From Cases to Decisions through ASP

Abstract

Automatisierte Entscheidungsfindung beinhaltet die Klassifikation von Informationen, um in einem gegebenen Kontext geeignete Aktionen auszuführen. Dieses Problem ist bereits ausführlich im Bereich künstliche Intelligenz (KI) und Recht untersucht worden. Dort haben sich zwei Herangehensweisen etabliert, jede mit ihren eigenen Stärken und Schwächen. Maschinelles Lernen verwendet große Datensätze um Klassifikationen durchzuführen und unterstützt breite Anwendungsgebiete. Allerdings ist der interne Entscheidungsprozess oft verschleiert. Diese Arbeit fokussiert sich auf die zweite Herangehensweise, nämlich symbolische KI, welche formale Logik nutzt, um Entscheidungen transparent und interpretierbar zu machen. Wir untersuchen fallbasiertes normatives Schließen, wobei die Entscheidungsfindung von vergangenen Fälle gelenkt und eingeschränkt wird. Wir untersuchen die Stärken und Schwächen von John Horty's Dimensional Reason Model, welches ursprünglich für Rechtsfälle konzipiert worden ist, aber in diversen Bereichen Anwendung findet. Mit dieser Theorie als Grundlage verwenden wir Answer-Set-Programmierung (ASP), eine Sprache zur Spezifikation von Logikprogrammen, um ein System für automatisierte Entscheidungsfindung zu bauen.Unsere Analyse zeigt mehrere Einschränkungen des Dimensional Reason Models auf, wodurch die Entwicklung eines neuen Modells motiviert wird. Wir präsentieren das Dimensional Reduction Model, welches die Entscheidungsfindung vereinfacht, indem es sich auf eine simplere Beschränkungslogik stützt. Um die praktische Anwendbarkeit des Modells zu testen, erstellen wir eine Fallstudie von 20 Fällen und vergleichen die erlaubten Entscheidungen des Dimensional Reason Models mit denen des Dimensional Reduction Models. Weiters werden beide Modelle in ASP implementiert. Die Fallstudie dient hier der Verifikation, um sicherzustellen dass die Programmergebnisse mit denen der manuell ausgewerteten Fälle übereintstimmen.Diese Arbeit trägt zum Gebiet der Maschinenethik bei, indem ein neues Modell zur Beschreibung von Präzedentsfällen präsentiert wird, das den State-of-the-Art erweitert. Weiters stellen wir eine Implementierung bereit, die automatisierte Entscheidungsfindung ermöglicht.Der Code, der für diese Arbeit geschrieben worden ist, kann unter https://git.logic.at/cbr-asp/cbr-asp gefunden werden.

Automated decision-making involves classifying information to select appropriate actions in a given context. This problem has been widely studied in the field of artificial intelligence (AI) and law, where two primary approaches have emerged, each with its own strengths and limitations. Machine learning relies on large datasets to perform classification and supports a broad range of applications; however, it often masks the reasoning behind decisions. This thesis focuses on the second approach—symbolic AI, which employs formal logic to guide decision-making in a transparent and interpretable manner.We investigate case-based normative reasoning, a framework in which decision-making is guided and constrained by past cases that serve as precedent. Specifically, we examine the capabilities and limitations of John Horty’s dimensional reason model, originally developed for legal reasoning but applicable across a variety of domains. Building on this theory, we employ answer set programming (ASP), a logic programming paradigm, to construct an automated framework for decision-making.Our analysis reveals several limitations of the dimensional reason model, motivating the development of a new approach that addresses these issues. We introduce the dimensional reduction model, which simplifies the assessment of permissible decisions by relying on a simpler notion of constraint. To evaluate its practical applicability, we design a case study consisting of 20 cases and compare the permitted decisions of the dimensional reason model and the dimensional reduction model. Both models are then implemented using ASP, and the case study is used to verify that the computational results align with the manually assessed cases.This thesis contributes to the broader field of machine ethics by presenting a model of precedential constraint that extends the state of the art, along with an implementation that enables automated and explainable decision-making.The code written for this thesis can be found at https://git.logic.at/cbr-asp/cbr-asp.