1. Einleitung
2. Darstellung der Grundlagen
2.1. Definitionen und Abgrenzungen
2.1.1. Definition und Einordnung von
          wissensbasierten Systemen
2.1.2. Zum Begriff 'Erklärung'
2.1.3. Wissen in wissensbasierten
          Systemen
2.2. Die Erklärungskomponente innerhalb
       eines wissensbasierten Systems
3. Die Erklärungsfähigkeit wissensbasierter
    Systeme
3.1. Die Bedeutung der Erklärungsfähigkeit
3.2. Anforderungen an die Erklärungs-
       fähigkeit von Wissensbasierten
       Systemen 
3.2.1. Die Anforderungen an die
          Erklärungsfähigkeit aus Sicht des
          Knowledge Engineer
3.2.2. Die Anforderungen an die
          Erklärungsfähigkeit aus Sicht der
          Anwender
3.2.2.1. Experten
3.2.2.2. Unwissende Anwender und
             Anwender mit Grund­kenntnissen
3.2.2.3. Studenten
3.3. Augenblicklicher Stand der Erklärungs-
       fähigkeit in eingesetzten
       wissensbasierten Systemen
3.3.1. Trace
3.3.2. Rule Expansion
3.3.3. Canned Text
3.4. Grenzen der augenblicklichen
       Erklärungsfähigkeit in eingesetzten
       wissensbasierten Systemen
4. Die Anforderungen an das
    abzubildende Wissen für eine bessere
    Erklärungsfähigkeit
4.1. Zur Beantwortung von Fragen
       benötigtes Wissen
4.1.1 Ursachen für Fragen
4.1.2. Frage- und Antworttypen
4.1.3. Für die Beantwortung von Fragen
          benötigten Wissensarten
4.1.3.1. Verbesserung der Erklärungs-
             fähigkeit durch Metawissen
4.1.3.2. Die Bedeutung von tiefem Wissen
             für Erklärungen
4.1.4. Die Bedeutung einer getrennten
          Darstellung der verschiedenen
          Wissensarten
4.2. Zur Auswahl der relevanten
       Informationen benötigtes Wissen
4.2.1. Wissen über den Benutzer
4.2.1.1. Modell als Hilfsmittel zur
             Abbildung der
             Benutzereigenschaften
4.2.1.2. Wissen über den Benutzer
4.2.1.3. Dimensionen eines
             Benutzermodells
4.2.1.4. Die Speicherung des Wissens
4.2.1.5. Die Bedeutung von Benutzer-
             modellen im praktischen Einsatz
4.2.2. Wissen über die Komplexität und
          Relevanz von Regeln
4.3. Zur Generierung von Erklärungen
       benötigtes Wissen
4.3.1. Wissen über Erklärungstechniken
          und -strategien
4.3.2. Wissen über die Sprache
4.3.3. Wissen für grafische Erklärungen
5. Die Realisierung der Erklärungs-
    komponente an dem Beispiel XPLAIN
5.1. Die Idee von XPLAIN
5.2. Der Aufbau von XPLAIN
5.3. Die Arbeitsweise des automatischen
       Programmierers
5.4. Die Erstellung von Erklärungen mit
       XPLAIN
5.5. Weiterentwicklungen des XPLAIN-
       Ansatzes
6. Schlußbetrachtung
7. Literaturverzeichnis
8. Anlage
9. Abkürzungsverzeichnis
10. Abbildungsverzeichnis

2.1.2. Zum Begriff "Erklärung"

Da der Begriff 'Erklärung' von zentraler Bedeutung für diese Arbeit ist, erfolgt nun eine Klärung des oft umgangssprachlich gebrauchten Begriffs.

Eine differenzierte Betrachtung des Begriffs Erklärung nimmt STEGEMUELLER vor:27

1. Erklärung von Tatsachen, Behauptungen, Ereignissen und Prozessen
2. Erklärungen des Funktionierens eines komplexen Gebildes
3. Erklärung als Handlungsanweisungen
4. Erklärung von Begriffen
5. Erklärung als durch die offizielle Funktion des Sprechers gestützte Festlegung oder Feststellung.

Diese schon sehr detaillierte Darstellung kann noch erweitert werden durch die Kategorie 'Negative Erklärungen'. Negative Erklärungen, auch 'WARUM-NICHT-Erklärungen' genannt, sind eng verwandt mit Erklärungen von Tatsachen und Ereignissen entsprechend der Unterscheidung von STEGEMUELLER, gehören aber genau genommen zu keiner dieser Kategorien.28

Erklärungen von Handlungen oder Anweisungen werden häufig auch als Rechtfertigung bezeichnet.

Grundsätzlich läßt sich ohne Betrachtung der unterschiedlichen Ausprägungen von Erklärungen sagen, daß Erklärungen die Aufgabe haben, Wissenslücken beim Erklärungsempfänger auf­zufüllen.29

Aus dieser Aufgabe ergibt sich, daß Wissen die Grundlage jeder Erklärung darstellt.30

In wissensbasierten Systemen erfüllen Erklärungen vier Funktionen:

1. Sie unterstützen den Knowledge Engineer bei der Fehlersuche.
2. Sie  überzeugen  den  Benutzer,  daß die Schlußfolgerungen des Systems   logisch    sind   und   erhöhen   dadurch   die   Benutzer­akzeptanz.
3. Sie  können  den  Benutzer  überzeugen,   daß die Lösung richtig ist.
4. Sie können den Benutzer in Bereichen ausbilden, in denen sein Wissen gering ist.31

24       Vgl. STAHLKNECHT, P.: Einführung in die Wirtschaftsinformatik, a.a.O., S. 372.

25       Die Erklärungsfähigkeit von konventionellen Programmen beschränkt sich meist auf die Ausgabe von Hilfetexten.

26       Vgl. GÖTTE, U.: Betriebswirtschaftliche Expertensysteme: Wunsch und Wirklichkeit, Betriebswirtschaftliche Schriftenreihe, Band 61, Münster/Hamburg 1990, S. 13.
Vgl. auch THUY, N.H.C.; SCHNUPP, P.: Wissensverarbeitung und Expertensysteme, a.a.O., S. 220.
Vgl. auch SAVORY, S.E.: Grundlagen von Expertensystemen: Ein Lehrbuch der Nixdorf Computer AG, München/Wien 1988, S. 128.

27        Vgl. STEGEMUELLER, W.: Probleme und Resultate der Wirtschaftstheorie und Analytischen Philosophie, Band 1: Erklärung und Begründung, 2. Auflage, Berlin/Heidelberg/New York 1983, S. 11 Off.

28       Vgl. LADWIG, B.; MELLIS, W.: Negative Erklärungen in einem EMYCIN-artigen Expertensystem- Shell, in: BALZERT, H.; HEYER, G.; LUTZE, R. (HRSG.): Expertensysteme'87: Konzepte und Werkzeuge, Tutorials Tagung 1/1987 das German Capters of the ACM, 7./8.4.1987, Nürnberg, Reihe Berichte des Germen Capter of the ACM, Band 28, Stuttgart 1987, S. 150 (150-168).

29       Vgl. BERRY, D.C.; BROADBENT, D.E.: Expert Systems and the Man-Machine Interface, a.a.O., S. 22.

30       Vgi. HUBER, K.-P.: Erklärungskomponente für das Expertensystem XUMA unter Berücksichtigung verschiedener Benutzerklassen, a.a.O., S. 31.

31        Vgl. WALLIS, J.W.; SHORTLIFFE, E.H.: Explanatory Power for Medical Expert Systems, a.a.O., S. 127.