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

4.1.4. Die Bedeutung einer getrennten Darstellung der verschiedenen Wissensarten.

Die Bedeutung von einer getrennten Darstellung der einzelnen Wissensarten soll hier kurz anhand von terminologischen Wissen dargestellt werden.

Die Regel:
IF       the patient temperature is more then 100 F THEN  conclude fever
kann als Definition von Fieber betrachtet werden und von der Erklärungskomponente ausgeben werden, sobald eine Definition des Begriffs Fieber gewünscht wird. Wenn aber im praktischen Einsatz festgestellt wird, daß viele falsche Resultate dadurch verursacht werden, daß die Patienten heißen Kaffee vor der Temperaturkontrolle getrunken haben, so könnte eine Modi­fizierung der Regel erfolgen, um diese Fehlerursache auszuschalten.

IF       the patient temperature is more then 100 F
and the patient has not recently drunk coffee, THEN conclude fever
Wenn jetzt die Regel als Erklärung für den Begriff Fieber aus­gegeben wird, entsteht der Eindruck, daß Fieber etwas mit Kaffeetrinken zu tun hat.258

Wie aus diesem Beispiel ersichtlich ist, kann die Mischung von Problemlösungswissen und Wissen über die Terminologie nach­teilig sein.

Das Problem, daß die einzelnen Wissensarten häufig nicht mehr voneinander getrennt werden können, wurde auch schon in Kapitel 3.4. am Beispiel der Screening Clause dargestellt.

Für die Erstellung von guten Erklärungen ist eine Trennung der unterschiedlichen Wissensarten von essentieller Bedeutung, da ansonsten die Informationen zur Beantwortung der Benutzerfragen mit unwichtigen und dadurch verwirrenden Informationen ver­mengt werden.259
259   Vgl. SWARTOUT, W.R.: Producing Explanations and Justifica­tions of Expert Consulting Programs, a.a.O., S. 18.

257      Vgl. PUPPE, F.: Einführung in Expertensysteme, a.a.O., S. 181.

258      SWARTOUT, W.R.; SMOLIAR, S.W.: Explaining the Link Between Causal Reasoning and Expert Behavior, in: MILLER, P.L. (ED.): Selected Topics in Medical Artificial Intelligence, Series Computers and Medicine, New York/Berlin/ Heidelberg/London/Paris/Tokyo 1988, S. 77 (73-84).
Vgl. auch SWARTOUT, W.R.; SMOLIAR, S.W.: On Making Expert Systems more Like Experts, in: Expert Systems, Vol. 4, No. 3, 1987, S. 198 (196-207).