Interaktive Präferenzabfrage optimiert schrittweise Erklärungen in Logikrätseln

In der Welt der Logikrätsel, von klassischen Sudokus bis zu komplexen Logik-Grid-Spielen, gewinnen schrittweise Erklärungen zunehmend an Bedeutung. Dabei wird jeder Schritt als ein Satz von Einschränkungen dargestellt, der die Zuordnung einer oder mehrerer Entscheidungsvariablen herleitet. Diese Methode macht die Lösungswege transparent und nachvollziehbar.

Ein zentrales Problem besteht jedoch darin, dass für jeden Schritt zahlreiche mögliche Erklärungen existieren, die sich in den verwendeten Einschränkungen und den abgeleiteten Entscheidungen unterscheiden. Um die verständlichste Variante zu wählen, muss eine Zielgröße definiert werden, die die Qualität jedes Schritts misst. Hier kommen interaktive Präferenzabfrage‑Methoden aus dem maschinellen Lernen zum Einsatz: Nutzer vergleichen paarweise Erklärungen, und aus diesen Vergleichen lernt ein Modell die individuellen Vorlieben.

Die Autoren stellen zwei dynamische Normalisierungstechniken vor, die die unterschiedlichen Skalen der Unterziele ausgleichen und den Lernprozess stabilisieren. Zusätzlich wird MACHOP – ein Multi‑Armed Choice Perceptron – als neue Strategie zur Generierung von Vergleichsanfragen präsentiert. MACHOP kombiniert nicht‑domination‑Bedingungen mit einer Upper‑Confidence‑Bound‑basierten Diversifikation, um ähnliche Erklärungen zu vermeiden und die Auswahl breiter zu gestalten.

Durch umfangreiche Tests an Sudokus und Logik‑Grid‑Puzzles mit simulierten sowie echten Nutzern konnte gezeigt werden, dass MACHOP die Qualität der Schritt‑für‑Schritt‑Erklärungen deutlich verbessert. Die Ergebnisse deuten darauf hin, dass interaktive Präferenzabfrage ein vielversprechender Ansatz ist, um komplexe Logikrätsel für Lernende und Enthusiasten verständlicher zu machen.