Aspect-Based Argument Mining
Ludwig Maximilian University of Munich（慕尼黑大学）；Center for Information and Language Processing（信息与语言处理中心）
计算论证和论证挖掘是重要的研究领域。在以前的作品中，自动提取和在一定程度上推理自然语言参数的许多挑战都得到了解决。提取参数单元的工具越来越多，进一步的开放问题可以得到解决。在这项工作中，我们提出了基于特征的参数挖掘（ABAM）的任务，与特征项提取（ATE）和嵌套分割（NS）的基本子任务。在第一个实例中，我们创建并发布一个注释语料库方面的信息上的令牌级别。我们认为方面是论点单元所要解决的主要问题。这些信息对于进一步的下游任务很重要，比如参数排序、参数总结和生成，以及在方面级别上搜索反参数。我们提出了几个实验，使用国家的最先进的监督架构，并证明了他们的表现为两个子任务。注释的基准可以在https://github.com/trtm/ABAM上获得。
2020-11-01 cs.CL
Argument Mining with Structured SVMs and RNNs
Cornell University（康奈尔大学）；Williams College（威廉姆斯学院）
我们提出了一种新的因素图模型的参数挖掘，设计的设置中的争论关系的文档不一定形成一个树结构。(This在我们发布的网络评论数据集中，有超过20%是这种情况。我们的模型联合学习基本单元类型分类和争论关系预测。此外，我们的模型支持SVM和RNN参数化，可以强制执行结构约束（例如，传递性），并且可以表示相邻关系和命题之间的依赖关系。我们的方法在网络评论和议论文数据集中的表现都优于非结构化基线。
2017-04-23 cs.CL
Cross-topic Argument Mining from Heterogeneous Sources Using Attention-based Neural Networks
Ubiquitous Knowledge Processing Lab (UKP-TUDA)（普适知识处理实验室（UKP-TUDA））；Department of Computer Science, Technische Universität Darmstadt（达姆施塔特工业大学计算机科学系）；www.ukp.tu-darmstadt.de（无（该网址非机构））
参数挖掘是在大型文档集合中自动进行参数搜索的核心技术。尽管它的有用性，这项任务，大多数目前的方法，参数挖掘是专为使用特定的文本类型和不足时，适用于异构文本。在本文中，我们提出了一个新的mixtial注释方案，是可靠的适用于人群工作人员任意Web文本。我们为超过25，000个案例提供注释，涵盖八个有争议的主题。跨主题实验的结果表明，我们的基于注意力的神经网络最好地概括了看不见的主题，并优于香草BiLSTM模型6%的准确率和11%的F分数。
2018-02-15 cs.CL
LLMs for Argument Mining: Detection, Extraction, and Relationship Classification of pre-defined Arguments in Online Comments
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）；Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
本文评估了四个最先进LLM在三个论点挖掘任务上的表现，发现大型和微调模型整体表现强劲但环境成本高，且在处理长篇细微和情绪化评论时存在系统性缺陷。
2025-05-29 cs.CL
Multi-Task Learning for Argumentation Mining in Low-Resource Settings
Ubiquitous Knowledge Processing Lab (UKP-TUDA)（普适知识处理实验室（UKP-TUDA））；Department of Computer Science（计算机科学系）；Technische Universität Darmstadt（达姆施塔特工业大学）；www.ukp.tu-darmstadt.de
我们研究多任务学习（MTL）是否以及在哪里可以提高与论证挖掘（AM）相关的NLP问题的性能，特别是论证组件识别。我们的研究结果表明，MTL表现得特别好（优于单任务学习）时，很少训练数据可用于主任务，在AM中的常见情况。我们的研究结果挑战了以前的假设，即AM数据集的概念化是发散的，MTL对于语义或更高级别的任务是困难的。
2018-05-04 cs.CL
Explainable Topic-Enhanced Argument Mining from Heterogeneous Sources
Southeast University（东南大学）
针对现有论点挖掘方法存在的目标表示覆盖子主题不足、忽略句子级主题信息的问题，提出一种可解释主题增强方法，通过神经主题模型和语言模型增强目标信息并捕获句子级主题信息，在基准数据集的同目标和跨目标设置下均优于现有最优基线。
2023-07-22 cs.CL
Medical Argument Mining: Exploitation of Scarce Data Using NLI Systems
HiTZ Center- Ixa, University of the Basque Country UPV/EHU（巴斯克大学希茨中心-ixa）；University of the Basque Country UPV/EHU（巴斯克大学）
本研究针对临床文本数据稀缺问题，提出结合token分类与NLI的医学论点挖掘方法，在稀缺数据下表现优于文本分类方法，为临床结论循证工具研发奠基。
2025-06-15 cs.CL
Mining Legal Arguments in Court Decisions
Technical University of Darmstadt（达姆施塔特工业大学）；University of Trieste（的里雅斯特大学）；Goethe-Universität Frankfurt am Main（法兰克福大学）
针对NLP与法律专家在法律论点理解上的差异，本文设计了ECHR判决的新标注方案，构建了含373份判决的大型语料库，并训练出优于现有模型的论点挖掘模型。
2023-05-17 cs.CL
Argument Mining for Understanding Peer Reviews
Khoury College of Computer Sciences（Khoury计算机科学学院）；Northeastern University（东北大学）
同行评议在科学写作和出版生态系统中发挥着关键作用。为了评估审查进程的效率和效力，一个基本要素是了解和评价审查本身。在这项工作中，我们研究了在论点挖掘框架下的同行评议的内容和结构，通过自动检测（1）评论者提出的论点命题，（2）它们的类型（例如，评价工作或提出改进建议）。我们首先从主要的机器学习和自然语言处理场所收集14.2K评论。400篇评论中有10，386个命题和相应类型的评估，请求，事实，参考或引用。然后，我们对数据进行训练最先进的命题分割和分类模型，以评估它们的效用，并确定这个新领域的新挑战，激励未来的论点挖掘方向。进一步的实验表明，命题使用的数量，类型和主题不同的场地。
2019-03-25 cs.CL
Unveiling Global Discourse Structures: Theoretical Analysis and NLP Applications in Argument Mining
University of Applied Sciences for Engineering and Economics（应用科学与工程经济大学）
本文针对全球话语结构的连贯性问题，提出论证挖掘方法，定义术语、总结现有研究并指出不足，设计基于新NLP技术的泛化架构，为话语结构理论理解提供支持。
2025-02-12 cs.CL
Here's My Point: Joint Pointer Architecture for Argument Mining
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
自动论证挖掘的主要目标之一是揭示论证文本中的论证结构。为了确定这个结构，我们必须了解整体论证的不同组成部分是如何联系在一起的。在这个领域中，普遍的共识是论证成分形成了说服的层次结构，它以树结构表现出来。这项工作提供了第一个基于神经网络的方法来进行论证挖掘，重点是两个任务，提取论点组件之间的联系，并分类类型的论点组件。为了解决这个问题，我们建议使用一个联合模型，是基于指针网络架构。一个指针网络是这项任务的吸引力有以下原因：1）它考虑到的顺序性质的参数组件; 2）通过建设，它强制执行某些属性的树结构中存在的参数关系; 3）隐藏的表示可以应用于辅助任务。为了扩展原始指针网络模型的贡献，我们构建了一个联合模型，该模型同时尝试学习参数组件的类型，并继续预测参数组件之间的链接。所提出的联合模型在两个独立的评估语料库上实现了最先进的结果，比常规的指针网络模型实现了更优越的性能。我们的研究结果表明，优化这两个任务，并添加一个全连接层之前，经常性的神经网络输入，是至关重要的高性能。
2017-05-08 cs.CL
End-to-End Argument Mining over Varying Rhetorical Structures
FRC CSC RAS（俄罗斯科学院联邦研究中心计算机科学与控制）
针对修辞结构差异导致的论证解析不一致问题，提出利用RST修辞树和释义结构增强的深层依存解析模型，实现端到端论证挖掘，并在双语Microtexts语料库上验证有效。
2024-01-20 cs.CL
IAM: A Comprehensive and Large-Scale Dataset for Integrated Argument Mining Tasks
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Singapore University of Technology and Design（新加坡科技设计大学）；The Chinese University of Hong Kong（香港中文大学）；National University of Singapore（新加坡国立大学）
传统上，辩论通常需要人工准备过程，包括阅读大量文章，选择主张，确定主张的立场，寻找主张的证据等。随着人工智能辩论近年来越来越受到关注，值得探索将辩论系统中涉及的繁琐过程自动化的方法。在这项工作中，我们介绍了一个全面的大型数据集命名为IAM，它可以应用于一系列的参数挖掘任务，包括索赔提取，立场分类，证据提取等，我们的数据集是从123个主题相关的超过1k篇文章中收集。数据集中的近70k个句子基于它们的论点属性（例如，主张、立场、证据等）。我们进一步提出了两个新的集成的论点挖掘任务与辩论准备过程：（1）主张提取与立场分类（CESC）和（2）索赔证据对提取（CEPE）。我们分别对每个集成任务采用管道方法和端到端方法。有前途的实验结果报告显示我们提出的任务的价值和挑战，并激励未来的研究论点挖掘。
2022-07-16 cs.CL
Multi-granularity Argument Mining in Legal Texts
University of Pittsburgh（匹兹堡大学）
在本文中，我们将探讨使用多层次的粒度的法律论据挖掘。论证挖掘通常被概念化为句子分类问题。在这项工作中，我们将参数挖掘概念化为令牌级（即，词级）分类问题。我们使用Longformer模型来对令牌进行分类。结果表明，令牌级的文本分类识别某些法律论点的元素更准确地比证据级的文本分类。令牌级分类还提供了更大的灵活性来分析法律文本，并在处理大量输入数据时更深入地了解模型的重点。
2022-10-19 cs.CL cs.IR
Overview of ImageArg-2023: The First Shared Task in Multimodal Argument Mining
University of Pittsburgh（匹兹堡大学）
本文介绍了首个多模态论辩挖掘共享任务ImageArg，包含推文立场分类和图像说服力分类两个子任务，并报告了来自多国团队的提交情况及最佳F1分数结果。
2023-10-24 cs.CL
Cross-Genre Argument Mining: Can Language Models Automatically Fill in Missing Discourse Markers?
Laboratório de Inteligência Artificial e Ciência de Computadores (LIACC)（人工智能与计算机科学实验室（LIACC））；Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；Natural Language Learning Group (NLLG)（自然语言学习组（NLLG））；Faculty of Technology, Bielefeld University（比勒费尔德大学技术学院）
本文研究跨体裁论证挖掘中语篇标记缺失的问题，构建含合成与真实示例的异构数据集并微调语言模型自动补全标记，从而在部分场景下提升下游论证挖掘性能。
2023-06-07 cs.CL
RuArg-2022: Argument Mining Evaluation
Vyatka State University（维亚特卡国立大学）；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
论证分析是计算语言学的一个研究领域，它研究从文本中提取论证的方法以及它们之间的关系，并建立文本的论证结构。本文是主办方在对话会议框架内举办的第一届俄语语篇论证分析系统竞赛的报告。在比赛中，参与者被提供了两个任务：立场检测和论点分类。一个包含9，550个句子（社交媒体帖子的评论）的语料库，涉及与COVID-19大流行相关的三个主题（疫苗接种、隔离和戴口罩），已准备好，并进行了注释，用于培训和测试。在这两项任务中获得第一名的系统使用了BERT架构的NLI（自然语言推理）变体，自动翻译成英语以应用专门的BERT模型，在讨论COVID-19的Twitter帖子上进行重新训练，以及对目标实体进行额外的掩蔽。该系统显示了以下结果：对于立场检测任务，F1分数为0.6968，对于论点分类任务，F1分数为0.7404。我们希望准备好的数据集和基线将有助于促进对俄语参数挖掘的进一步研究。
2022-06-18 cs.CL
An LLM-Based System for Argument Mining
Universidade de São Paulo Center for Artificial Intelligence (C4AI)（圣保罗大学人工智能中心（C4AI））；Instituto Mauá de Tecnologia Núcleo de Sistemas Eletrônicos Embarcados (NSEE)（马乌阿技术研究所电子系统嵌入核（NSEE））
本文提出一个基于大语言模型的端到端系统，用于从自然语言文本中提取论证并构建抽象论证图，通过多阶段流程识别论证组件、选择相关元素并揭示其逻辑关系，实验表明该系统能有效恢复论证结构并在不同标注方案下表现良好。
2026-05-19 cs.CL
Argument Mining as a Text-to-Text Generation Task
Service Innovation Department, NTT DOCOMO, INC.（NTT DOCOMO公司服务创新部）；NTT Communication Science Laboratories, NTT Corporation（NTT通信科学实验室）
本文提出基于预训练编码器-解码器语言模型的文本到文本生成方法，直接生成论点标注文本，无需后处理和超参数调优，有效提升论点挖掘任务的性能。
2026-03-25 cs.CL
Swiss4Arg: A Parallel Dataset for Multilingual Argument Mining across Swiss National Languages
University of Zurich（苏黎世大学）；University of St. Gallen（圣加仑大学）
本研究构建覆盖四种瑞士国家语言的多语言论辩挖掘数据集Swiss4Arg，经标注后提供基线结果，为多语言论辩挖掘建立含低资源场景的新基准。
2026-10-14 cs.CL
End-to-End Argument Mining for Discussion Threads Based on Parallel Constrained Pointer Architecture
Tokyo University of Agriculture and Technology（东京农工大学）
论元挖掘是一门相对较新的学科，它致力于从语篇中提取主张或前提，并推断其结构。然而，许多现有的作品没有充分考虑讨论线程的微观层面AM研究。在本文中，我们处理AM的讨论线程。我们的主要贡献如下：（1）一个新的组合方案，侧重于微观层次的内部和内部后计划的讨论线程。(2)用该方案诠释大规模的公民讨论线程。(3)并行约束指针体系结构（PCPA），一种新的端到端技术，同时区分句子类型，内部职位关系，和内部职位之间的相互作用。实验结果表明，我们提出的模型在关系提取方面表现出更好的准确性，与现有的最先进的模型相比。
2018-09-03 cs.CL
A Cascade Model for Argument Mining in Japanese Political Discussions: the QA Lab-PoliInfo-3 Case Study
Valencian Research Institute for Artificial Intelligence（瓦伦西亚人工智能研究院）；Universitat Politècnica de València（瓦伦西亚理工大学）
rVRAIN团队解决了预算论证挖掘（BAM）任务，包括分类和信息检索子任务的组合。对于参数分类（AC），该团队使用基于BERT的五类级联模型并辅以一些手工规则来实现其最佳性能。这些规则被用来确定表达是否是货币。然后，每个货币表达式被分类为前提或结论的级联模型的第一级。最后，将每个前提分为三个前提类，将每个结论分为两个结论类。对于信息检索（即，关系ID检测或RID），我们最好的结果是通过基于BERT的二元分类器和由货币表达式和预算密集嵌入组成的对的余弦相似性的组合来实现的。
2022-07-04 cs.CL
DebateSum: A large-scale argument mining and summarization dataset
University of Oregon（俄勒冈大学）；Texas A&M University（德克萨斯农工大学）
先前在论证挖掘方面的工作经常提到它在自动辩论系统中的潜在应用。尽管如此，几乎没有数据集或模型存在的应用自然语言处理技术的竞争性正式辩论中发现的问题。为了解决这个问题，我们提出了DebateSum数据集。DebateSum包含187，386个独特的证据，以及相应的论点和摘要。DebateSum是使用国家演讲和辩论协会（National Speech and Debate Association）的竞争对手在7年内收集的数据制作的。我们训练了几个Transformer摘要模型，以在DebateSum上测试摘要性能。我们还介绍了一组在DebateSum上训练的快速文本词向量，称为debate2vec。最后，我们提出了一个搜索引擎，这是广泛使用的全国演讲和辩论协会的成员今天这个数据集。DebateSum搜索引擎可在以下网站向公众开放：http://www.debate.cards
2020-11-14 cs.CL
Argument Mining using BERT and Self-Attention based Embeddings
Delhi Technological University（德里技术大学）
参数挖掘自动识别和提取自然语言参数中传达的推理和推理的结构。据我们所知，这一领域的大多数最先进的作品都集中在使用树状结构和语言建模。但是，这些方法不能模拟更复杂的结构，这是经常在网上论坛和现实世界的论证结构。本文提出了一种新的论元挖掘方法，该方法采用基于注意力的嵌入进行链接预测，从而对网络话语中常见的典型论元结构中的因果层次进行建模。
2023-02-27 cs.AI cs.CL
Mining Legal Arguments in U.S. Corporate Case Law
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Maryland School of Law（马里兰大学法学院）
本工作构建了首个专家标注的树状法律论证语料库（42篇美国联邦税务意见），提出五类功能标签及支持树结构，实验表明功能标签可学习且监督微调提升案件内检索，但跨案件泛化仍弱。
2026-09-23 cs.CL
AMPERSAND: Argument Mining for PERSuAsive oNline Discussions
Columbia University（哥伦比亚大学）
辩论是一种话语类型，演讲者试图通过提出支持性论点来说服听众关于主张的合理性。大部分的论点挖掘工作都集中在独白中的论点建模。我们提出了一个计算模型的参数挖掘在网上有说服力的论坛，汇集了微观层面（参数作为产品）和宏观层面（参数作为过程）的模型的论证。从根本上说，这种方法依赖于识别讨论线程中参数组件之间的关系。我们的关系预测方法使用上下文信息，微调预训练的语言模型，并利用基于修辞结构理论的话语关系。我们还提出了一个候选人选择方法，自动预测一个人的论点的哪些部分将有针对性的其他参与者在讨论中。与最近使用指针网络和预训练的语言模型的最先进方法相比，我们的模型获得了显着的改进。
2020-04-30 cs.AI cs.CL
Designing and Analysing Argument Mining Pipelines: Towards a Comprehensive Assessment
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Universidade da Coruña（科鲁尼亚大学）；IEGPS-CSIC, Spanish National Research Council（西班牙国家研究委员会IEGPS）
本研究通过三重视角框架系统分析端到端论证挖掘流水线，提出通用设计以促进方法比较与评估，为未来研究奠定基础。
2026-09-23 cs.CL
ConvoSumm: Conversation Summarization Benchmark and Improved Abstractive Summarization with Argument Mining
Yale University（耶鲁大学）；Facebook AI（脸书人工智能研究院）
虽然在线对话可以以许多不同的格式覆盖大量的信息，但抽象文本摘要主要集中在仅对新闻文章进行建模。这种研究差距部分是由于缺乏标准化的数据集来总结在线讨论。为了解决这一差距，我们设计了一个问题-观点-断言框架的注释协议，以众包新闻评论，论坛，社区问答论坛和电子邮件线程的各种在线对话形式的四个新的数据集。我们在数据集上对最先进的模型进行基准测试，并分析与数据相关的特征。为了创建一个全面的基准，我们还在广泛使用的会话摘要数据集上评估了这些模型，以在该领域建立强大的基线。此外，我们通过图形构建将参数挖掘直接建模的问题，观点和断言存在于对话和过滤嘈杂的输入，显示比较或改进的结果，根据自动和人工评估。
2021-06-01 cs.CL
A Dataset Independent Set of Baselines for Relation Prediction in Argument Mining
Imperial College London（帝国理工学院）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；I3S（信息、信号与智能系统实验室）
论元挖掘（Argument Mining）是一个旨在提取论元成分和预测论元关系（即，支持和攻击）。特别是，在文献中已经提出了许多方法来预测参数之间的关系，并为此目的建立了特定于应用程序的注释资源。尽管创建这些资源是为了对同一任务进行实验，但要成功应用于这些数据集的重要部分的单一关系预测方法的定义是论证挖掘中的一个开放性研究问题。这意味着文献中提出的方法都不能轻易地从一个资源移植到另一个资源。在本文中，我们解决这个问题，提出了一组独立于数据集的强神经基线，在文献中提出的所有数据集上获得均匀的结果，用于论证关系预测任务。因此，我们的基线可以被论证挖掘社区用来更有效地比较一种方法在论证关系预测任务上的表现。
2020-02-14 cs.AI cs.CL
Large Language Models in Argument Mining: A Survey
University of Manchester（曼彻斯特大学）；Imperial College London（伦敦帝国学院）
本文综述了大型语言模型对论证挖掘领域的影响，分析了LLM如何改变任务设计、数据集构建和评估方法，并提出了未来研究方向。
2025-11-25 cs.CL
LAMUS: A Large-Scale Corpus for Legal Argument Mining from U.S. Caselaw using LLMs
University of North Texas（北卡罗来纳大学达顿分校）
LAMUS利用LLMs构建大规模美国判例法法律论证语料库，通过数据驱动方法提升法律NLP研究的可扩展性和实证支持。
2026-07-30 cs.CL
Towards an Argument Mining Pipeline Transforming Texts to Argument Graphs
Trier University（特里尔大学）
本文的研究目标是从自然语言文本中自动抽取议论文的信息成分及其相互关系。此外，我们解决了目前缺乏系统提供完整的论证结构，从任意自然语言文本的一般用途。我们提出了一个参数挖掘管道作为一个普遍适用的方法转换为基于图形的参数表示的德语和英语语言的文本。我们还介绍了新的方法来评估现有的基准参数结构的基础上的结果。我们的研究结果表明，生成的参数图可以是有益的，以检测新的连接之间的不同陈述的议论文。我们的管道实现在GitHub上公开提供。
2020-09-28 cs.AI cs.CL cs.LG
Understanding Enthymemes in Argument Maps: Bridging Argument Mining and Logic-based Argumentation
Université Paul Sabatier（保罗萨巴蒂埃大学）；CNRS（法国国家科学研究中心）；IRIT（图灵与信息技术研究所）；Inria（法国国家信息与自动化研究所）；I3S（信息、信号与系统实验室）；University College London（伦敦大学学院）
本研究针对论证挖掘得到的论证图难以自动分析的问题，提出用经典逻辑表示文本显式信息、缺省逻辑表示隐式信息来对论证图进行逻辑实例化，以支撑后续自动推理分析。
2024-08-16 cs.AI cs.CL
KNOWCOMP POKEMON Team at DialAM-2024: A Two-Stage Pipeline for Detecting Relations in Dialogical Argument Mining
Harbin Institute of Technology(Shenzhen)（哈尔滨工业大学（深圳））
针对DialAM-2024对话式论辩挖掘任务中识别节点间关系的需求，提出结合Two-Step S-Node与YA-Node预测模型的两阶段流水线，通过数据扩充与引入上下文，最终取得ARI Focused第1、Global Focused第4的佳绩。
2024-07-29 cs.AI cs.CL
TILFA: A Unified Framework for Text, Image, and Layout Fusion in Argument Mining
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；HKUST（香港科技大学）；NVIDIA AI Technology Center (NVAITC), NVIDIA（英伟达人工智能技术中心（NVAITC），英伟达）
TILFA框架融合文本、图像和布局信息，处理含光学字符的混合论证数据，在立场分类任务中显著超越基线并获排行榜第一。
2023-10-08 cs.AI cs.CL
Winning with Less for Low Resource Languages: Advantage of Cross-Lingual English_Persian Argument Mining Model over LLM Augmentation
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Institute for Humanities and Cultural Studies（人文与文化研究学院）；University of Passau（帕绍大学）
本文提出了一种跨语言论证挖掘模型，通过零样本迁移、LLM增强和跨语言训练三种方法，证明在低资源语言中，跨语言模型能显著优于基于LLM的增强方法。
2025-11-25 cs.CL
Overview of the CAIL 2023 Argument Mining Track
Fudan University（复旦大学）；Dalian University of Technology（大连理工大学）；Tgnet；Shanghai University（上海大学）；Xi’an Jiaotong University（西安交通大学）；Lenovo KnowDee Intelligence（联想知道智能）；Xiamen Huatian International Vocation Institute（厦门华天涉外职业技术学院）；Northwest Polytechnical University（西北工业大学）；Beijing Thunisoft Yuandian Information Service Co., Ltd.（北京用友远大信息服务有限公司）；Peking University（北京大学）；Northwest University of Political Science and Law（西北政法大学）
本文介绍CAIL 2023论点挖掘赛道，该赛道旨在提取庭审对话中的交互论点对，分两阶段任务，构建了含多种案由新案例的CAIL2023-ArgMine数据集，总结了优胜方案的方法，为该领域后续研究提供参考。
2024-06-20 cs.CL
TACAM: Topic And Context Aware Argument Mining
LMU（慕尼黑大学）
在这项工作中，我们解决的问题，参数搜索。论元搜索的目的是从大型文本语料库中提炼出所请求主题的赞成和反对论元。在以前的作品中，通常的方法是使用一个标准的搜索引擎，以提取文本部分相关的给定的主题，随后使用一个参数识别算法，以选择参数。论元识别任务（也称为论元挖掘）的主要挑战是，包含论元的句子在结构上通常与纯粹信息性的句子相似，而对主题没有任何立场。事实上，它们只是语义上的不同。大多数方法仅在第一个搜索步骤中使用主题或搜索项信息，因此假设参数可以独立于主题进行分类。我们认为，主题信息是至关重要的参数挖掘，因为主题定义了一个参数的语义上下文。准确地说，我们提出了不同的模型进行分类的参数，其中考虑到一个参数的主题的信息。此外，为了丰富主题的上下文并让模型更好地理解潜在论点的上下文，我们整合了来自不同外部来源的信息，例如知识图谱或预训练的NLP模型。我们的评估表明，考虑主题信息，特别是与外部信息，参数挖掘任务提供了显着的性能提升。
2019-08-26 cs.CL cs.LG stat.ML
Cross-lingual Argument Mining in the Medical Domain
University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU）；HiTZ - Ixa
本文研究医学文本的跨语言论辩挖掘，提出基于数据迁移的自动标注生成策略，证明其优于模型迁移方法，并实现全自动数据增强以提升英语单语效果。
2024-07-23 cs.CL
Can Large Language Models perform Relation-based Argument Mining?
Imperial College London（帝国理工学院）
本文研究通用大型语言模型在基于关系的论证挖掘任务中的表现，发现经适当提示的Llama-2和Mistral在十个数据集上显著优于基于RoBERTa的基线。
2024-02-17 cs.AI cs.CL
Leveraging Small LLMs for Argument Mining in Education: Argument Component Identification, Classification, and Assessment
ELLIS Alicante, Spain（阿利坎特ELLIS研究所，西班牙）；Universitat d’Alacant, Spain（阿利坎特大学，西班牙）；École Polytechnique Fédérale de Lausanne, EPFL, Switzerland（洛桑联邦理工学院，瑞士）
针对教育领域论证挖掘中纯解码器模型未被充分探索的问题，提出利用开源小型LLMs通过小样本提示和微调完成论证成分分割、分类与质量评估，在相关数据集上验证了其在部分任务中优于基线的性能，凸显其教育应用潜力。
2025-11-12 cs.CL cs.HC
Multilingual Argument Mining: Datasets and Analysis
IBM Research（IBM研究院）
对论证挖掘和计算论证的兴趣日益增长，带来了大量的自然语言理解（NLU）任务和相应的数据集。然而，与许多其他NLU任务一样，主要语言是英语，其他语言的资源很少。在这项工作中，我们探索了迁移学习的潜力，使用多语言BERT模型来解决非英语语言中的参数挖掘任务，基于英语数据集和使用机器翻译。我们表明，这种方法非常适合分类的论点和检测证据的立场，但不太适合评估参数的质量，大概是因为质量更难保持翻译。此外，专注于翻译方法，我们展示了如何选择的语言翻译，以及它们之间的关系，影响结果模型的准确性。最后，为了便于评估参数挖掘任务的迁移学习，我们提供了一个人工生成的数据集，其中包含超过10k个多种语言的参数，以及英语数据集的机器翻译。
2020-10-13 cs.AI cs.CL cs.LG
Can Unsupervised Knowledge Transfer from Social Discussions Help Argument Mining?
Jadavpur University（贾达布尔大学）；Delhi Technological University（德里理工大学）；IIIT-Delhi（德里印度理工学院）
从非结构化文本中识别论元成分并预测它们之间的关系是论元挖掘的两个主要步骤。这些任务的内在复杂性需要强大的学习模型。虽然预训练的基于Transformer的语言模型（LM）已被证明可以在不同的NLP任务中提供最先进的结果，但手动注释数据的稀缺性和论证的高度领域依赖性限制了此类模型的能力。在这项工作中，我们提出了一种新的迁移学习策略来克服这些挑战。我们利用ChangeMyView subreddit中丰富的辩论社交讨论作为无监督的辩论话语感知知识的来源，通过在选择性掩蔽语言建模任务上微调预训练的LM。此外，我们引入了一种新的基于语义的组件间关系预测策略，该策略在利用话语上下文的同时补充了我们提出的微调方法。详尽的实验表明，我们的方法在域内和域外数据集上对这两个任务的泛化能力，优于几个现有的和采用的强基线。
2022-03-24 cs.CL cs.LG
Mining Arguments from Cancer Documents Using Natural Language Processing and Ontologies
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
在医学领域，科学研究的连续流包含由论点和反论点支持的相互矛盾的结果。由于医学专业知识发生在不同的层面，部分人类代理人难以面对大量的研究，也难以理解争论主题的支持者和反对者所声称的理由和证据。为了更好地理解与医学领域当前最新技术水平相关的新发现的支持论点，我们需要能够识别科学论文中论点的工具。我们的工作旨在填补上述技术空白。非常清楚这项任务的难度，我们依靠众所周知的领域知识与自然语言处理的交叉来走这条路。为了将现有的医学知识形式化，我们依赖于本体论。为了构建论证模型，我们还使用了描述逻辑的表达能力和推理能力。为了进行论证挖掘，我们在基于规则的语言中正式化了各种语言模式。我们针对与乳腺癌相关的科学论文语料库测试了我们的解决方案。运行实验表明，F-测量值在0.71和0.86之间，用于识别论点的结论，在0.65和0.86之间，用于识别论点的前提。
2016-07-27 cs.AI cs.CL
Tree-Constrained Graph Neural Networks For Argument Mining
University of Bologna（博洛尼亚大学）；University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）
我们提出了一种新的图神经网络的架构，它的灵感来自树核背后的想法，即通过考虑它们的共同子结构（称为片段）来测量树之间的相似性。通过对学习问题施加一系列正则化约束，我们利用了一种池化机制，该机制在产生嵌入的节点软分配函数中引入了片段的概念。我们提出了一个广泛的实验评估收集的句子分类任务进行了几个参数挖掘语料库，表明所提出的方法表现良好，相对于国家的最先进的技术。
2021-09-02 cs.AI cs.CL cs.LG
Transfer Learning of Lexical Semantic Families for Argumentative Discourse Units Identification
University of Lisbon（里斯本大学）
论证挖掘任务需要一个由低到高复杂性的语言现象和常识知识的知情范围。先前的工作已经表明，当与迁移学习技术一起应用并建立在不同的预训练目标上时，预训练的语言模型在编码句法和语义语言现象方面非常有效。现有的预训练语言模型在多大程度上包含了参数挖掘任务的复杂性，这仍然是一个问题。我们依靠实验来阐明如何从不同的词汇语义家族获得的语言模型杠杆的性能识别的议论语篇单位的任务。实验结果表明，迁移学习技术是有益的任务，目前的方法可能不足以利用常识知识，从不同的词汇语义家族。
2022-10-24 cs.CL
Corpus Wide Argument Mining -- a Working Solution
IBM Research AI（IBM研究院人工智能部门）
论点挖掘的主要任务之一是检索与给定主题相关的论点内容。大多数以前的工作通过检索相对少量的相关文档作为此类内容的初始源来解决这一任务。这一系列研究取得了一定的成功，但在现实世界的系统中使用有限。此外，为了使这样一个系统产生一套全面的相关论点，在广泛的主题，它需要以适当的方式利用一个大型和多样化的语料库。在这里，我们提出了第一个端到端的高精度，语料库范围内的参数挖掘系统。这是可能的，通过结合适当的索引一个非常大的语料库的报纸文章，一个迭代的注释方案的检索级查询。该方案解决了数据中固有的标签偏差，并精确定位了样本空间中需要手动标记以在排名靠前的候选者中获得高精度的区域。
2019-11-25 cs.AI cs.CL cs.IR
Multi-Task Attentive Residual Networks for Argument Mining
University of Bologna（博洛尼亚大学）；University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）
本文提出一种结合注意力、多任务学习和集成的残差网络用于论辩挖掘，在五类语料上以更小模型规模取得与专用或高开销架构相当的竞争力。
2023-05-25 cs.AI cs.CL cs.LG
Exploration of Marker-Based Approaches in Argument Mining through Augmented Natural Language
Applied Machine Learning (AMaL) Lab（应用机器学习（AMaL）实验室）；Department of Computer Science and Engineering（计算机科学与工程系）；Indian Institute of Technology (IIT), Guwahati, India（印度理工学院（IIT）果阿分校，印度）
本文提出基于生成范式的端到端论证挖掘框架 argTANL，利用增强自然语言联合抽取论证成分与关系，并通过论证和语篇标记增强模型，在三个基准上验证 ME-argTANL 的优势。
2025-10-18 cs.AI cs.CL
Argument Mining Driven Analysis of Peer-Reviews
Database Systems and Data Mining, LMU Munich（慕尼黑大学数据库系统与数据研究所）；LMU Munich（慕尼黑大学）
同行评审是现代研究的核心过程，对于确保已发表作品的高质量和可靠性至关重要。与此同时，这是一个耗时的过程，对新兴领域的兴趣日益增加，往往会导致很高的审查工作量，特别是对这一领域的高级研究人员来说。如何应对这一问题是一个悬而未决的问题，在所有主要会议上都进行了生动的讨论。在这项工作中，我们提出了一种基于参数挖掘的方法，以帮助编辑，元评审员和评审员。我们证明了科学出版物领域的决策过程是由参数驱动的，自动参数识别在各种用例中都是有帮助的。我们的一个发现是，同行评审过程中使用的参数与其他领域的参数不同，这使得预训练模型的转移变得困难。因此，我们为社区提供了一个新的同行评审数据集，来自不同的计算机科学会议，并附有注释。在我们广泛的实证评估，我们表明，论证挖掘可以用来有效地提取最相关的部分，从评论，这是至关重要的出版决策。这个过程仍然是可解释的，因为提取的论点可以在评论中突出显示，而不会将它们与上下文分离。
2020-12-10 cs.AI cs.CL cs.CY
End-to-End Argument Mining through Autoregressive Argumentative Structure Prediction
Applied Machine Learning (AMaL) Lab（应用机器学习（AMaL）实验室）；Department of Computer Science and Engineering, Indian Institute of Technology (IIT), Guwahati, India（计算机科学与工程系，印度理工学院（IIT），古瓦哈蒂，印度）；North Eastern Regional Institute of Science and Technology (NERIST), Arunachal Pradesh, India（北东部科学与技术研究所（NERIST），阿鲁纳恰尔邦，印度）
提出 AASP 自回归框架，以条件预训练语言模型和受约束动作逐步生成论证结构，端到端联合完成论证挖掘，并在三个标准基准上验证其 SoTA 性能。
2025-10-18 cs.AI cs.CL
OpenDebateEvidence: A Massive-Scale Argument Mining and Summarization Dataset
Howard Community College（霍华德社区学院）；UC Berkeley（加州大学伯克利分校）；University of New South Wales（新南威尔士大学）；Stanford University（斯坦福大学）；Oracle Corporation（甲骨文公司）；University of Texas（德克萨斯大学）；New York University（纽约大学）
该研究推出源自美国竞技辩论界的大规模OpenDebateEvidence数据集，经实验验证微调大语言模型可实现论证性抽象摘要，旨在推进计算论证并公开数据集供研究使用。
2026-08-04 cs.AI cs.CL cs.LG
Joint RNN Model for Argument Component Boundary Detection
Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）
论证成分边界检测（ACBD）是论证挖掘中的一个重要子任务，其目的是识别构成论证成分的词序列，通常被认为是论证挖掘管道中的第一个子任务。现有的ACBD方法严重依赖于特定于任务的知识，并需要相当大的人力资源的特征工程。为了解决这些问题，在这项工作中，我们将ACBD制定为序列标记问题，并提出了各种基于递归神经网络（RNN）的方法，这些方法不使用超出文档中句子相对位置的特定领域或手工特征。特别是，我们提出了一种新的联合RNN模型，可以预测句子是否是论证性的，并使用预测结果来更精确地检测论点组件边界。我们在来自两种不同流派的两个语料库上评估了我们的技术;结果表明，我们的联合RNN模型在两个数据集上都获得了最先进的性能。
2017-05-05 cs.CL
WIBA: What Is Being Argued? A Comprehensive Approach to Argument Mining
UC Riverside（加州大学河滨分校）；Ohio State University（俄亥俄州立大学）
WIBA 提出一个综合框架，通过大型语言模型微调与提示工程，联合检测论证的存在性、主题和立场，并在多个基准数据集上验证了其有效性。
2024-05-01 cs.CL
