Det kan ju låta som framtiden, men automatisk argumentationsanalys existerar redan idag. Bland annat om detta handlar många konferenser nu om. Forskningen pågår aktivt och inom tio år förväntas tillförlitliga kommersiella applikationer vara tillgängliga. Senast inom femton. Området kallas argument mining och faller inom det bredare fältet data mining.

Det finns flera skäl till att automatisera delar av analysprocessen. Det främsta, självklara, skälet är också det samma som möjliggör det hela: största delen av all information och offentlig diskussion har flyttat till digitalt format, på webben. Följaktligen är det lätt åtkomligt för automatisk, digital, dataanalys. Samtidigt har mängden dokumenterad diskussion och information exploderat. Med manuella metoder kan man endast göra stickprov.

De system som redan nu används kan användas för att analysera produktutvärderingar på sociala media. Systemen klarar av att gå igenom tiotalstusen konsumentkommentarer och analysera vad skribenterna tycker om en viss produkt. Dessa system har ännu idag flera begränsningar, men exakt vad och hur vet jag inte eftersom de enskilda lösningarna bevakas noga p.g.a. den hårda konkurrensen, så jag har följaktligen inte någon möjlighet att ta en närmare titt på dem …

Det man bland argumentationsforskare inom tillämpad datavetenskap och tillämpad lingvistik, och även i viss mån inom filosofi, nu är ute efter är att gå längre: system som kan identifiera ståndpunkter och argument och dessas inbördes förhållanden. Uppgiften är synnerligen krävande av en lång rad skäl. Det främsta problemet är helt enkelt att vi inte tydligt signalerar när vi argumenterar och vad som är vad i en argumentation. Dessutom använder vi många indirekta uttryckssätt, ironi, skämt och liknande som är näst intill omöjliga för en maskin att känna igen.

Det handlar om två separata steg: annotering och analys. Man testar systemen genom olika korpusanalyser där man först med olika semantiska markörer manuellt markerar alla fraser (eller t.o.m. alla enskilda ord) i en tillräckligt stor textmängd. Detta steg är en utmaning i sig: vilken information är behövlig för att argumentationen sedan ska kunna identifieras?  Nästa steg är så själva analysen och för denna är utmaningen att avgöra hur argument ser ut i förhållande till språket.

Det som pågår nu är att olika forskargrupper tävlar om att vara först med ett fungerande system. Det handlar om att ta fram fungerande taxonomier, strukturer och procedurer för att annotera och analysera argumentation. Ett viktigt steg involverar programmering och faller utanför det jag sysslar med, men de mera abstrakta nivåerna är relevanta för argumentationsteori och även för retorik: hur ser argument och argumentation ut? hur beskriver vi de olika dragen i en argumenterande dialog eller polylog? hur fungerar argument i olika kontexter? och så vidare.

I de mest lyckade experimenten har man nått en  korrekthet på runt 80 %, d.v.s. åtta av tio element har automatiskt identifierats och analyserats korrekt. Det intressanta med denna siffra är att när människor ombeds göra samma uppgift når man samma enighet på 80 %, d.v.s. i två fall av tio har personerna valt olika. (Det brukar då handla om studenter som först fått en snabbskolning.) I en femtedel av all argumentation är det i regel för en bildad icke-expert oklart hur argumentationen ska klassificeras eller analyseras. Argumentationsexperter uppnår en större enighet, men fullständig enighet är omöjlig p.g.a. den otydlighet som finns dels i vårt naturliga språkbruk, dels i vårt tänkande. Därför kan inget system heller bli fullständigt.