Fuzzy Conversational Character Computing

Während Forscher, wie Picard [10] sich schon seit einigen Jahrzehnten mit Disziplinen des Affective und Personality Computing beschäftigen, berücksichtigen El Bolock et al. den gesamten Menschen, inklusive der Situation und der emotionalen Lage, in der sich eine Person gerade befindet [13].

Beim Affective Computing werden lediglich menschliche Emotionen berücksichtigt und dem Computer übermittelt. So soll laut Picard (1997) [10] ein möglichst natürliches Erlebnis zwischen Menschen und Maschinen entstehen. Affective Computing zielt darauf ab, emotionale Zustände anhand verschiedener Verhaltenshinweise zu erkennen und sich ihnen anzupassen.

Während Affective Computing hauptsächlich entwickelt wurde und weiter erforscht wird, damit Emotionen innerhalb von Technologien berücksichtigt werden, geht es beim Personality Computing darum, die Persönlichkeit des Users zu berücksichtigen und passend darauf reagieren zu können. Computer sollen dank dem Personality Computing die menschliche Persönlichkeit automatisch erkennen, wahrnehmen und darauf eingehen können. Für die Zwecke des Personality Computing wird die Persönlichkeit mehrheitlich anhand des Fünf-Facetten-Modells (FFM) [11, 12] dargestellt.

El Bolock et al. [13] argumentieren, dass weder Affective Computing noch Personality Computing genügen, um wirklich das Verhalten eines Menschen vorhersehen zu können und somit auch passend darauf reagieren zu können. Das liegt vor allem daran, dass zwei Menschen mit gegensätzlichen Persönlichkeitsmerkmalen in der gleichen Situation unterschiedliche Emotionen empfinden können. Wenn sie zum Beispiel gezwungen sind, einen öffentlichen Vortrag zu halten, könnte die eine Person strahlen vor Aufregung, der andere schwitzt vor Angst. Auch ein und dieselbe Person mit der gleichen Persönlichkeit kann in der gleichen Situation unterschiedliche Emotionen empfinden. Ein gelassener Lehrer könnte den Klassenclown normalerweise tolerieren, ihn aber an einem Tag, an dem er durch etwas Ungewöhnliches stark provoziert wurde, anschnauzen. El Bolock et al. (2020) gehen noch einen Schritt weiter. Laut ihnen würde es noch nicht mal genügen die beiden oben beschriebenen Disziplinen miteinander zu verknüpfen. Um sich ein ganzheitliches Bild von einer Person machen zu können, benötigen Computer viel mehr als nur die Emotionen und die Persönlichkeit. El Bolock et al. (2020) erwähnen hier nochmal das Beispiel des gelassenen Lehrers, der plötzlich doch ungehalten wird, und fragen sich, was wohl dazu geführt haben könnte. Es könnte doch sein, dass dieser Lehrer gerade dabei ist, seinen Schülern die Krankheit Krebs zu erklären, an der er gerade einen geliebten Menschen verloren hat. Das würde einen Lehrer nervös machen und zu dieser unerwarteten Reaktion führen. In diesem Fall können die Emotionen nur erklärt werden, wenn man die Geschichte der Person berücksichtigt. Dieses ist nur eines von vielen Beispielen, was die Notwenigkeit den Menschen als Ganzes zu betrachten, also den gesamten Character [9], aufzeigt. Der Charakter ist die individuelle Person mit all ihren definierenden oder beschreibenden Merkmalen. Dazu gehören stabile Persönlichkeitsmerkmale, variable affektive, kognitive und motivationale Zustände sowie Geschichte, Moral, Überzeugungen, Fähigkeiten, Aussehen und soziokulturelle Einbettung [13].

Character Computing basiert aus dem oben genannten Gründen auf einem ganzheitlichen, psychologisch getriebenen Modell des menschlichen Verhaltens. Anders als beim Affective Computing und beim Personality Computing, wird beim Character Computing das menschliche Verhalten nicht nur modelliert, sondern es wird auch vorhergesagt. Dies geschieht auf der Grundlage der Zusammenhänge einer Situation und dem Charakter eines Menschen [9]. Dabei steht der Character des Menschen im Mittelpunkt zu seinen anderen Merkmalen. Forscher des Character Computing nutzen die Triade Charakter-Verhalten-Situation [14], um den Charakter auf eine formalere oder ganzheitlichere Weise zu definieren.

Der Character zeigt nicht nur, wer ein Mensch ist, sondern auch wie er sich verhält und in Zukunft verhalten wird und das im Hinblick auf eine bestimmte Situation. Jede Komponente der Triade aus Persönlichkeit, Verhalten und Situation ist eine Funktion der beiden anderen Teile. Mit anderen Worten: Wenn die Situation und die Persönlichkeit gegeben sind, kann das Verhalten vorhergesagt werden, wenn das Verhalten und die Situation gegeben sind, kann die Persönlichkeit vorhergesagt werden, und wenn das Verhalten und die Persönlichkeit gegeben sind, kann die Situation vorhergesagt werden. Dies sind zunächst aber nur sehr allgemeine und stark vereinfachte Annahmen. Grundsätzlich kann nämlich jede der Komponenten der Triade weiter in kleinere Einheiten und Merkmale zerlegt werden kann, die das Verhalten oder den Charakter eines Menschen in einer bestimmten Situation am besten darstellen [13]. Dies macht das Modell komplex. Um weiter zu verdeutlichen, warum alle Charakterkomponenten in der Triade berücksichtigt werden müssen und nicht nur die Persönlichkeit, erläutern El Bolock et al. nochmal das Beispiel des Lehrers, der anscheinend seine Kontrolle verloren haben soll [13]. Es wurde eine mögliche Ursache erörtert, für die man seine Vorgeschichte kennen muss, nämlich den Tod eines geliebten Menschen durch Krebs. Ein anderes Szenario wäre, dass dieser Lehrer ein afroamerikanischer Geschichtslehrer ist, der gerade den institutionalisierten Rassismus erklärt. Die Tatsache, dass er Afroamerikaner ist, das heißt seine Kultur und sein Aussehen, sind der Hauptauslöser für sein ungewöhnliches Verhalten [15]. Der Charakter ist also der Grund für das Verhalten einer Person in einer bestimmten Situation. Zwar handelt es sich hierbei um eine Kausalitätsbeziehung, doch lässt sich die Korrelation zwischen den drei Komponenten oft leichter nutzen, um die am schwierigsten zu messenden Komponenten von den leichter zu messenden abzugrenzen.

Damit der Dreiklang und die inneren Abhängigkeiten für ein Computermodell nachvollziehbar sind, wird die Triade als Tripel (C, B, S) dargestellt. C spiegelt den Charakter wider, B das Verhalten und S repräsentiert die Situation. C ist dabei selbst ein Paar von Eigenschaften und Zuständen. El Bolock et al. definieren die drei Hauptfunktionen, die die drei Komponenten miteinander verbinden, wie folgt:

C = beobachten (B,S), B = vorhersagen (C,S), und S = verstehen (C, B) [13].

Ein Hauptanliegen des Character Computing ist es also, die Modelle zu berechnen, die die drei Funktionen Beobachten, Vorhersagen und Verstehen repräsentieren. Da es aber unendlich viele Komponenten gibt, die in die Darstellung von C, B und S einbezogen werden können, ist eine Herausforderung des Character Computing, die kleinste Teilmenge auszuwählen, die für die Vorhersage des Verhaltens einer Person in einer bestimmten Situation erforderlich ist, und gleichzeitig die genaueste abstrahierte Darstellung von Beobachten, Vorhersagen und Verstehen zu finden [13]. Auch wenn das ultimative Ziel zwar eine vereinheitlichende Theorie des menschlichen Verhaltens, die das Verhalten einer Person in einer bestimmten Situation auf der Grundlage ihres Charakters erfassen und vorhersagen kann wäre, haben sich die bisherigen Forscher des Character Computing damit abgefunden, dass dieses Ziel zum heutigen Forschungsstand zu weit gegriffen und nicht erreichbar ist. Die Forscher grenzen daher ihr Ziel auf einen anwendungsspezifischen Bereich ein. Abhängig von der Domäne der jeweiligen Anwendung werden immer nur bestimmte Informationen berücksichtigt. So kann das Teil-Ziel, das Verhalten innerhalb der jeweiligen Domäne hervorsehen zu können, weitestgehend effizient erreicht werden. Forscher wie El Bolock et al. entwickeln also in der Regel ein psychologisch getriebenes Modell, das mit dem geringsten Aufwand auf menschliches Verhalten verallgemeinert werden kann, und zwar nur für die Zwecke der aktuellen Anwendung oder des Anwendungsbereichs [13].

Ausgehend von einer detaillierten Darstellung der Bestandteile des gesamten Charakters einer Person und der Situation, in der sie sich befindet, können Vorhersagen über das Verhaltens in Abhängigkeit mit dem Charakter und der Situation entwickelt werden. Auf der Grundlage des ganzheitlichen Dreiklangs von Charakter, Verhalten und Situation kann das Gleiche für die Erkennung des Charakters oder bestimmter Charakterkomponenten auf der Grundlage des Verhaltens in einer bestimmten Situation bzw. der Situation anhand des Charakters und des Verhaltens gelten.

Eine weitere Herausforderung des Character Computing besteht darin, dass die für eine genaue Vorhersage erforderlichen Informationen nicht immer verfügbar sind und möglicherweise nie für alle Personen beschafft werden können [13]. Daher werden in der Regel kleinerer Modelle entwickelt, die so trainiert werden können, dass sie das menschliche Verhalten in bestimmten Situationen genau vorhersagen können. Diese Modelle sollten die kleinste benötigte Teilmenge, die Charakter, Situation und Verhalten repräsentiert, finden und mit ihr arbeiten. Je nach Anwendungsfall oder Datenerfassungsmedium sind verschiedene Variablen, Merkmale und Ausprägungen möglich, die für die Situation (S), das Verhalten (B) und den Charakter (C) darstellen und als Indikatoren für C, B und S dienen können (Abb. 1).

Folgende Hauptkomponenten der Characters (C) werden im Rahmen des Character Computing betrachtet:

Character Computing basiert auf einer Vielzahl von Komponenten. Im folgenden Abschnitt werden die wichtigsten Komponenten beschrieben.

Es gibt viele Möglichkeiten, den Charakter, das Verhalten und die Situation darzustellen, die jeweils unterschiedliche Komponenten haben. Der Charakter besteht aus einem stabilen, allgemeinen und einem aktuellen Zustand. Der allgemeine stabile Faktor bezieht sich auf die individuelle Persönlichkeit und die soziokulturelle Einbettung der Person. Obwohl sich die Persönlichkeit im Laufe der Zeit geringfügig verändern kann, bleibt sie in der Regel gleich, es sei denn, wesentliche äußere oder innere Faktoren beeinflussen sie. Der aktuelle Zustand des Charakters einer Person setzt sich zusammen aus dem Affekt zu diesem Zeitpunkt, der Stimmung in der vergangenen Periode, dem aktuellen körperlichen Zustand einer Person sowie dem aktuellen Aussehen und dem kognitiven Zustand.

Das Verhalten wird durch den Verhaltensausdruck, den Gefühlsausdruck und den Eigenschaftsausdruck dargestellt, die jeweils das Verhalten auf verschiedenen Ebenen widerspiegeln. Der Verhaltensausdruck ist laut El Bolock et al. am stärksten externalisiert und daher am einfachsten zu erkennen, da er sich in Handlungen, Gesten und Mimik widerspiegelt, obwohl auch subtilere Verhaltensreaktionen berücksichtigt und einbezogen werden können [13]. Darüber hinaus könnten Verhaltensänderungen über physiologische Marker gemessen werden.

Die Situation, in der das Verhalten gezeigt wird, kann laut El Bolock et al. auf verschiedene Weise und in unterschiedlichen Kontexten definiert werden [13]. Sie kann soziale Interaktionen mit anderen Personen umfassen, einschließlich Selbstoffenbarung und Ausdruck von Emotionen oder Empathie. Es kann sich um ein einzelnes Ereignis oder um die Umgebung handeln. Es kann neue und vertraute Kontexte umfassen, die sich direkt auf den kognitiven, motivationalen und affektiven Zustand einer Person auswirken können, entweder in positiver oder negativer, intensiver oder leichter Weise. Character Computing untersucht verschiedene Szenarien und Aspekte, immer im Hinblick auf alle oben genannten Psychologiezweige und auf die Komponenten, die bei der Darstellung des (C, B, S‑)Dreiklangs einzubeziehen sind. Je nach den Situationen, in denen ein bestimmtes Verhalten vorhergesagt werden soll, müssen nicht alle Variablen und Merkmale, die jede der drei Komponenten des (C, B, S‑)Dreiklangs darstellen, auf einmal berücksichtigt werden.

Abb. 2 zeigt einen Überblick über den klassischen Character Computing-Ablauf, bei dem jeder Step für sich untersucht werden kann, aber auch dem Gesamtbild dient. Die Komponenten, aus denen jeder Step besteht, sind Variablen und können nach Belieben hinzugefügt oder entfernt werden.

Diese drei Steps des Character Computing ergänzen sich gegenseitig, aber es kann auch jedes für sich untersucht und genutzt werden:

Der Charakter ist die Gesamtheit aller Komponenten, die das menschliche Verhalten in einer bestimmten Situation bestimmen. Er besteht aus allgemeinen, stabilen Faktoren (z. B., Persönlichkeit und soziokulturelle Einbettung) und aktuellen Faktoren (z. B. Affekt, Stimmung, körperlicher Zustand, Aussehen und kognitiver Zustand). Character Computing konzentriert sich auf die Erforschung des menschlichen Charakters aus der Perspektive der Informatik und der Psychologie. Die Trias Charakter – Verhalten– Situation ist eine mögliche Grundlage für diese Forschung, wobei die Interaktionen und Komponenten, die innerhalb der Trias von Interesse sind, je nach Anwendungsbereich variieren. Character Computing besteht aus drei Modulen: Erfassen des Charakters, Anpassen an den Charakter und Entwickeln künstlicher Charaktere. Jedes Modul ist ein eigener Forschungsbereich mit vielfältigen Herausforderungen und neuen Möglichkeiten.

Bislang wurde jedes Modul für sich in verschiedenen Forschungsbereichen untersucht. Die Forschung im Bereich Affective and Personality Computing zielte beispielswiese darauf ab, einige der genannten Probleme anzugehen, ohne jedoch alle Charakterkomponenten einzubeziehen. Stattdessen stützt sich jeder Bereich auf eine Charakterkomponente, wie z. B. Affekt oder Persönlichkeit, um so menschliches Verhalten zu erklären. Die meisten bestehenden Ansätze zum Verstehen und damit zur Anpassung eines Computers an das menschliche Verhalten haben ihre Wurzeln in einem der beiden Hauptforschungsbereiche: Informatik und Psychologie.

Character Computing gehört zu den Ansätzen, die die Fragen aus einer gemeinsamen Perspektive von Informatik und Psychologie parallel angehen und zu einem formalisierten Modell führen, das die Trias Charakter-Verhalten-Situation abbildet und damit alle sich daraus ergebenden Anwendungsmöglichkeiten ermöglicht.

El Bolock et al. weisen in ihrer Arbeit zum Character Computing bereits daraufhin, dass die bisherigen Modelle des Character Computing in Zukunft mithilfe von Fuzzylogic erweitert werden sollten [13]. Dies soll dazu beitragen, dass die ursprüngliche Vision, dass sich ein Computersystem komplett an menschliches Verhalten anpassen kann, erreicht wird [13]. Die folgenden Abschnitte erklären die Grundideen des Computing with Words and Perceptions, welches ein Teilgebiet der Fuzzylogic ist. Weiter gehen wir davon aus, dass bei der Verschmelzung von Character Computing und Fuzzylogic die Fuzzy Classifications eine wichtige Komponente ausmachen werden. Sie werden ebenfalls in diesem Abschnitt genauer beschrieben.

Die von Zadeh eingeführte Fuzzylogic ist eine Erweiterung der binären Mengenlehre. Sie besagt, dass ein Element nicht nur zwei Werte wie wahr oder falsch (Crisp-Logik) annehmen kann, sondern auch dazwischenliegende Wahrheitswerte (z. B. eher wahr, weder wahr noch falsch, eher falsch; Fuzzylogic) [25].

Diese erweiterte Theorie der Mengenlehre bildet die Grundlage von Computing with Words and Perceptions (CPW), um natürlichsprachliche Aussagen durch computergestützte Modelle approximieren zu können. Diese Modelle basieren in erster Linie auf Wörtern, da z. B. Zahlen nicht bekannt sind, die Ungenauigkeit dieser Wörter als tolerierbar angesehen wird oder sie als Linguistic Summaries [25] von sprachlichen Informationen gelten.

Zumstein hat im Rahmen seiner Arbeit klassische Fuzzy-Modelle, um die Definition eines Fuzzy-Klassifikationsdatenbankschemas erweitert, um in seinem Case die Zugehörigkeitsgrade der Kunden zu den verschiedenen Klassen zu bestimmen [27]. Diese Fuzzy Classification erscheint auch bei der Integration der Fuzzylogic in das Character Computing sinnvoll.

Um Fuzzy-Klassen aus scharfen Kontexten abzuleiten, werden die Attribute als linguistische Variablen betrachtet und jeder Äquivalenzklasse werden verbale Begriffe zugeordnet [26]. Mithilfe von linguistischen Variablen, das heißt Wörtern oder Wortkombinationen, können die Äquivalenzklassen der Attribute intuitiver beschrieben werden.

Zumstein hat dazu in seiner Arbeit folgendes Beispiel gezeigt, bei dem die linguistische Variable „Kundenattraktivität“ durch die Begriffe „aussichtslos“ und „vielversprechend“ beschrieben wird. Die sprachliche Variable „Wettbewerbsposition“ wird in die Begriffe „schwach“ und „stark“ unterteilt (siehe Abb. 4; [27]).

Jeder Begriff der linguistischen Variablen stellt eine Fuzzy-Menge dar. Jede Fuzzy-Menge wird durch eine Zugehörigkeitsfunktion (μ) über den gesamten Bereich des entsprechenden Attributs bestimmt. Das Attribut „Kundenattraktivität“ enthält numerische Werte im Intervall [0,100] [27]. Folglich sind die Zugehörigkeitsfunktionen μ unpromising und μ promising stetige Funktionen. Im Gegensatz dazu enthält das Attribut „Wettbewerbsposition“ keine numerischen Werte, sondern allgemeine Terme [27]. In diesem Fall sind die Terme der linguistischen Variablen „schwach“ und „stark“ mit diskreten Funktionen verbunden, d. h. jeder Term entspricht einem diskreten Wert. Mithilfe des Kontextmodells, der linguistischen Variablen und der Zugehörigkeitsfunktionen wird der Klassifikationsraum unscharf. Diese unscharfe Partitionierung hat ein wichtiges Ergebnis, nämlich das Verschwinden der scharfen Grenzen zwischen den Klassen, d. h. es gibt kontinuierliche Übergänge zwischen den verschiedenen Klassen [28].

Geht es um die Bestimmung des Characters einer einzelnen Person, so müssen meist mehrere Dimensionen berücksichtigt werden. Daher eignet sich die Anwendung von mehrdimensionalen Fuzzy Classifications, welche nicht auf zwei Dimensionen beschränkt ist. Bei mehrdimensionalen Fuzzy Classifications können auch mehrere Attribute oder Kriterien gleichzeitig berücksichtigt werden.

In Abb. 4 hat Zumstein das bereits erwähnte Beispiel um die dritte Dimension, Kundenpotenzial, mit den beiden Begriffen „geringes Potenzial“ und „hohes Potenzial“ ergänzt [27]. Bei einer scharfen Klassifizierung gehören Brown und Miller zur gleichen Klasse (C5), obwohl ihre Positionen sehr unterschiedlich sind. Brown und Smith hingegen befinden sich fast an der gleichen Position, gehören aber unterschiedlichen Klassen an, Brown zu C5 und Smith zu C3. Bei der unscharfen Klassifizierung (Abb. 5), also eine Fuzzy Klassifizierung verschwinden die scharfen Grenzen der acht Klassen und der dreidimensionale Klassifizierungsraum wird unscharf.

Brown und Smith gehören nun zu acht verschiedenen Klassen, mit folgenden absoluten M(Oi|Ck) und normalisierten Mnorm(Oi|Ck) Zugehörigkeitsgraden in Tab. 4. Berechnungsbeispiel für Smith bis C1:

Weiter hat Zumstein das Beispiel der dreidimensionalen Fuzzy-Klassifikation eingeführt. Er zerlegt dabei beispielhaft die drei Attribute „Kundenattraktivität“, „Wettbewerbsposition“ und „Kundenpotenzial“, die den „Kundenwert“ auf der obersten Ebene der Hierarchie definieren [27]. Das Attribut „Kundenattraktivität“ wird zum Beispiel durch drei andere Attribute definiert: „RFM-Score“, „Gewinn“ und „Zahlungsverhalten“. Das Attribut „RFM-Score“ besteht wiederum aus den Attributen „Häufigkeit“, „Frequenz“ und „Geldwert“ der Wiederkäufe des Kunden.

Im Vergleich zu scharfen Klassifikationen müssen laut Zumstein bei Fuzzy Classifications weniger Begriffe beziehungsweise Äquivalenzklassen definiert werden, um jedes Attribut zu beschreiben [27]. Die Fuzzy Classification des Attributs „Gewinn“ benötigt dann beispielsweise nur zwei Begriffe: „niedriger Gewinn“ und „hoher Gewinn“. Bei einer scharfen Klassifizierung des Umsatzes müssen dagegen viel mehr Begriffe (Äquivalenzklassen) definiert werden: z. B. „sehr geringer“, „geringer“, „mittlerer“, „hoher“ und „sehr hoher“ (Abb. 6).