In vielen alltäglichen Situationen erhalten sowohl Laien als auch Experten (z.T. automatisiert) Empfehlungen darüber, wie sie in einer bestimmten Situation handeln sollten, welche Entscheidungen sie treffen oder welche Produkte sie erwerben sollten. Die Gründe für diese Empfehlungen sind allerdings oft nicht nachvollziehbar. Obwohl es in den meisten Fällen Alternativen gibt, stehen Empfehlungsempfänger oft unter dem Druck, zeitnah handeln zu müssen und haben nicht die Zeit oder Ressourcen, die Empfehlung gegenüber anderen Alternativen systematisch abzuwägen. Das Ziel dieses Projektes ist die Entwicklung einer computergestützten Methodologie, die einen Empfehlungsempfänger dabei unterstützen kann, eine Empfehlung systematisch gegenüber Alternativen abwägen zu können. Wir nennen diese Aufgabe Empfehlungsrationalisierung. Unsere Methode soll für den Empfehlungsempfänger eine argumentative Synthese automatisch erstellen, welche die Evidenz und Präferenzen, nach denen die empfohlene Alternative als optimal zu sehen ist, explizit macht. Um die relevante Evidenz zu extrahieren, werden wir neue Methoden der Informationsextraktion entwickeln, die auf probabilistischen graphischen Modellen aufbauen. Zudem sollen bestehende Methoden aus dem Information Retrieval erweitert werden, um für Argumentation relevante Evidenz aus großen und heterogenen Dokumentensammlungen extrahieren zu können.Diese extrahierte Evidenz soll dann verwendet werden, um Argumente für und gegen die gegebene Empfehlung anhand relevanter Aspekte zu generieren. Diese aspekt-spezifischen Argumente sollen dann in Form einer neuen argumentativen Datenstruktur, den sog. Hierarchical Argumentation Trees, entlang einer Hierarchie von Aspekten aggregiert werden. Diese Hierarchie unterstützt die Generierung von komplexen Argumenten, die explizit machen, unter welchen Annahmen und Präferenzen die Empfehlung den Alternativen gegenüber als überlegen anzusehen ist. Wir werden im Rahmen des Projektes auch template-basierte Methoden der natürlichsprachlichen Generierung entwickeln, welche die Hierarchical Argumentation Trees in natürlicher Sprache verbalisieren können. Die Machbarkeit der entwickelten Methoden soll in der praktischen Anwendung im Bereich der evidenz-basierten Medizin demonstriert werden. Die Entscheidungsfindung bzgl. der optimalen Therapierung eines Patienten ist oftmals empfehlungsgestützt in dem Sinne, dass die labormedizinische Diagnostik mit einer Handlungsempfehlung an den behandelnden Arzt einhergeht. Unsere Methode der Rationalisierung soll Onkologen dabei unterstützen, die Evidenz, Annahmen und Präferenzen explizit zu machen, auf denen eine solche Empfehlung basiert, um sie nachvollziehbar zu machen und damit eine optimal informierte Meinungs- und Entscheidungsbildung zu unterstützen. Zu diesem Zweck werden die Definition von Anforderungen, Anwendungsszenarien sowie die Annotation von Daten und die Evaluierung des Systems von Medizinern begleitet und unterstützt.