der ERIA
:::
Schritt 4: Petri-Netz-Modellierung
Das aus der Grammatik abgeleitete Petri-Netz umfasst 15 Stellen und 27 Transitionen. Die Analyse zeigt folgende Nebenläufigkeiten:
- Kunde sucht Geld $\parallel$ Verkäufer verpackt Ware: Diese Aktivitäten können parallel ablaufen, ohne sich zu behindern.
- Kunde stellt Frage $\parallel$ Verkäufer bereitet Antwort vor: Parallele kognitive Prozesse.
Die Ressourcenanalyse zeigt, dass das Gespräch blockiert, wenn die Stelle
s_Waren_verfügbar keine Token mehr enthält -- ein Modellierungsergebnis, das der empirischen Beobachtung entspricht.Schritt 5: Bayessche Modellierung
Das trainierte HMM identifiziert fünf latente Gesprächsphasen. Tabelle 5{reference-type="ref" reference="tab:hmm"} zeigt die Emissionswahrscheinlichkeiten für einen ausgewählten Zustand:
::: {#tab:hmm}
Symbol Wahrscheinlichkeit
-------------------------- ------------------------
KAE (Kunden-Erkundigung) 0.35
VAE (Verkäufer-Auskunft) 0.35
KBA (Kunden-Antwort) 0.15
VBA (Verkäufer-Reaktion) 0.15
: Emissionswahrscheinlichkeiten des Zustands \"Beratung\"
:::
Die Viterbi-Dekodierung für Transkript 1 ergibt folgende Zustandssequenz:
KBG → VBG → KBBd → VBBd → KBA → VBA → KBBd → VBBd → KBA → VAA → KAA → VAV → KAV
0 0 1 1 2 2 1 1 2 3 3 4 4
(Begrüßung:0, Bedarfsermittlung:1, Beratung:2, Abschluss:3, Verabschiedung:4)
Schritt 6: Validierung
Die CRF-Analyse identifiziert die wichtigsten Prädiktoren für die Terminalzeichen:
::: {#tab:crf}
Feature Vorhersage Gewicht
----------------- ---------------- -------------
bigram:KBG_VBG VBG +2.345
symbol:VAA VAV +1.987
context\_-1:VAA KAA +1.432
symbol.prefix_K KBA +1.234
: Wichtigste CRF-Features
:::
Die semantische Validierung zeigt hohe Intra-Kategorie-Ähnlichkeiten (0.83-0.95) und bestätigt damit die Kohärenz der interpretativen Kategorien.
Integration: Von der ARS 4.0 zur ERIA 1.0
Die ERIA 1.0 integriert die drei parallel entwickelten Erweiterungen der ARS 4.0 zu einer kohärenten Methodologie. Tabelle 7{reference-type="ref" reference="tab:integration"} zeigt die Zuordnung der Verfahren zu den methodischen Schritten:
::: {#tab:integration}
ARS-4.0-Erweiterung ERIA-Schritt Mehrwert
----------------------------- ------------------ ---------------------------------------------------
PCFG (ARS 3.0) Schritt 3 Hierarchische Kategorienbildung
Petri-Netze Schritt 4 Nebenläufigkeit, Ressourcen, Zustandsübergänge
Bayessche Netze/HMM Schritt 5 Unsicherheit, latente Variablen, Inferenz
CRF, Transformer, Attention Schritt 6 Validierung, semantische Kohärenz, Kontextanalyse
: Integration der ARS-4.0-Erweiterungen in ERIA 1.0
:::
Die ERIA 1.0 ist kein rein technisches Verfahren, sondern eine methodologische Rahmung, die den Primat der Interpretation wahrt. Die formale Modellierung dient der Explikation, nicht der Substitution hermeneutischer Arbeit.
Diskussion
Methodologische Bewertung
Die ERIA erfüllt die zentralen methodologischen Anforderungen qualitativer Forschung:
1. Transparenz: Jede Interpretationsentscheidung wird dokumentiert, jedes formale Modell ist semantisch gehaltvoll benannt.
2. Intersubjektive Nachvollziehbarkeit: Die sechs Schritte sind klar definiert und können von Drittforschern repliziert werden.
3. Reflexivität: Die methodologische Reflexionsebene zwingt zur expliziten Begründung jeder Entscheidung.
4. Triangulation: Die verschiedenen formalen Perspektiven (PCFG, Petri-Netz, HMM, CRF, Transformer) erlauben eine mehrdimensionale Validierung.
Mehrwert gegenüber bestehenden Ansätzen
Die ERIA bietet gegenüber den Ausgangsverfahren mehrere Vorteile:
- Gegenüber reiner Hermeneutik: Formale Modellierung, Nachvollziehbarkeit, Skalierbarkeit.
- Gegenüber reiner PCFG (ARS 3.0): Nebenläufigkeit, Ressourcen, Unsicherheit, latente Variablen.
- Gegenüber reinen Petri-Netzen: Anbindung an interpretative Kategorien, semantische Gehalte.
- Gegenüber reinen HMM: Hierarchische Struktur, semantische Validierung, methodologische Kontrolle.
- Gegenüber \"Black-Box\"-KI: Erklärbarkeit durch Design, keine Opazität.
Grenzen
Die ERIA hat auch Grenzen, die zu reflektieren sind:
1. Aufwand: Die sequenzielle Mikroanalyse ist zeitintensiv und erfordert geschulte Interpret:innen.
2. Fallzahl: Bei sehr großen Korpora (n \> 100) stößt die manuelle Interpretation an Grenzen.
3. Domänenspezifität: Die Kategorienbildung ist auf die spezifische Interaktionsdomäne (Verkaufsgespräche) zugeschnitten.
4. Technische Abhängigkeiten: Die computerlinguistischen Verfahren setzen vortrainierte Modelle voraus (z.B. Sentence-Transformer).
Vergleich mit CGTI
Die ERIA unterscheidet sich von der Computational Grounded Theory Integration (CGTI) in drei zentralen Punkten:
::: {#tab:vergleich}
Kriterium ERIA CGTI
--------------------------- ---------------------------------------- ---------------------------------------
Rolle formaler Modelle Explikation interpretativer Kategorien Ergänzung zur Hermeneutik
Petri-Netze Integriert (Schritt 4) Nicht vorgesehen
Bayessche Verfahren Integriert (Schritt 5) Nicht vorgesehen
Computerlinguistik Validierung (Schritt 6) Kontrafaktische Exploration (Phase 3)
Methodologische Grundlage ARS 3.0/4.0 CGTI (eigenständig)
: ERIA vs. CGTI
:::
Die ERIA ist formal präziser (Petri-Netze, HMM) und bietet eine umfassendere Modellierung von Nebenläufigkeit und Unsicherheit. Die CGTI ist hermeneutisch konservativer und verzichtet auf formale Prozessmodellierung.
Fazit und Ausblick
Die Erklärbar Rekursive Interaktionsanalyse (ERIA) 1.0 integriert die Stärken dreier methodologischer Traditionen: die Tiefe der qualitativen Sequenzanalyse, die Präzision formaler Prozessmodellierung (Petri-Netze, HMM) und die Skalierbarkeit computerlinguistischer Verfahren (CRF, Transformer, Attention). Die methodologische Kontrolle bleibt durch den Primat der Interpretation und die reflexive Dokumentation gewahrt.
Weiterführende Forschung könnte die ERIA in mehreren Richtungen entwickeln:
1. ERIA 2.0: Integration von Large Language Models als kontrafaktische Explorationswerkzeuge (nach CGTI, Phase 3)
2. ERIA 3.0: Entwicklung einer Softwareumgebung zur Unterstützung der sechs Schritte (Transkription → Terminalzeichen → Grammatik → Petri-Netz → HMM → Validierung)
3. ERIA 4.0: Anwendung auf andere Interaktionsdomänen (Arzt-Patienten-Gespräche, Unterrichtsinteraktionen, politische Debatten)
4. ERIA 5.0: Methodologische Reflexion der Grenzen formaler Modellierung in den Sozialwissenschaften
Die ERIA 1.0 versteht sich als Beitrag zu einer erklärbaren qualitativen Forschung, die die methodologischen Standards der Disziplin wahrt und zugleich die Präzision formaler Verfahren nutzt.
::: thebibliography
99
Barredo Arrieta, A. et al. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115.
Flick, U. (2019). Qualitative Sozialforschung: Eine Einführung (9. Aufl.). Rowohlt.
Jensen, K. (1997). Coloured Petri Nets: Basic Concepts, Analysis Methods and Practical Use. Springer.
Lafferty, J., McCallum, A., & Pereira, F. (2001). Conditional Random Fields. Proceedings of ICML 2001, 282-289.
Manning, C. D., & Schütze, H. (1999). Foundations of Statistical Natural Language Processing. MIT Press.
Murphy, K. P. (2002). Dynamic Bayesian Networks. PhD Thesis, UC Berkeley.
Oevermann, U. et al. (1979). Die Methodologie einer objektiven Hermeneutik. In H.-G. Soeffner (Hrsg.), Interpretative Verfahren in den Sozial- und Textwissenschaften (S. 352-434). Metzler.
Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann.
Petri, C. A. (1962). Kommunikation mit Automaten. Dissertation, TU Darmstadt.
Przyborski, A., & Wohlrab-Sahr, M. (2021). Qualitative Sozialforschung (5. Aufl.). De Gruyter Oldenbourg.
Rabiner, L. R. (1989). A tutorial on hidden Markov models. Proceedings of the IEEE, 77(2), 257-286.
Reimers, N., & Gurevych, I. (2019). Sentence-BERT. Proceedings of EMNLP-IJCNLP 2019, 3982-3992.
Sacks, H., Schegloff, E. A., & Jefferson, G. (1974). A simplest systematics for turn-taking. Language, 50(4), 696-735.
Vaswani, A. et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30, 5998-6008.
:::
Die acht Transkripte mit Terminalzeichen
Transkript 1 - Metzgerei
Terminalzeichenkette 1: KBG, VBG, KBBd, VBBd, KBA, VBA, KBBd, VBBd, KBA, VAA, KAA, VAV, KAV
Transkript 2 - Marktplatz (Kirschen)
Terminalzeichenkette 2: VBG, KBBd, VBBd, VAA, KAA, VBG, KBBd, VAA, KAA
Transkript 3 - Fischstand
Terminalzeichenkette 3: KBBd, VBBd, VAA, KAA
Transkript 4 - Gemüsestand
Terminalzeichenkette 4: KBBd, VBBd, KBA, VBA, KBBd, VBA, KAE, VAE, KAA, VAV, KAV
Transkript 5 - Gemüsestand 2
Terminalzeichenkette 5: KAV, KBBd, VBBd, KBBd, VAA, KAV
Transkript 6 - Käseverkaufsstand
Terminalzeichenkette 6: KBG, VBG, KBBd, VBBd, KAA
Transkript 7 - Bonbonstand
Terminalzeichenkette 7: KBBd, VBBd, KBA, VAA, KAA
Transkript 8 - Bäckerei
Terminalzeichenkette 8: KBG, VBBd, KBBd, VBA, VAA, KAA, VAV, KAV