Das Forschungsgebiet der natürlichen Text-/Sprachgenerierung stellt Anwendern eine breite Palette von Techniken zur Generieren von Texten aus Vielheit von Datenarten bereit. Diese Techniken werden in konkreten Anwendungen benutzt und helfen vielen Menschen in vielen Bereichen bei der Automatisierung zeitaufwändiger Textproduktion. Im Moment ist das Enwickeln und die Auswertung von Algorithmen zur Textegenerierung weitgehend empirisch. Viele Systeme werden entwickelt, um eine bestimmte Aufgabe zu lösen und mit einer einzigen Datenart zu arbeiten, was es schwierig macht, den Ansatz mit anderen Techniken zu vergleichen und kritisch seine Leistung zu bewerten. Einige Systeme verwenden komplexe Algorithmen des maschinellen Lernens, um umfangreiche Datendarstellungen zu lernen und gemeinsame Modellierung der Schritte, die am Prozess der Textgenerierung beteiligt sind, auszuführen. Solche Ansätze bieten einen attraktiven Kompromiss von Entwicklungskosten und Ausgabequalität, erlauben aber häufig nicht, das Verhalten des Systems zu verstehen und zu analysieren. Die Zahl der vorgeschlagenen Ansätze wächst ständig, aber die Methodik hinken hinterher und manchmal tragen diese nicht zu einem besseren Verständnis bei, welche Ansätze funktionieren und warum. In dieser Arbeit präsentieren wir unseren Standpunkt zur Aufgabe der Textproduktion von einem methodischen Blickpunkt. Wir analysieren die existierende wissenschaftliche Literatur, untersuchen gemeinsame Ansätze zur Texterzeugung und etablierte Bewertungsprotokolle. Wir schlagen ferner eine grundlegende Sichtweise auf das Problem vor: Wir zerlegen es in Komponenten, untersuchen deren Wechselwirkung und entwickeln eine Reihe von Empfehlungen, die zur Unterstützung bei der Gestaltung oder Analyse einer Studie genutzt werden können. Wir führen eine Reihe von Experimenten durch, um dieses Framework in mehreren Textgenerierungsaufgaben zu testen. Zunächst zeigen wir, dass die Aufgabenspezifikationen so ist, dass es manchmal das vorliegende Problem mit sehr einfachen Techniken zu lösen erlaubt, ohne Rückgriffe auf die komplexe Maschinerie des fortgeschrittenen statistischen Lernens zu benötigen. Wir zeigen weiter das Potenzial des entwickelten Frameworks, um Abweichungen in den existierenden Bewertungsprotokollen zu finden. Wir zeigen, dass manchmal weder metrische, noch konventionelle menschliche Bewertung ausreichend ist, um Rückschlüsse auf die Systemleistung zu ziehen. Wir demonstrieren, wie ein System die Daten anpassen kann, um hohe automatische metrische Werte zu erreichen, während sie in Bezug auf die tatsächliche Ausgangsqualität stagnieren oder schlechter werden. Schließlich verwenden wir das Framework, um zu demonstrieren, wie man effektive Texter- zeugungssysteme ohne Einbußen bei der Erklärbarkeit der inneren Arbeitslogik entwickeln kann, wodurch die entwickelten Systeme genau und zuverlässig zugleich werden.