---
abstract: |
Die qualitative Sozialforschung steht gegenwärtig vor einem methodologischen Dilemma: Einerseits versprechen generative KI-Systeme eine bislang unerreichte Skalierung interpretativer Arbeitsschritte, andererseits entziehen sie sich durch ihre stochastische Natur der klassischen Validierungslogik qualitativer Forschung. Der vorliegende Beitrag argumentiert, dass dieses Dilemma durch eine Rückbesinnung auf formalisierende Ansätze aufgelöst werden kann. Als konkreten Lösungsansatz entwickelt der Beitrag die Algorithmisch Rekursive Sequenzanalyse (ARS) , ein Verfahren, das Interpretationsprozesse in eine formale Grammatik überführt und damit transparent, reproduzierbar und intersubjektiv prüfbar macht. Die Verbindung zur aktuellen Diskussion um Explainable AI (XAI) erweist sich dabei als doppelt fruchtbar: Sie stellt ein begriffliches Instrumentarium bereit, um die Güte qualitativer Interpretationen zu reflektieren, und erinnert daran, dass Erklärbarkeit kein Luxus, sondern eine Notwendigkeit ist -- in der Technik wie in der Wissenschaft. Die empirische Anwendung an acht Transkripten von Verkaufsgesprächen demonstriert die Leistungsfähigkeit des Verfahrens.
author:
- |
Autorenteam ARS\
Institut für qualitative Sozialforschung\
Rheinisch-Westfälische Technische Hochschule Aachen
date: Juni/Juli 1994 & 2024
title: |
Zwischen Interpretation und Berechnung\
Algorithmisch Rekursive Sequenzanalyse als Brücke\
zwischen qualitativer Hermeneutik und formaler Modellierung
---

Einleitung: Das Paradoxon qualitativer Forschung im Zeitalter generativer KI

Die qualitative Sozialforschung steht gegenwärtig vor einem methodologischen Dilemma. Einerseits versprechen generative KI-Systeme eine bislang unerreichte Skalierung interpretativer Arbeitsschritte. Andererseits entziehen sich eben diese Systeme durch ihre stochastische Natur der klassischen Validierungslogik qualitativer Forschung. Wo diese traditionell auf die detaillierte Offenlegung des Codierprozesses und die intersubjektive Nachvollziehbarkeit setzt, tritt nun ein blinder Verlass auf die vermeintliche "Emergenz" neuronaler Netze.

Dieser Trend ist problematisch, weil er die computergestützte Textanalyse von ihren methodologischen Grundlagen abkoppelt. Zugleich aber verweist er auf ein Defizit, das die qualitative Forschung selbst betrifft: Sie verfügt über kein formalisiertes Vokabular, um ihre Interpretationsprozesse für algorithmische Verfahren anschlussfähig zu machen. Die Folge ist eine Wahl zwischen zwei unbefriedigenden Optionen: entweder Verzicht auf Skalierung oder Preisgabe methodologischer Kontrolle.

Der vorliegende Beitrag argumentiert, dass dieses Dilemma durch eine Rückbesinnung auf formalisierende Ansätze aufgelöst werden kann, die in der Tradition der Textanalyse bereits angelegt waren, aber durch die jüngste Entwicklung generativer KI in Vergessenheit gerieten. Als konkreten Lösungsansatz entwickelt der Beitrag die Algorithmisch Rekursive Sequenzanalyse (ARS) , ein Verfahren, das Interpretationsprozesse in eine formale Grammatik überführt und damit transparent, reproduzierbar und intersubjektiv prüfbar macht.

Die Pointe dieses Ansatzes liegt in seiner Verbindung zu aktuellen Diskussionen um Explainable Artificial Intelligence (XAI) . XAI hat sich als Antwort auf die Opazität neuronaler Netze entwickelt [@Samek2019; @BarredoArrieta2020]. Die zentrale Einsicht lautet: Wer die Entscheidungen komplexer KI-Systeme nicht nachvollziehen kann, kann ihnen nicht vertrauen -- und darf sie in sicherheitskritischen Bereichen nicht einsetzen [@Weller2019]. Diese Einsicht, so die These des Beitrags, lässt sich produktiv auf die qualitative Forschung wenden: Auch sie benötigt Verfahren, die ihre Interpretationsprozesse erklärbar machen. Die ARS versteht sich als ein solches Verfahren -- als Beitrag zu einer erklärbaren qualitativen Forschung, die die methodologischen Standards der Disziplin wahrt und zugleich für algorithmische Modellierung öffnet.

Der Beitrag ist wie folgt aufgebaut: Abschnitt 2 führt in das Konzept der Explainable AI ein und entwickelt die Analogie zur qualitativen Forschung. Abschnitt 3 stellt die ARS in ihrer methodischen Architektur dar. Abschnitt 4 dokumentiert die empirische Anwendung an acht Transkripten von Verkaufsgesprächen. Abschnitt 5 reflektiert die Ergebnisse im Lichte der XAI-Diskussion. Abschnitt 6 zieht ein Fazit und zeigt Perspektiven auf.

Explainable AI: Begriff, Entwicklung und methodologische Relevanz

Entstehung und Grundgedanken der XAI

Die Entwicklung der Explainable Artificial Intelligence (XAI) ist eng mit der Einsicht verbunden, dass die zunehmende Leistungsfähigkeit komplexer KI-Modelle mit einem Verlust an Transparenz einhergeht. Insbesondere tiefe neuronale Netze, die in zahlreichen Anwendungsdomänen beeindruckende Ergebnisse erzielen, operieren als "Black Boxes": Ihre inneren Entscheidungsprozesse sind weder für Entwickler noch für Nutzer unmittelbar nachvollziehbar [@Samek2019 S. 2].

Diese Opazität wird dann problematisch, wenn KI-Systeme in sicherheitskritischen Bereichen eingesetzt werden -- in der medizinischen Diagnostik, der Rechtsprechung, der Finanzwirtschaft oder der autonomen Steuerung [@Ortigossa2024 S. 80800]. Fehlentscheidungen können hier gravierende Folgen haben. Zugleich erschwert die Undurchschaubarkeit der Modelle die Identifikation von Bias und Diskriminierung. Ein vielzitierter Fall ist das COMPAS-System zur Rückfallprognose von Straftätern, das afroamerikanische Angeklagte systematisch benachteiligte, ohne dass diese Verzerrung aus der Modellarchitektur erkennbar gewesen wäre [@BarredoArrieta2020 S. 84].

Die XAI-Forschung reagiert auf dieses Problem, indem sie Methoden entwickelt, um die Entscheidungen komplexer Modelle nachträglich zu erklären oder von vornherein interpretierbare Modelle zu entwerfen [@Mersha2024]. Der Begriff "Explainable AI" selbst geht auf eine Initiative der US-amerikanischen Forschungsagentur DARPA zurück, die ab 2015 gezielt Projekte zur Erklärbarkeit von KI-Systemen förderte [@BarredoArrieta2020 S. 86]. Seither hat sich XAI zu einem eigenständigen Forschungsfeld entwickelt, das sowohl technische als auch ethische und rechtliche Fragen adressiert.

Eine wichtige rechtliche Triebkraft der XAI-Diskussion war die europäische Datenschutz-Grundverordnung. Insbesondere Erwägungsgrund 71 wird in der Forschung häufig als Grundlage eines "Rechts auf Erklärung" interpretiert, auch wenn die Verordnung kein explizites, einklagbares Recht auf vollständige algorithmische Offenlegung formuliert [@Wachter2017]. Gleichwohl etabliert die DSGVO verbindliche Anforderungen an Transparenz, Nachvollziehbarkeit und Informationspflichten bei automatisierten Entscheidungen und verstärkt damit den normativen Druck zur Entwicklung erklärbarer KI-Systeme.

Zentrale Begriffe und Taxonomien

Die XAI-Literatur hat eine Reihe von Begriffen und Unterscheidungen entwickelt, um das Feld zu strukturieren. Erklärbarkeit (Explainability) bezeichnet allgemein die Eigenschaft eines KI-Systems, seine Entscheidungen in für Menschen verständlicher Weise darlegen zu können [@BarredoArrieta2020 S. 89]. Interpretierbarkeit (Interpretability) zielt darauf ab, dass ein menschlicher Betrachter die Funktionsweise des Systems nachvollziehen kann [@Weller2019 S. 25]. Transparenz (Transparency) meint die Offenlegung der systemischen Prozesse und Designentscheidungen [@Weller2019 S. 27].

Eine grundlegende taxonomische Unterscheidung betrifft den Zeitpunkt der Erklärbarkeit: Ad-hoc-Methoden (auch "Explanation by Design") integrieren Erklärbarkeit von Beginn an in die Modellarchitektur. Sie entwerfen Modelle, die aufgrund ihrer Struktur prinzipiell interpretierbar sind -- etwa Entscheidungsbäume oder regelbasierte Systeme. Post-hoc-Methoden hingegen wenden Erklärungstechniken auf bereits trainierte Black-Box-Modelle an. Sie versuchen, nachträglich zu rekonstruieren, welche Input-Faktoren für eine bestimmte Entscheidung ausschlaggebend waren [@BarredoArrieta2020 S. 92].

Eine zweite Unterscheidung betrifft die Reichweite der Erklärung: Globale Erklärungen zielen auf das Gesamtverhalten des Modells -- sie beantworten die Frage, wie das Modell grundsätzlich funktioniert. Lokale Erklärungen hingegen beziehen sich auf einzelne Entscheidungen -- sie erklären, warum ein bestimmter Input zu einem bestimmten Output geführt hat [@Ortigossa2024 S. 80805].

Eine dritte Unterscheidung betrifft die Methodik: Modellspezifische Verfahren sind nur auf bestimmte Modellarchitekturen anwendbar (etwa auf neuronale Netze). Modellagnostische Verfahren hingegen können unabhängig von der konkreten Modellarchitektur eingesetzt werden [@Mersha2024 S. 3].

Zu den bekanntesten XAI-Verfahren zählen:

- LIME (Local Interpretable Model-agnostic Explanations): Ein modellagnostisches Verfahren, das lokal einfache, interpretierbare Ersatzmodelle lernt, um die Entscheidungen komplexer Black-Box-Modelle zu erklären [@BarredoArrieta2020 S. 102].

- SHAP (SHapley Additive exPlanations): Ein auf kooperativer Spieltheorie basierendes Verfahren, das den Beitrag jedes Input-Features zu einer Vorhersage quantifiziert [@BarredoArrieta2020 S. 104].

- Salienz-Maps: Visualisierungen, die für Bildklassifikatoren anzeigen, welche Bildregionen für eine Entscheidung besonders relevant waren [@Zhou2019].

- Layer-wise Relevance Propagation (LRP): Ein Verfahren, das die Vorhersage eines neuronalen Netzes schichtweise rückwärts durch das Netz propagiert und so relevante Input-Regionen identifiziert [@Montavon2019].

XAI als methodologische Herausforderung

Die XAI-Diskussion beschränkt sich nicht auf technische Verfahren. Sie berührt grundlegende methodologische Fragen: Was heißt es, eine Entscheidung zu "erklären"? Wer ist die Adressatin der Erklärung? Welche Qualitätskriterien gelten für Erklärungen?

Das NIST (National Institute of Standards and Technology) hat hierzu drei fundamentale Eigenschaften guter Erklärungen formuliert [@Ortigossa2024 S. 80810]:

1. Verständlichkeit (Meaningfulness): Erklärungen müssen für die intendierte Adressatin verständlich sein. Dies erfordert eine Anpassung an deren Vorwissen und kognitive Fähigkeiten.

2. Genauigkeit (Accuracy): Erklärungen müssen die tatsächlichen Entscheidungsprozesse des Modells korrekt wiedergeben. Hier besteht ein potenzieller Zielkonflikt mit der Verständlichkeit: Eine genaue, aber hochkomplexe Erklärung mag unverständlich sein; eine verständliche, aber ungenaue Erklärung mag in die Irre führen.

3. Wissensgrenzen (Knowledge Limits): Gute Erklärungen machen deutlich, unter welchen Bedingungen das Modell zuverlässig arbeitet und wo seine Grenzen liegen.

Diese Kriterien sind nicht nur für technische Systeme relevant. Sie lassen sich, so die These dieses Beitrags, auf die qualitative Forschung übertragen. Auch qualitative Interpretationen müssen verständlich sein (für die scientific community), genau (im Sinne der Texttreue) und ihre Grenzen benennen (etwa im Hinblick auf die Reichweite der Interpretation). Die XAI-Diskussion stellt damit ein begriffliches Instrumentarium bereit, um die Güte qualitativer Interpretationen zu reflektieren -- und um Verfahren zu entwickeln, die diese Güte sicherstellen.

Von der XAI zur erklärbaren qualitativen Forschung: Eine Analogie

Die Übertragung der XAI-Perspektive auf die qualitative Forschung beruht auf einer Analogie, die in Tabelle 1{reference-type="ref" reference="tab:analogie"} systematisiert ist:

::: {#tab:analogie}
Dimension Technische XAI Qualitative Forschung
--------------- ----------------------------------------------- --------------------------------------------
Problem Opake Entscheidungen neuronaler Netze Opake Interpretationsprozesse
Ursache Subsymbolische Repräsentationen Implizites Regelwissen
Folge Fehlendes Vertrauen, unentdeckter Bias Fehlende Intersubjektivität
Lösung Explikation der Entscheidungsgrundlagen Explikation der Interpretationsregeln
Verfahren LIME, SHAP, Salienz-Maps ARS, explizite Kategorienbildung
Kriterien Verständlichkeit, Genauigkeit, Wissensgrenzen Nachvollziehbarkeit, Texttreue, Reichweite

: Analogie zwischen technischer XAI und qualitativer Forschung
:::

Die Pointe dieser Analogie liegt in der Umkehrung der Perspektive: Während XAI danach fragt, wie man die Entscheidungen technischer Systeme erklären kann, fragt eine erklärbare qualitative Forschung danach, wie man die Interpretationsprozesse menschlicher Forscher erklärbar machen kann. In beiden Fällen geht es um die Überführung impliziter, opaker Operationen in explizite, nachvollziehbare Regeln.

Die Algorithmisch Rekursive Sequenzanalyse, die im Folgenden dargestellt wird, versteht sich als ein Verfahren, das diese Überführung leistet. Sie formalisiert Interpretationsprozesse, ohne sie zu automatisieren. Sie produziert explizite, überprüfbare Modelle, ohne die hermeneutische Offenheit zu eliminieren. Und sie schafft damit die Voraussetzungen für eine qualitativ gehaltvolle, aber methodologisch kontrollierte Nutzung algorithmischer Verfahren.

Algorithmisch Rekursive Sequenzanalyse: Methodische Architektur

Grundoperationen: Von der Transkription zur Terminalzeichenkette

Die ARS operiert auf Transkripten natürlicher Interaktionen. Der erste Schritt besteht in einer sequenzanalytischen Feinanalyse, die der Logik qualitativer Interpretation folgt. Die qualitative Sequenzanalyse, wie sie in der objektiven Hermeneutik [@Oevermann1979] und der Konversationsanalyse [@Sacks1974] entwickelt wurde, zielt darauf ab, die latente Sinnstruktur von Interaktionen durch die systematische Rekonstruktion ihrer sequenziellen Ordnung zu erschließen. Jeder Sprechakt wird im Hinblick auf seine sequenzielle Funktion und seine intentionale Qualität analysiert.

Die Analyse folgt dem Prinzip der Lesartenproduktion und -falsifikation [@Oevermann1979 S. 392]: Zu jedem Sequenzschritt werden alternative Interpretationsmöglichkeiten generiert und systematisch anhand des weiteren Verlaufs überprüft. Dieses Verfahren der " kontrollierten Interpretation" [@Flick2019 S. 158] sichert die intersubjektive Nachvollziehbarkeit und zwingt zur Explikation der Interpretationsregeln.

Das Ergebnis dieser interpretativen Arbeit ist eine Terminalzeichenkette, in der jeder Sprechakt durch ein Symbol aus einem zuvor entwickelten Kategoriensystem repräsentiert wird. Diese Terminalzeichen fungieren als formalisiertes Äquivalent qualitativer Codierungen [@Przyborski2021 S. 207]. Die folgende Tabelle illustriert dies am Beispiel eines Transkripts:

::: {#tab:terminal}
Transkriptausschnitt Terminalzeichen Interpretation
------------------------------------------------- --------------------- -------------------------------------------------
Kunde: Guten Tag KBG Kunden-Gruß (Initiation der Interaktion)
Verkäuferin: Guten Tag VBG Verkäufer-Gruß (reziproke Bestätigung)
Kunde: Einmal von der groben Leberwurst, bitte. KBBd Kunden-Bedarf (Artikulation eines Kaufwunsches)

: Beispiel für die Zuordnung von Terminalzeichen
:::

Grammatikinduktion: Von Einzelfällen zu generativen Modellen

Auf der Grundlage der Terminalzeichenketten wird für jedes Transkript eine individuelle Grammatik induziert. Diese Grammatik spezifiziert, welche Sequenzmuster in dem jeweiligen Transkript beobachtbar sind und welche Übergänge zwischen den Terminalzeichen möglich sind. Formal handelt es sich um eine übergangsbasierte Grammatik, die auf der Ebene von Terminalzeichen operiert und deren Produktionsregeln auf beobachteten Übergangshäufigkeiten beruhen.

Im Unterschied zu klassischen linguistischen PCFGs [@Manning1999] verzichtet die ARS auf explizite Nichtterminale und tiefenrekursive Ableitungen. Die Grammatik modelliert stattdessen sequenzielle Regularitäten als probabilistische Übergänge zwischen formalisierten Sprechaktkategorien. Der Begriff der Grammatik wird hier in einem methodischen, nicht in einem strikt formallinguistischen Sinn verwendet: als explizites, generatives Regelwerk zur Rekonstruktion beobachtbarer Sequenzstrukturen.

Die Induktion erfolgt durch einfache Zählung der beobachteten Übergänge:

` {caption="Zählung der Übergänge zwischen Terminalzeichen"}
transitions = {}
for chain in empirical_chains:
for i in range(len(chain) - 1):
start, end = chain[i], chain[i + 1]
if start not in transitions:
transitions[start] = {}
if end not in transitions[start]:
transitions[start][end] = 0
transitions[start][end] += 1
`

Vereinigung und Optimierung

Die individuellen Grammatiken werden zu einer vereinigten Grammatik zusammengeführt, die die Sequenzstruktur aller Transkripte abdeckt. Diese wird einem iterativen Anpassungsprozess unterzogen, der die Übereinstimmung der Übergangswahrscheinlichkeiten mit der empirisch beobachteten Verteilungsstruktur schrittweise erhöht. Das Verfahren folgt einem heuristischen Schema: Es generiert künstliche Ketten, vergleicht deren Häufigkeitsverteilung mit den empirischen Daten und passt die Übergangswahrscheinlichkeiten iterativ an.

Die Festlegung eines Startsymbols stellt dabei eine modelltheoretische Vereinfachung dar. Sie dient der Generierung syntaktisch konsistenter Sequenzen und erhebt keinen Anspruch darauf, die empirische Vielfalt realer Gesprächseinstiege vollständig abzubilden.

Empirische Anwendung: Acht Transkripte von Verkaufsgesprächen

Hypothetische Ausgangsgrammatik

Aus der Fachliteratur zu Verkaufsgesprächen wurde folgende hypothetische Grammatik abgeleitet: Ein Verkaufsgespräch (VKG) besteht aus Begrüßung (BG), Verkaufsteil (VT) und Verabschiedung (AV). Die Terminalzeichen umfassen KBG, VBG, KBBd, VBBd, KBA, VBA, KAE, VAE, KAA, VAA, KAV, VAV.

Die acht Transkripte

Die vollständigen Transkripte finden sich in Anhang A. Sie dokumentieren Interaktionen an verschiedenen Verkaufsständen auf dem Aachener Marktplatz im Juni/Juli 1994.

Terminalzeichenketten

Da Verkaufsgespräche empirisch mit unterschiedlichen Sprechakten beginnen können, wurde für die Generierung künstlicher Sequenzen ein einheitliches Startsymbol definiert. Diese Entscheidung dient ausschließlich der Modellkonsistenz und beeinflusst nicht die Übergangsstruktur der Grammatik.

Die aus den Transkripten gebildeten Terminalzeichenketten sind in Anhang A vollständig dokumentiert.

Python-Implementierung

Das vollständige Python-Programm zur Grammatikinduktion und -optimierung findet sich in Anhang B. Es implementiert die in Abschnitt 3 beschriebenen Schritte und visualisiert den Optimierungsverlauf.

Ergebnisse der iterativen Anpassung

Die optimierte Grammatik weist folgende Struktur auf:

::: {#tab:ergebnisse}
Ausgangssymbol Folgesymbole mit Wahrscheinlichkeiten
-------------------- -------------------------------------------------
KBG VBG (0.67), VBBd (0.33)
VBG KBBd (1.0)
KBBd VBBd (0.67), VAA (0.17), VBA (0.17)
VBBd KBA (0.44), VAA (0.22), KBBd (0.22), KAA (0.11)
KBA VBA (0.5), VAA (0.5)
VBA KBBd (0.5), KAE (0.25), VAA (0.25)
VAA KAA (0.86), KAV (0.14)
KAA VAV (0.75), VBG (0.25)
VAV KAV (1.0)
KAE VAE (1.0)
VAE KAA (1.0)
KAV KBBd (1.0)

: Optimierte Übergangswahrscheinlichkeiten
:::

In der Validierungsphase, in der eine größere Anzahl künstlicher Sequenzen (n = 100) auf Basis der optimierten Übergangsstruktur generiert wurde, ergibt sich eine nahezu perfekte Übereinstimmung zwischen empirischen und generierten Häufigkeiten (r = 0,9999; p \< 0,001).

Diese hohe Übereinstimmung ist nicht als Prognoseleistung oder Generalisierungsnachweis zu verstehen. Sie dokumentiert vielmehr die strukturelle Reproduzierbarkeit der empirisch beobachteten Übergangsmuster unter Verwendung derselben Grammatik bei vergrößerter Stichprobe. Zugleich ist methodisch zu reflektieren, dass der Pearson-Korrelationskoeffizient für Häufigkeitsvektoren mit konstanter Summe (1,0) tendenziell hohe Werte ergibt. Die hier beobachtete Korrelation bestätigt daher primär die interne Konsistenz des Verfahrens, weniger eine externe Validität im Sinne von Vorhersagekraft [@Flick2019 S. 489].

Während der iterativen Optimierungsphase liegt die Korrelation stabil bei etwa r ≈ 0,92, was bereits auf eine hohe strukturelle Passung der induzierten Grammatik hinweist. Die weitere Steigerung der Korrelation in der Validierung ist auf die größere Stichprobe generierter Sequenzen bei unveränderter Übergangsstruktur zurückzuführen.

Diskussion: ARS als Beitrag zu einer erklärbaren qualitativen Forschung

ARS und die XAI-Kriterien

Die ARS erfüllt die drei vom NIST formulierten Kriterien guter Erklärungen in einer für die qualitative Forschung adaptierten Form:

Verständlichkeit wird durch die explizite Kategorienbildung gesichert. Die Terminalzeichen sind semantisch gehaltvoll (KBG = Kunden-Gruß) und bleiben an die interpretative Erschließung rückgebunden. Ein Drittforscher kann nachvollziehen, welche Zuordnungen getroffen wurden. Dies entspricht dem in der qualitativen Forschung zentralen Prinzip der "kommunikativen Validierung" [@Flick2019 S. 328].

Genauigkeit wird hier im Sinne struktureller Passung operationalisiert, nicht im Sinne prädiktiver Validität. Die hohe Übereinstimmung zwischen empirischen und generierten Häufigkeiten zeigt, dass die Grammatik die beobachtete Verteilungsstruktur der Daten präzise reproduziert. In der Terminologie der qualitativen Forschung ließe sich von "Gegenstandsangemessenheit" sprechen [@Przyborski2021 S. 34].

Wissensgrenzen werden durch die Dokumentation der Lesartenproduktion und -falsifikation markiert. Die Grammatik erhebt nicht den Anspruch, die "eigentliche" Struktur der Interaktion zu erfassen, sondern rekonstruiert beobachtbare Regularitäten auf der Basis interpretativer Entscheidungen. Sie macht damit ihre eigene Kontingenz sichtbar -- eine methodologische Tugend, die in der qualitativen Forschung unter dem Stichwort "Reflexivität" diskutiert wird [@Flick2019 S. 129].

Ad-hoc vs. Post-hoc: ARS als Explanation by Design

In der XAI-Terminologie ist die ARS als Ad-hoc-Verfahren (Explanation by Design) zu klassifizieren. Sie entwirft die Grammatik nicht als nachträgliche Erklärung eines bereits bestehenden Modells, sondern integriert die Erklärbarkeit von Beginn an in den Modellierungsprozess. Die Terminalzeichen sind keine Black Boxes, sondern explizieren die interpretativen Entscheidungen. Die Übergangswahrscheinlichkeiten sind keine undurchschaubaren Gewichte, sondern einfache relative Häufigkeiten.

Dies unterscheidet die ARS fundamental von post-hoc-Verfahren, die versuchen, die Entscheidungen neuronaler Netze nachträglich zu erklären. Während diese Verfahren immer nur approximative Einblicke in eine prinzipiell opake Architektur geben können, ist die ARS von Grund auf transparent angelegt.

Grenzen der Analogie

Die Analogie zwischen XAI und qualitativer Forschung hat Grenzen, die reflektiert werden müssen. Erstens zielt XAI primär auf die Erklärung technischer Systeme, während es in der qualitativen Forschung um die Explikation menschlicher Interpretationsprozesse geht. Die Kausalität ist eine andere: Bei XAI erklären wir, warum ein Algorithmus eine bestimmte Entscheidung getroffen hat; bei ARS erklären wir, wie Forscher zu einer bestimmten Interpretation gelangt sind.

Zweitens operiert XAI mit einem anderen Wahrheitsbegriff. Die Erklärungen sollen die tatsächlichen Entscheidungsprozesse des Modells korrekt wiedergeben. Bei ARS hingegen gibt es keine "tatsächlichen" Prozesse, die unabhängig von der Interpretation existieren. Die Grammatik ist keine Entdeckung, sondern eine Konstruktion -- eine, die sich allerdings an der empirischen Evidenz bewähren muss [@Flick2019 S. 80].

Drittens ist die Adressatin eine andere. XAI-Erklärungen richten sich an Nutzer, Entwickler oder Regulierungsbehörden. ARS-Erklärungen richten sich an die scientific community der qualitativen Forschung. Die Kriterien der Verständlichkeit müssen daher an deren spezifische Diskurspraxis angepasst werden.

Methodologische Implikationen

Trotz dieser Grenzen eröffnet die XAI-Perspektive produktive Fragen für die qualitative Forschung: Wie können wir unsere Interpretationsprozesse so explizieren, dass sie für andere nachvollziehbar werden? Welche Formate der Explikation sind geeignet? Wie können wir die Güte unserer Interpretationen nicht nur behaupten, sondern demonstrieren?

Die ARS gibt auf diese Fragen eine konkrete Antwort. Sie formalisiert Interpretationsprozesse, ohne sie zu automatisieren. Sie macht die interpretativen Entscheidungen explizit, ohne die hermeneutische Offenheit zu eliminieren. Sie schafft damit die Voraussetzungen für eine methodologisch reflektierte Nutzung algorithmischer Verfahren in der qualitativen Forschung.

Fazit und Ausblick

Die qualitative Sozialforschung steht vor der Herausforderung, die Möglichkeiten algorithmischer Textanalyse zu nutzen, ohne ihre methodologischen Standards preiszugeben. Die Algorithmisch Rekursive Sequenzanalyse bietet einen Weg, diese Herausforderung produktiv zu wenden. Sie formalisiert Interpretationsprozesse, ohne sie zu automatisieren. Sie produziert explizite, überprüfbare Modelle, ohne die hermeneutische Offenheit zu eliminieren.

Die Verbindung zur XAI-Diskussion erweist sich dabei als doppelt fruchtbar: Sie stellt ein begriffliches Instrumentarium bereit, um die Güte qualitativer Interpretationen zu reflektieren. Und sie erinnert daran, dass Erklärbarkeit kein Luxus, sondern eine Notwendigkeit ist -- in der Technik wie in der Wissenschaft.

Weiterführende Forschung könnte die ARS in mehreren Richtungen entwickeln: durch die Integration weiterer formaler Modellierungsverfahren (Petri-Netze, Bayessche Netze), durch die systematischere Verbindung mit computerlinguistischen Methoden, oder durch die Anwendung auf andere Interaktionstypen. Entscheidend bleibt dabei stets die methodologische Kontrolle: Die formalen Verfahren müssen den interpretativen Charakter der Analyse respektieren und dürfen nicht zu dessen Automatisierung führen.

::: thebibliography
99

Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (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.

Manning, C. D., & Schütze, H. (1999). Foundations of Statistical Natural Language Processing. MIT Press.

Mersha, M., et al. (2024). Explainable Artificial Intelligence: A Survey of Needs, Techniques, Applications, and Future Direction. Neurocomputing, 599, 128111.

Montavon, G., Binder, A., Lapuschkin, S., Samek, W., & Müller, K.-R. (2019). Layer-Wise Relevance Propagation: An Overview. In W. Samek, G. Montavon, A. Vedaldi, L. K. Hansen, & K.-R. Müller (Hrsg.), Explainable AI: Interpreting, Explaining and Visualizing Deep Learning (S. 193-210). Springer.

Oevermann, U., Allert, T., Konau, E., & Krambeck, J. (1979). Die Methodologie einer ›objektiven Hermeneutik‹ und ihre allgemeine forschungslogische Bedeutung in den Sozialwissenschaften. In H.-G. Soeffner (Hrsg.), Interpretative Verfahren in den Sozial- und Textwissenschaften (S. 352-434). Metzler.

Ortigossa, E. S., Gonçalves, T., & Nonato, L. G. (2024). EXplainable Artificial Intelligence (XAI)---From Theory to Methods and Applications. IEEE Access, 12, 80799-80846.

Przyborski, A., & Wohlrab-Sahr, M. (2021). Qualitative Sozialforschung: Ein Arbeitsbuch (5. Aufl.). De Gruyter Oldenbourg.

Sacks, H., Schegloff, E. A., & Jefferson, G. (1974). A simplest systematics for the organization of turn-taking for conversation. Language, 50(4), 696-735.

Samek, W., & Müller, K.-R. (2019). Towards Explainable Artificial Intelligence. In W. Samek, G. Montavon, A. Vedaldi, L. K. Hansen, & K.-R. Müller (Hrsg.), Explainable AI: Interpreting, Explaining and Visualizing Deep Learning (S. 1-10). Springer.

Wachter, S., Mittelstadt, B., & Floridi, L. (2017). Why a right to explanation of automated decision-making does not exist in the general data protection regulation. International Data Privacy Law, 7(2), 76-99.

Weller, A. (2019). Transparency: Motivations and Challenges. In W. Samek, G. Montavon, A. Vedaldi, L. K. Hansen, & K.-R. Müller (Hrsg.), Explainable AI: Interpreting, Explaining and Visualizing Deep Learning (S. 23-40). Springer.

Zhou, B., Bau, D., Oliva, A., & Torralba, A. (2019). Comparing the Interpretability of Deep Networks via Network Dissection. In W. Samek, G. Montavon, A. Vedaldi, L. K. Hansen, & K.-R. Müller (Hrsg.), Explainable AI: Interpreting, Explaining and Visualizing Deep Learning (S. 239-252). Springer.
:::

Die acht Transkripte mit Terminalzeichen

Transkript 1 - Metzgerei

Datum: 28. Juni 1994, Ort: Metzgerei, Aachen, 11:00 Uhr

::: longtable
@ p8cm c @

\
Transkriptausschnitt & Terminalzeichen\
Table  -- Fortsetzung von vorheriger Seite\
Transkriptausschnitt & Terminalzeichen\
\
Kunde: Guten Tag & KBG\
Verkäuferin: Guten Tag & VBG\
Kunde: Einmal von der groben Leberwurst, bitte. & KBBd\
Verkäuferin: Wie viel darf's denn sein? & VBBd\
Kunde: Zwei hundert Gramm. & KBA\
Verkäuferin: Sonst noch etwas? & VBA\
Kunde: Ja, dann noch ein Stück von dem Schwarzwälder Schinken. & KBBd\
Verkäuferin: Wie groß soll das Stück sein? & VBBd\
Kunde: So um die dreihundert Gramm. & KBA\
Verkäuferin: Das macht dann acht Mark zwanzig. & VAA\
Kunde: Bitte. & KAA\
Verkäuferin: Danke und einen schönen Tag noch! & VAV\
Kunde: Danke, ebenfalls! & KAV\
:::

Terminalzeichenkette 1: KBG, VBG, KBBd, VBBd, KBA, VBA, KBBd, VBBd, KBA, VAA, KAA, VAV, KAV

Transkript 2 - Marktplatz (Kirschen)

Datum: 28. Juni 1994, Ort: Marktplatz, Aachen

::: longtable
@ p8cm c @

\
Transkriptausschnitt & Terminalzeichen\
Table  -- Fortsetzung von vorheriger Seite\
Transkriptausschnitt & Terminalzeichen\
\
Verkäufer: Kirschen kann jeder probieren hier! & VBG\
Kunde 1: Ein halbes Kilo Kirschen, bitte. & KBBd\
Verkäufer: Ein halbes Kilo? Oder ein Kilo? & VBBd\
Verkäufer: Drei Mark, bitte. & VAA\
Kunde 1: Danke schön! & KAA\
Verkäufer: Kirschen kann jeder probieren hier! & VBG\
Kunde 2: Ein halbes Kilo, bitte. & KBBd\
Verkäufer: Drei Mark, bitte. & VAA\
Kunde 2: Danke schön! & KAA\
:::

Terminalzeichenkette 2: VBG, KBBd, VBBd, VAA, KAA, VBG, KBBd, VAA, KAA

Transkript 3 - Fischstand

Datum: 28. Juni 1994, Ort: Fischstand, Marktplatz, Aachen

::: longtable
@ p8cm c @

\
Transkriptausschnitt & Terminalzeichen\
Table  -- Fortsetzung von vorheriger Seite\
Transkriptausschnitt & Terminalzeichen\
\
Kunde: Ein Pfund Seelachs, bitte. & KBBd\
Verkäufer: Seelachs, alles klar. & VBBd\
Verkäufer: Vier Mark neunzehn, bitte. & VAA\
Kunde: Danke schön! & KAA\
:::

Terminalzeichenkette 3: KBBd, VBBd, VAA, KAA

Transkript 4 - Gemüsestand (ausführlich)

Datum: 28. Juni 1994, Ort: Gemüsestand, Aachen, Marktplatz, 11:00 Uhr

::: longtable
@ p8cm c @

\
Transkriptausschnitt & Terminalzeichen\
Table  -- Fortsetzung von vorheriger Seite\
Transkriptausschnitt & Terminalzeichen\
\
Kunde: Hören Sie, ich nehme ein paar Champignons mit. & KBBd\
Verkäufer: Braune oder helle? & VBBd\
Kunde: Nehmen wir die hellen. & KBA\
Verkäufer: Die sind beide frisch, keine Sorge. & VBA\
Kunde: Wie ist es mit Pfifferlingen? & KBBd\
Verkäufer: Ah, die sind super! & VBA\
Kunde: Kann ich die in Reissalat tun? & KAE\
Verkäufer: Eher kurz anbraten in der Pfanne. & VAE\
Kunde: Okay, mache ich. & KAA\
Verkäufer: Schönen Tag noch! & VAV\
Kunde: Gleichfalls! & KAV\
:::

Terminalzeichenkette 4: KBBd, VBBd, KBA, VBA, KBBd, VBA, KAE, VAE, KAA, VAV, KAV

Transkript 5 - Gemüsestand (mit KAV zu Beginn)

Datum: 26. Juni 1994, Ort: Gemüsestand, Aachen, Marktplatz, 11:00 Uhr

::: longtable
@ p8cm c @

\
Transkriptausschnitt & Terminalzeichen\
Table  -- Fortsetzung von vorheriger Seite\
Transkriptausschnitt & Terminalzeichen\
\
Kunde 1: Auf Wiedersehen! & KAV\
Kunde 2: Ich hätte gern ein Kilo von den Granny Smith Äpfeln hier. & KBBd\
Verkäufer: Sonst noch etwas? & VBBd\
Kunde 2: Ja, noch ein Kilo Zwiebeln. & KBBd\
Verkäufer: Sechs Mark fünfundzwanzig, bitte. & VAA\
Kunde 2: Auf Wiedersehen! & KAV\
:::

Terminalzeichenkette 5: KAV, KBBd, VBBd, KBBd, VAA, KAV

Transkript 6 - Käseverkaufsstand

Datum: 28. Juni 1994, Ort: Käseverkaufsstand, Aachen, Marktplatz

::: longtable
@ p8cm c @

\
Transkriptausschnitt & Terminalzeichen\
Table  -- Fortsetzung von vorheriger Seite\
Transkriptausschnitt & Terminalzeichen\
\
Kunde 1: Guten Morgen! & KBG\
Verkäufer: Guten Morgen! & VBG\
Kunde 1: Ich hätte gerne fünfhundert Gramm holländischen Gouda. & KBBd\
Verkäufer: Am Stück? & VBBd\
Kunde 1: Ja, am Stück, bitte. & KAA\
:::

Terminalzeichenkette 6: KBG, VBG, KBBd, VBBd, KAA

Transkript 7 - Bonbonstand

Datum: 28. Juni 1994, Ort: Bonbonstand, Aachen, Marktplatz, 11:30 Uhr

::: longtable
@ p8cm c @

\
Transkriptausschnitt & Terminalzeichen\
Table  -- Fortsetzung von vorheriger Seite\
Transkriptausschnitt & Terminalzeichen\
\
Kunde: Von den gemischten hätte ich gerne hundert Gramm. & KBBd\
Verkäufer: Für zu Hause oder zum Mitnehmen? & VBBd\
Kunde: Zum Mitnehmen, bitte. & KBA\
Verkäufer: Fünfzig Pfennig, bitte. & VAA\
Kunde: Danke! & KAA\
:::

Terminalzeichenkette 7: KBBd, VBBd, KBA, VAA, KAA

Transkript 8 - Bäckerei

Datum: 9. Juli 1994, Ort: Bäckerei, Aachen, 12:00 Uhr

::: longtable
@ p8cm c @

\
Transkriptausschnitt & Terminalzeichen\
Table  -- Fortsetzung von vorheriger Seite\
Transkriptausschnitt & Terminalzeichen\
\
Kunde: Guten Tag! & KBG\
Verkäuferin: Einmal unser bester Kaffee, frisch gemahlen, bitte. & VBBd\
Kunde: Ja, noch zwei Stück Obstsalat und ein Schälchen Sahne. & KBBd\
Verkäuferin: In Ordnung! & VBA\
Verkäuferin: Das macht vierzehn Mark und neunzehn Pfennig, bitte. & VAA\
Kunde: Ich zahle in Kleingeld. & KAA\
Verkäuferin: Vielen Dank, schönen Sonntag noch! & VAV\
Kunde: Danke, Ihnen auch! & KAV\
:::

Terminalzeichenkette 8: KBG, VBBd, KBBd, VBA, VAA, KAA, VAV, KAV

Vollständige Python-Implementierung

` {caption="Algorithmisch Rekursive Sequenzanalyse 2.0 - Vollständiger Code"}
"""
Algorithmisch Rekursive Sequenzanalyse 2.0
Grammatikinduktion aus acht Transkripten
Optimierung durch iterativen Vergleich empirischer und generierter Ketten
"""

import numpy as np
from scipy.stats import pearsonr
import matplotlib.pyplot as plt
from tabulate import tabulate

============================================================================

1. EMPIRISCHE DATEN: Terminalzeichenketten aus acht Transkripten

============================================================================

empirical_chains = [
# Transkript 1: Metzgerei
['KBG', 'VBG', 'KBBd', 'VBBd', 'KBA', 'VBA', 'KBBd', 'VBBd', 'KBA', 'VAA', 'KAA', 'VAV', 'KAV'],
# Transkript 2: Marktplatz (Kirschen)
['VBG', 'KBBd', 'VBBd', 'VAA', 'KAA', 'VBG', 'KBBd', 'VAA', 'KAA'],
# Transkript 3: Fischstand
['KBBd', 'VBBd', 'VAA', 'KAA'],
# Transkript 4: Gemüsestand (ausfuehrlich)
['KBBd', 'VBBd', 'KBA', 'VBA', 'KBBd', 'VBA', 'KAE', 'VAE', 'KAA', 'VAV', 'KAV'],
# Transkript 5: Gemüsestand (mit KAV zu Beginn)
['KAV', 'KBBd', 'VBBd', 'KBBd', 'VAA', 'KAV'],
# Transkript 6: Käseverkaufsstand
['KBG', 'VBG', 'KBBd', 'VBBd', 'KAA'],
# Transkript 7: Bonbonstand
['KBBd', 'VBBd', 'KBA', 'VAA', 'KAA'],
# Transkript 8: Baeckerei
['KBG', 'VBBd', 'KBBd', 'VBA', 'VAA', 'KAA', 'VAV', 'KAV']
]

============================================================================

2. UeBERGANGSZAEHLUNG UND INITIALE WAHRSCHEINLICHKEITEN

============================================================================

def count_transitions(chains):
"""Zaehlt Uebergaenge zwischen Terminalzeichen in allen Ketten"""
transitions = {}
for chain in chains:
for i in range(len(chain) - 1):
start, end = chain[i], chain[i + 1]
if start not in transitions:
transitions[start] = {}
if end not in transitions[start]:
transitions[start][end] = 0
transitions[start][end] += 1
return transitions

def calculate_probabilities(transitions):
"""Normalisiert Uebergangszaehlungen zu Wahrscheinlichkeiten"""
probabilities = {}
for start in transitions:
total = sum(transitions[start].values())
probabilities[start] = {end: count / total
for end, count in transitions[start].items()}
return probabilities

Initiale Berechnungen

initial_transitions = count_transitions(empirical_chains)
initial_probabilities = calculate_probabilities(initial_transitions)

print("=" * 70)
print("ALGORITHMISCH REKURSIVE SEQUENZANALYSE 2.0")
print("=" * 70)
print("\n1. INITIALE UeBERGANGSWAHRSCHEINLICHKEITEN (AUS EMPIRISCHEN DATEN)")
print("-" * 70)

for start in sorted(initial_probabilities.keys()):
transitions_str = ", ".join([f"{end}: {prob:.3f}"
for end, prob in initial_probabilities[start].items()])
print(f"{start} -> {transitions_str}")

============================================================================

3. TERMINALZEICHEN UND STARTZEICHEN

============================================================================

terminal_symbols = sorted(list(set([item for sublist in empirical_chains
for item in sublist])))
start_symbol = empirical_chains[0][0] # KBG als Start (kann angepasst werden)

print(f"\nTerminalzeichen ({len(terminal_symbols)}): {terminal_symbols}")
print(f"Startzeichen: {start_symbol}")

============================================================================

4. GENERIERUNG KUeNSTLICHER KETTEN

============================================================================

def generate_chain(probabilities, start_symbol, max_length=20):
"""Generiert eine Kette basierend auf den Uebergangswahrscheinlichkeiten"""
chain = [start_symbol]
current = start_symbol

for _ in range(max_length - 1):
if current not in probabilities:
break

next_symbols = list(probabilities[current].keys())
probs = list(probabilities[current].values())

# Falls keine Folgesymbole vorhanden, abbrechen
if not next_symbols:
break

next_symbol = np.random.choice(next_symbols, p=probs)
chain.append(next_symbol)
current = next_symbol

# Stopp, wenn wir bei einem Terminal ohne weitere Uebergaenge landen
if current not in probabilities:
break

return chain

def generate_multiple_chains(probabilities, start_symbol, n_chains=8, max_length=20):
"""Generiert mehrere Ketten"""
return [generate_chain(probabilities, start_symbol, max_length)
for _ in range(n_chains)]

============================================================================

5. HAEUFIGKEITSANALYSE

============================================================================

def compute_frequencies(chains, terminals):
"""Berechnet relative Haeufigkeiten der Terminalzeichen in Ketten"""
frequency_array = np.zeros(len(terminals))
terminal_index = {term: i for i, term in enumerate(terminals)}

for chain in chains:
for symbol in chain:
if symbol in terminal_index:
frequency_array[terminal_index[symbol]] += 1

total = frequency_array.sum()
if total > 0:
frequency_array /= total # Normierung

return frequency_array

Empirische Haeufigkeiten als Referenz

empirical_frequencies = compute_frequencies(empirical_chains, terminal_symbols)

print("\n2. EMPIRISCHE RELATIVE HAEUFIGKEITEN")
print("-" * 70)
for i, symbol in enumerate(terminal_symbols):
print(f"{symbol}: {empirical_frequencies[i]:.4f}")

============================================================================

6. ITERATIVE OPTIMIERUNG DER GRAMMATIK

============================================================================

def optimize_grammar(empirical_chains, terminal_symbols, start_symbol,
max_iterations=1000, tolerance=0.01, target_correlation=0.9):
"""
Optimiert die Grammatik durch iterativen Vergleich mit generierten Ketten.
"""

# Initiale Wahrscheinlichkeiten aus empirischen Daten
transitions = count_transitions(empirical_chains)
probabilities = calculate_probabilities(transitions)

# Empirische Haeufigkeiten als Zielgroesse
empirical_freqs = compute_frequencies(empirical_chains, terminal_symbols)

best_correlation = 0
best_significance = 1
best_probabilities = None
history = []

print("\n3. ITERATIVE OPTIMIERUNG")
print("-" * 70)

for iteration in range(max_iterations):
# Generiere 8 kuenstliche Ketten
generated_chains = generate_multiple_chains(probabilities, start_symbol, n_chains=8)

# Berechne Haeufigkeiten der generierten Ketten
generated_freqs = compute_frequencies(generated_chains, terminal_symbols)

# Korrelationsanalyse
correlation, p_value = pearsonr(empirical_freqs, generated_freqs)
history.append((iteration, correlation, p_value))

# Fortschrittsanzeige alle 50 Iterationen
if iteration % 50 == 0:
print(f"Iteration {iteration:4d}: Korrelation = {correlation:.4f}, p = {p_value:.4f}")

# Pruefe Abbruchkriterium
if correlation >= target_correlation and p_value < 0.05:
best_correlation = correlation
best_significance = p_value
best_probabilities = {start: probs.copy()
for start, probs in probabilities.items()}
print(f"\nOptimum erreicht bei Iteration {iteration}:")
print(f" Korrelation = {correlation:.4f}")
print(f" Signifikanz = {p_value:.4f}")
break

# Anpassung der Wahrscheinlichkeiten
for start in probabilities:
for end in probabilities[start]:
# Fehlerberechnung
empirical_prob = empirical_freqs[terminal_symbols.index(end)]
generated_prob = generated_freqs[terminal_symbols.index(end)]
error = empirical_prob - generated_prob

# Anpassung mit Toleranzfaktor
probabilities[start][end] += error * tolerance

# Begrenzung auf [0,1]
probabilities[start][end] = max(0.01, min(0.99, probabilities[start][end]))

# Renormalisierung
for start in probabilities:
total = sum(probabilities[start].values())
if total > 0:
probabilities[start] = {end: prob / total
for end, prob in probabilities[start].items()}

# Falls kein Optimum erreicht wurde, nimm die beste Iteration
if best_probabilities is None:
# Finde Iteration mit hoechster Korrelation
best_idx = max(range(len(history)), key=lambda i: history[i][1])
best_iter, best_correlation, best_significance = history[best_idx]
best_probabilities = calculate_probabilities(count_transitions(empirical_chains))
print(f"\nKein Optimum erreicht. Beste Korrelation bei Iteration {best_iter}:")
print(f" Korrelation = {best_correlation:.4f}")
print(f" Signifikanz = {best_significance:.4f}")

return best_probabilities, best_correlation, best_significance, history

Optimierung durchfuehren

optimized_probabilities, best_corr, best_sig, history = optimize_grammar(
empirical_chains, terminal_symbols, start_symbol,
max_iterations=500, tolerance=0.005, target_correlation=0.9
)

============================================================================

7. VISUALISIERUNG DER OPTIMIERUNG

============================================================================

def plot_optimization_history(history):
"""Visualisiert den Optimierungsverlauf"""
iterations, correlations, p_values = zip(*history)

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))

# Korrelationsverlauf
ax1.plot(iterations, correlations, 'b-', linewidth=1.5)
ax1.set_xlabel('Iteration')
ax1.set_ylabel('Korrelation (Pearson r)')
ax1.set_title('Optimierungsverlauf: Korrelation zwischen empirischen und generierten Haeufigkeiten')
ax1.grid(True, alpha=0.3)
ax1.axhline(y=0.9, color='r', linestyle='--', alpha=0.5, label='Zielkorrelation (0.9)')
ax1.legend()

# p-Wert-Verlauf (logarithmisch)
p_values = [max(p, 1e-10) for p in p_values] # Vermeidung von log(0)
ax2.semilogy(iterations, p_values, 'g-', linewidth=1.5)
ax2.set_xlabel('Iteration')
ax2.set_ylabel('p-Wert (logarithmisch)')
ax2.set_title('Signifikanz der Korrelation')
ax2.grid(True, alpha=0.3)
ax2.axhline(y=0.05, color='r', linestyle='--', alpha=0.5, label='Signifikanzniveau (0.05)')
ax2.legend()

plt.tight_layout()
plt.savefig('optimierungsverlauf.png', dpi=150)
plt.show()

Optional: Visualisierung (wenn matplotlib verfuegbar)

try:
plot_optimization_history(history)
print("\nOptimierungsverlauf wurde als 'optimierungsverlauf.png' gespeichert.")
except:
print("\n(Hinweis: Fuer Visualisierung ist matplotlib erforderlich)")

============================================================================

8. AUSGABE DER OPTIMIERTEN GRAMMATIK

============================================================================

print("\n" + "=" * 70)
print("4. OPTIMIERTE PROBABILISTISCHE GRAMMATIK")
print("=" * 70)

Nach Startzeichen sortierte Ausgabe

for start in sorted(optimized_probabilities.keys()):
transitions = optimized_probabilities[start]
transitions_str = ", ".join([f"'{end}': {prob:.3f}"
for end, prob in sorted(transitions.items())])
print(f"\n{start} -> {transitions_str}")

============================================================================

9. VALIDIERUNG: VERGLEICH EMPIRISCHER UND GENERIERTER HAEUFIGKEITEN

============================================================================

Generiere neue Ketten mit optimierter Grammatik

validation_chains = generate_multiple_chains(
optimized_probabilities, start_symbol, n_chains=100, max_length=20
)
validation_frequencies = compute_frequencies(validation_chains, terminal_symbols)

print("\n" + "=" * 70)
print("5. VALIDIERUNG: EMPIRISCHE VS. GENERIERTE HAEUFIGKEITEN")
print("=" * 70)

table_data = []
for i, symbol in enumerate(terminal_symbols):
table_data.append([
symbol,
f"{empirical_frequencies[i]:.4f}",
f"{validation_frequencies[i]:.4f}",
f"{abs(empirical_frequencies[i] - validation_frequencies[i]):.4f}"
])

print(tabulate(table_data,
headers=["Symbol", "Empirisch", "Generiert", "Differenz"],
tablefmt="grid"))

Gesamtkorrelation

final_corr, final_p = pearsonr(empirical_frequencies, validation_frequencies)
print(f"\nKorrelation (100 generierte Ketten): r = {final_corr:.4f}, p = {final_p:.4f}")

============================================================================

10. BEISPIEL-GENERIERTE KETTEN

============================================================================

print("\n" + "=" * 70)
print("6. BEISPIEL GENERIERTER TERMINALZEICHENKETTEN")
print("=" * 70)

example_chains = generate_multiple_chains(
optimized_probabilities, start_symbol, n_chains=5, max_length=15
)

for i, chain in enumerate(example_chains, 1):
chain_str = " -> ".join(chain)
print(f"\nKette {i} ({len(chain)} Symbole):")
print(f" {chain_str}")

============================================================================

11. EXPORT DER GRAMMATIK ALS STRUKTUR

============================================================================

def export_grammar_as_pcfg(probabilities, filename="optimierte_grammatik.txt"):
"""Exportiert die Grammatik im PCFG-Format"""
with open(filename, 'w', encoding='utf-8') as f:
f.write("# Optimierte probabilistische kontextfreie Grammatik (PCFG)\n")
f.write("# Generiert durch Algorithmisch Rekursive Sequenzanalyse 2.0\n\n")

for start in sorted(probabilities.keys()):
transitions = probabilities[start]
for end, prob in sorted(transitions.items()):
f.write(f"{start} -> {end} [{prob:.3f}]\n")

print(f"\nGrammatik wurde als '{filename}' exportiert.")

export_grammar_as_pcfg(optimized_probabilities)

print("\n" + "=" * 70)
print("ALGORITHMISCH REKURSIVE SEQUENZANALYSE ABGESCHLOSSEN")
print("=" * 70)
`