An Annotation Scheme of A Large-scale Multi-party Dialogues Dataset for Discourse Parsing and Machine Comprehension
Harbin Institute of Technology（哈尔滨工业大学）
在本文中，我们提出了大规模的多方聊天对话的话语分析和机器理解的注释方案。这个项目的主要目标是帮助理解多方对话。我们的数据集基于Ubuntu Chat语料库。对于每一个多方对话，我们注释了对话的话语结构和问答对。我们知道，这是第一个大规模的多方对话语篇分析语料库，我们首次提出了多方对话机器阅读理解的任务。
2019-11-08 cs.CL
From Sentiment Annotations to Sentiment Prediction through Discourse Augmentation
University of British Columbia（不列颠哥伦比亚大学）
情感分析，特别是对于长文档，必然需要捕获复杂语言学结构的方法。为了适应这一点，我们提出了一个新的框架，利用任务相关的话语的情感分析的任务。更具体地说，我们将大规模的情感依赖MEGA-DT树库与基于混合TreeLSTM分层注意力模型的新型情感预测神经架构相结合。实验表明，我们的框架使用情感相关的话语增强进行情感预测，提高了长文档的整体性能，甚至超过了以前使用基于人类注释数据训练的成熟话语解析器的方法。我们表明，一个简单的集成方法可以通过选择性地使用话语，根据文件的长度，进一步提高性能。
2020-11-05 cs.CL
The distribution of discourse relations within and across turns in spontaneous conversation
Department of Linguistics University at Buffalo（语言学系布法罗大学）
本研究探讨了自发对话中不同及跨轮次的语篇关系分布，通过众包标注发现不同语境下语篇关系的分布差异，并验证了语篇关系标注的预测能力。
2023-07-07 cs.CL
Towards Unification of Discourse Annotation Frameworks
School of Computer Science（计算机学院）；University of St Andrews（圣安德鲁斯大学）
语篇信息是难以表征和注释的。在语篇信息标注的主要框架中，语义标注、PDTB和SDRT被广泛讨论和使用，各有其理论基础和侧重点。在不同框架下注释的语料库差别很大。为了更好地利用现有的语篇语料库，实现不同框架之间的协同，有必要研究不同框架之间的系统关系，并设计统一框架的方法。虽然框架统一问题是一个长期的讨论话题，但目前还没有一个全面的方法来考虑统一的话语结构和话语关系，并对统一的框架进行内在和外在的评价。我们计划使用自动化的手段来完成统一任务，并使用结构复杂性和下游任务来评估结果。我们还将探索统一框架在多任务学习和图形模型中的应用。
2022-04-16 cs.CL
Design Choices for Crowdsourcing Implicit Discourse Relations: Revealing the Biases Introduced by Task Design
Bar Ilan University（巴伊兰大学）；Saarland University（萨尔大学）；Utrecht University（乌得勒支大学）
提出分析众包标注中的任务设计偏差，通过比较两种自然语言标注任务在1,200个隐式话语关系上的标注结果，发现任务设计会显著影响标注者倾向，建议在模型训练和测试时考虑该偏差。
2023-04-03 cs.CL
On Crowdsourcing Task Design for Discourse Relation Annotation
Saarland University（萨尔大学）
本研究比较了自由选择与强制选择两种众包标注方法，发现自由选择虽灵活但标注多样性低，并揭示了任务设计与标注者能力间的相互作用。
2024-12-16 cs.CL
Automatic Mapping of French Discourse Connectives to PDTB Discourse Relations
Concordia University（康考迪亚大学）
在本文中，我们提出了一种方法，利用统计机器翻译生成的短语表，以映射法语语篇连接语篇关系。使用这种方法，我们创建了ConcoLeDisCo，法语话语连接词及其PDTB关系的词典。当针对LEXCONN进行评估时，ConcoLeDisCo对于让步和条件关系实现了0.81的召回率和0.68的平均精度。
2017-06-29 cs.CL
Automatic Disambiguation of French Discourse Connectives
Concordia University（康考迪亚大学）
话语连接词（例如，然而，因为）是可以明确表达语篇中的话语关系的术语。虽然话语联系语已被证明是自动识别话语关系的有效线索，但它们并不总是用来表达这种关系，因此首先应该在话语用法和非话语用法之间消除歧义。在本文中，我们调查的适用性提出的功能，英语话语连接词的法语消歧。我们的研究结果与法语话语树库（FDTB）表明，英语文本的句法和词汇功能开发的法语是有效的，并允许与94.2%的准确率的法语话语连接词的消歧。
2017-04-18 cs.CL
A Bilingual Parallel Corpus with Discourse Annotations
ETH Zürich（苏黎世联邦理工学院）；Microsoft Research Asia（微软亚洲研究院）
机器翻译（MT）几乎已经实现了人类翻译水平的平等。作为回应，机器翻译界部分地将其重点转移到了文档级翻译上。然而，文档级机器翻译系统的开发受到缺乏平行文档语料库的阻碍。本文介绍了BWB，一个大型并行语料库首次在Jiang et al.（2022）中引入，以及一个注释的测试集。BWB语料库由专家翻译成英文的中文小说组成，标注测试集旨在探索机器翻译系统对各种语篇现象建模的能力。我们的资源是免费提供的，我们希望它能为文档级机器翻译的更多工作提供指导和灵感。
2022-10-26 cs.CL
SciDTB: Discourse Dependency TreeBank for Scientific Abstracts
Key Laboratory of Computational Linguistics, Peking University, MOE, China（北京大学计算语言学重点实验室（教育部））
语篇关系标注语料库有利于机器翻译和问答等自然语言处理任务的实现。在本文中，我们提出了SciDTB，一个特定领域的话语树库标注的科学文章。与广泛使用的RST-DT和PDTB不同，SciDTB使用依存树来表示语篇结构，具有一定的灵活性和简化性，但不会牺牲结构的完整性。我们讨论了标签框架，注释工作流程和一些关于SciDTB的统计数据。此外，我们的树库是作为一个基准评估话语依赖分析器，我们提供了几个基线作为基础工作。
2018-06-10 cs.CL
Understanding and Analyzing Inappropriately Targeting Language in Online Discourse: A Comparative Annotation Study
本文通过整合众包、专家与ChatGPT标注，比较分析在线对话中的不当针对性语言，揭示语境关键作用并发现新类别，为改进内容审核提供见解。
2025-05-22 cs.CL
From Words to Wisdom: Discourse Annotation and Baseline Models for Student Dialogue Understanding
Department of Electrical and Computer Engineering, Tufts University（电气与计算机工程系，塔夫茨大学）；Department of Computer Science and Information Technology, Patuakhali Science and Technology University（计算机科学与信息技术系，帕图阿哈利科学与技术大学）；Department of Electrical and Computer Engineering, Computer Science and Biomedical Engineering, Tufts University（电气与计算机工程系，计算机科学与生物医学工程系，塔夫茨大学）；Department of Mechanical Engineering and Education, Tufts University（机械工程与教育系，塔夫茨大学）
本文提出一个标注的教育对话数据集和基于预训练模型的基线模型，用于自动检测学生对话中的语篇特征，发现现有模型在该任务上表现欠佳，提示未来研究方向。
2025-11-25 cs.CL
Incorporating Annotator Uncertainty into Representations of Discourse Relations
University at Buffalo（布法罗大学）
针对口语会话中新手标注话语关系的不确定性，本文提出融合置信度与对话上下文的共现分布式表示，并通过层次聚类验证其能有效建模标签不确定性。
2023-08-14 cs.CL
The FRENK Datasets of Socially Unacceptable Discourse in Slovene and English
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；University of Ljubljana（卢布尔雅那大学）
在本文中，我们提出了数据集的Facebook评论线程主流媒体的帖子在斯洛文尼亚和英语开发的斯洛文尼亚国家项目FRENK内，其中包括两个主题，移民和LGBT，并手动注释为不同类型的社会不可接受的话语（SUD）。与现有数据集相比，这些数据集的主要优点是相同的采样程序，产生跨语言的可比数据和注释模式，该模式考虑到六种类型的SUD和SUD针对的五个目标。我们描述了采样和注释过程，并分析了注释分布和注释者之间的协议。我们认为这个数据集是理解和对抗两种语言SUD的重要里程碑。
2019-06-13 cs.CL
Automatic Prediction of Discourse Connectives
Google（谷歌）
准确预测合适的话语联系语（然而，此外，等等）是任何旨在从较短的句子和段落中构建连贯流畅的话语的系统的关键组成部分。例如，一个对话系统可能会通过从Web上检索的不同文档中提取的段落进行采样，从而组合出一个长而信息丰富的答案。我们制定了话语连接词预测的任务，并发布了一个由话语连接词分隔的2.9M句子对的数据集。然后，我们评估了人类评分员的任务难度，将最近提出的可分解注意力（DA）模型应用于该任务，并观察到自动预测器具有比人类评分员更高的F1（32 vs. 30）。尽管如此，在特定条件下，评分者仍然优于DA模型，这表明未来还有改进的空间。
2018-02-01 cs.CL
Automatic Construction of Discourse Corpora for Dialogue Translation
Dublin City University（都柏林城市大学）；Huawei Technologies（华为技术）
提出了一种面向对话机器翻译的平行语篇语料库自动构建方法。首先，从互联网上抓取并收集平行字幕数据和对应的单语电影剧本数据。然后通过信息检索方法将脚本数据中的说话人和话语边界等标签映射到字幕数据中，从而将单语话语映射为双语文本。我们不仅评估映射结果，而且将说话人信息整合到翻译中。实验结果表明，该方法在说话人和对话边界标注上的准确率分别达到81.79%和98.64%，基于说话人的语言模型自适应可以使翻译质量提高约0.5个BLEU点。最后，我们公开发布了大约10万个带有人工说话人和对话边界标注的并行话语数据。
2016-05-22 cs.CL
Modeling Topics and Sociolinguistic Variation in Code-Switched Discourse: Insights from Spanish-English and Spanish-Guaraní
本研究利用大型语言模型构建标注流程，分析西班牙-英语和西班牙-瓜拉尼语混合话语中的主题与社会语言学变异，揭示性别、语言主导地位与话语功能的关系，并扩展了双语现象的定量证据。
2025-12-03 cs.CL
Unlocking Structure Measuring: Introducing PDD, an Automatic Metric for Positional Discourse Coherence
University of Cambridge（剑桥大学）；Monash University（莫纳什大学）
针对现有指标难以衡量长文本语篇连贯性的问题，本文提出自动指标 PDD 来量化两篇文章的语篇分歧，并在三个领域数据集上验证其更贴合人类与 GPT-4 评价。
2024-04-02 cs.CL
Extending Automatic Discourse Segmentation for Texts in Spanish to Catalan
Universidad Nacional de Educación a Distancia (UNED)（国家远程教育大学（UNED））；Université d’Avignon et des Pays de Vaucluse（阿维尼翁及沃克吕兹大学）；Ecole Polytechnique de Montréal（蒙特利尔高等理工学院）；Universitat de Barcelona（巴塞罗那大学）
语篇自动分析是目前自然语言处理领域的一个相关研究课题。然而，话语是最难处理的现象之一。虽然已经为几种语言开发了话语分析器，但加泰罗尼亚语还没有这种工具。为了实现这种分析器，第一步是开发一个语篇切分器。在这篇文章中，我们提出了加泰罗尼亚语文本的第一个话语分段器。该切分器基于西班牙语的修辞结构理论（Rhetorical Structure Theory，简称RST），并使用词汇和句法信息将对西班牙语有效的规则翻译成加泰罗尼亚语的规则。我们已经评估了系统使用的黄金标准语料库，包括手动分割的文本和结果是有希望的。
2017-03-11 cs.CL
Automatic Identification of AltLexes using Monolingual Parallel Corpora
Concordia University（康考迪亚大学）
语篇关系的自动识别仍然是自然语言处理中一个具有挑战性的课题。话语连接词，例如“since”或“but”，是识别显式关系的最具信息性的线索;然而，话语分析器通常使用此类连接词的封闭库存。因此，这些库存（即AltLexes）以外的标记所表示的话语关系不能有效地检测。在本文中，我们提出了一种新的方法，利用平行语料库的文本简化和词汇资源，自动识别替代词汇化的信号话语关系。当应用于Simple Wikipedia和Newsela语料库以及WordNet和PPDB时，该方法允许自动发现91个AltLexes。
2017-08-11 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
AraHopeCorpus: Annotation Guidelines and Dataset for Hope Speech in Arabic Social Media Crisis Discourse
Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Northwestern University in Qatar（卡塔尔西北大学）
本文介绍首个阿拉伯语希望言语数据集AraHopeCorpus，基于2023-2024年加沙战争相关YouTube评论，通过详细标注框架分类为希望言语、无希望言语和中性/模糊话语，发现希望言语占主导（64%以上），并分析了标注挑战与大型语言模型的局限性。
2026-05-22 cs.CL
A Resource for Enthymeme Detection in Controversial Political Discourse
Centre for Language Studies, Radboud University Nijmegen（奈梅亨大学语言研究中心）
提出一个标注了省略推理及其结构的推文资源，基于Walton论证方案设计指南，通过复杂性分析揭示标注不一致来源，实验表明利用标注者分歧训练的模型优于多数投票标签。
2026-09-10 cs.CL
Analysis of Automatic Annotation Suggestions for Hard Discourse-Level Tasks in Expert Domains
Technische Universität Darmstadt（达姆施塔特工业大学）
许多复杂的话语级任务可以帮助领域专家的工作，但需要昂贵的专家注释来创建数据。为了加快和简化注释，我们调查了自动生成的注释建议，这样的任务的可行性。作为一个例子，我们选择了一个对人类和机器都特别困难的任务：诊断推理文本中的认知活动的分割和分类。我们创建并发布了一个涵盖两个领域的新数据集，并仔细分析了建议的注释。我们发现，建议有积极的影响，注释速度和性能，而不引入值得注意的偏见。设想建议模型，提高与新注释的文本，我们对比的方法，连续模型调整，并建议在未来的专家任务的建议最有效的设置。
2019-06-06 cs.AI cs.CL
How Good is Automatic Segmentation as a Multimodal Discourse Annotation Aid?
Colorado State University（科罗拉多州立大学）
本文通过对比金标准转写与Google及OpenAI Whisper自动分割话语的标注结果，揭示自动分割与人工转写对应性差且不同方法间不一致，指出自动分割话语标注需要额外信息并影响标注可复现性，为未来标注规范设计提供依据。
2023-05-27 cs.CL
Automatic Discourse Segmentation: an evaluation in French
Thales DIS (Digital Identity and Security)（泰雷兹数字身份与安全公司）；CONACyT – CentroGeo（墨西哥国家科学技术委员会-地理信息学研究中心）；Universidade Fédérale do Ceará（塞阿拉联邦大学）；Polytechnique Montréal（蒙特利尔综合理工学院）
在这篇文章中，我们描述了一些话语分割方法以及分割质量的初步评估。虽然我们的实验进行了文件在法国，我们已经开发了三个话语分割模型的基础上，同时在几种语言的资源：标记列表和统计POS标签。我们还进行了自动评估这些系统对Annodis语料库，这是一个手动注释的参考。所取得的成果非常令人鼓舞。
2020-06-11 cs.CL
AgoraSpeech: A multi-annotated comprehensive dataset of political discourse through the lens of humans and AI
Aristotle University of Thessaloniki（亚里士多德塞萨洛尼基大学）；incubator for Media Education and Development (iMEdD)（媒体教育与发展孵化器（iMEdD））
针对高质量标注政治话语数据集稀缺的问题，本文提出收录2023年希腊选举六政党171篇演讲的AgoraSpeech数据集，采用ChatGPT生成加人在环验证的两步标注覆盖六项NLP任务，可用于多领域研究与模型基准测试、微调。
2025-01-09 cs.CL
Prompting Implicit Discourse Relation Annotation
Saarland University（萨尔大学）；Utrecht University（乌得勒支大学）
本研究探讨多种提示技术以提升ChatGPT在隐式话语关系分类中的表现，但实验显示即使分解任务和复杂提示，准确率仍无显著提升，表明该任务在零样本或少样本下尚难解决。
2024-02-07 cs.AI cs.CL
Discourse-Aware Semantic Self-Attention for Narrative Reading Comprehension
Heidelberg University（海德堡大学）
在这项工作中，我们建议使用语言注释作为基础的\textit{Discourse-Aware Semantic Self-Attention}编码器，我们采用阅读理解长叙事文本。我们提取的话语单位，事件和他们的论点之间的关系，以及共指提及，使用现有的注释工具。我们的实证评估表明，调查结构提高了整体性能，特别是内部和跨部门的话语关系，内部语义角色关系，和长距离共指关系。我们发现，将自我注意力集中在内部关系和连接相邻句子的关系上，有利于在较长的上下文中找到问题的答案。我们的研究结果鼓励使用语篇语义标注来增强自我注意模型对阅读理解的泛化能力。
2019-08-28 cs.CL cs.LG
Discourse Relations Classification and Cross-Framework Discourse Relation Classification Through the Lens of Cognitive Dimensions: An Empirical Investigation
University of St Andrews（圣安德鲁斯大学）
本文实证研究基于Sanders等人提出的认知维度，证明其可有效刻画话语关系，并实现PDTB与RST框架间的知识迁移，同时分析了不同维度对不同关系类型的影响。
2023-11-01 cs.CL
Discourse Centric Evaluation of Machine Translation with a Densely Annotated Parallel Corpus
ETH Zürich（苏黎世联邦理工学院）；Microsoft Research Asia（微软亚洲研究院）
本文提出了基于BWB构建的带有丰富语篇标注的新数据集，通过实体、术语、共指和引用四个方面系统评估文档级机器翻译，发现MT输出与人类翻译在潜在语篇结构上存在根本差异。
2023-05-18 cs.CL
Automatic Discourse Segmentation: Review and Perspectives
Laboratoire Informatique d’Avignon, UAPV（阿维尼翁信息学实验室（UAPV））；Institut Universitari de Lingüística Aplicada, UPF（庞培法布拉大学应用语言学大学院（UPF））；Djibouti Institute of Science and Information Technologies – CERD（吉布提科学与信息技术研究所 – CERD）
多语言篇章分析是一个非常突出的研究课题。语篇分析的第一个阶段是语篇切分。在这篇文章中报告的研究地址的两个在线可用的话语段（英语和葡萄牙语）的审查。我们评估了为西班牙语、法语和非洲语言开发类似话语分段器的可能性。
2020-05-01 cs.CL cs.IR
Claim Extraction in Biomedical Publications using Deep Discourse Model and Transfer Learning
University of Pennsylvania（宾夕法尼亚大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Syracuse University（雪城大学）
主张是科学论述的基本单位。科学出版物数量的指数增长使得自动索赔提取成为研究人员的一个重要问题，他们被这种信息过载所淹没。这种自动化的索赔提取系统对于人工和程序化探索科学知识都是有用的。在本文中，我们介绍了一个新的数据集，其中包含来自生物医学领域的1,500篇科学摘要，每个句子都有专家注释，表明该句子是否提出了科学主张。我们介绍了一种新的索赔提取模型，并将其与几种基线模型进行了比较，包括基于规则的技术和深度学习技术。此外，我们表明，使用带有微调步骤的迁移学习方法可以提高大型话语注释数据集的性能。与没有迁移学习的基线模型相比，我们的最终模型将F1分数提高了14个百分点以上。我们发布了一个可公开访问的工具，用于话语和索赔预测以及注释工具。我们讨论了生物医学文献之外的进一步应用。
2020-01-16 cs.CL
Automate or Assist? The Role of Computational Models in Identifying Gendered Discourse in US Capital Trial Transcripts
Cornell University（康奈尔大学）
本研究探讨了计算模型在识别美国女性被告死刑审判中性别偏见语言的作用，通过三阶段对比实验发现，计算模型的最大价值不在于自动化替代专家，而在于辅助专家反思标注偏见并达成共识。
2024-07-27 cs.CL
Discourse Analysis via Questions and Answers: Parsing Dependency Structures of Questions Under Discussion
University of Colorado Boulder（科罗拉多大学博尔德分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本研究采用讨论中的问题框架，开发首个QUD解析器，利用众包数据集自动推导文档中问题的依存结构，验证其可行性并展示在文档简化中的价值。
2023-05-12 cs.CL
Not Worth Mentioning? A Pilot Study on Salient Proposition Annotation
Department of Linguistics Georgetown University（语言学系 圾顿大学）
本文提出基于分级摘要的显著性度量，用于量化命题显著性，并在多文体数据集上进行标注和评估，探讨其与话语单元中心性之间的关系。
2026-05-11 cs.CL
The Moralization Corpus: Frame-Based Annotation and Analysis of Moralizing Speech Acts across Diverse Text Genres
Department of German Linguistics, Heidelberg University（海德堡大学德语语言学系）；Department of Computational Linguistics, Heidelberg University（海德堡大学计算语言学系）
本文提出道德化语料库，用于分析道德价值观在论证话语中的策略使用，评估大型语言模型在道德化检测与成分提取中的表现，并揭示其高度主观性和情境敏感性。
2026-03-18 cs.CL
Annotate Rhetorical Relations with INCEpTION: A Comparison with Automatic Approaches
Ruhr University Bochum（波鸿鲁尔大学）
本研究以板球新闻为对象，用INCEpTION开展修辞关系人工标注，对比BERT、DistilBERT等自动方法的分类性能，发现DistilBERT准确率最高，为语篇解析与Transformer类NLP的交叉研究提供参考。
2025-10-04 cs.CL
SciTweets -- A Dataset and Annotation Framework for Detecting Scientific Online Discourse
LIRMM；CNRS（法国国家科学研究中心）；University of Montpellier（蒙彼利埃大学）；GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究所）；Heinrich-Heine-University（海因里希·海涅大学）
科学话题、主张和资源作为在线话语的一部分越来越多地受到争议，其中突出的例子包括与COVID-19或气候变化相关的话语。这导致了重大的社会影响，并增加了人们对来自不同学科的科学在线话语的兴趣。例如，传播研究旨在更深入地了解科学信息的偏见，质量或传播模式，而计算方法已被提出使用NLP和IR技术来提取，分类或验证科学主张。然而，跨学科的研究目前既缺乏对各种形式的科学相关性的强有力的定义，也缺乏区分它们的适当的基础事实数据。在这项工作中，我们贡献了（a）一个注释框架和相应的定义，用于不同形式的科学相关性的在线话语的推文，（b）一个专家注释的数据集的1261推文通过我们的标签框架达到平均Fleiss Kappa $κ$为0.63，（c）一个多标签分类器，在我们的数据上训练，能够检测89%F1的科学相关性，也能够检测不同形式的科学知识（声明，参考文献）。通过这项工作，我们的目标是为开发和评估作为大规模在线话语一部分的科学分析方法奠定基础。
2022-07-06 cs.CL cs.CY cs.SI
Persian Rhetorical Structure Theory
University of Tehran（德黑兰大学）
在过去的几年里，人们对语篇分析和语篇句法分析的兴趣稳步增长，许多语篇注释语料库和语篇句法分析器已经建立起来。在本文中，我们提出了一个话语注释语料库的波斯语内置的修辞结构理论的框架，以及建立在DPLP解析器，一个开源的话语解析器的话语解析器。我们的语料库由150个新闻文本组成，每个文本平均约400个单词。语料库文本标注使用18个语篇关系，并根据英语语料库的注释准则。我们的文本级话语解析器使用黄金分割进行训练，并建立在DPLP话语解析器的基础上，DPLP话语解析器使用基于大边距过渡的方法来解决话语解析问题。在F1测度上，我们的语篇分析器在广度（S）、核度（N）和关系（R）检测上的性能分别为78%、64%和44%。
2021-06-25 cs.CL
Bilingual Rhetorical Structure Parsing with Large Parallel Annotations
FRC CSC RAS（俄罗斯科学院联邦研究中心计算机科学中心）；ISP RAS（俄罗斯科学院信息学问题研究所）
针对跨语言篇章解析中平行数据有限及RST应用不一致的问题，该研究为英文GUM RST语料库引入平行俄文标注，提出端到端RST解析器，在英俄语料库上取得最先进结果，并首次评估了跨语言端到端RST解析的潜力。
2024-09-23 cs.CL
Introducing corpora Hlava Cor and Hlava AD: Human Label Variation in Coreference and Discourse Relations
Charles University, Faculty of Mathematics and Physics, Institute of Formal and Applied Linguistics（查理大学数学物理学院形式与应用语言学研究所）
为探究文本连贯性理解中的个体差异，构建了两个多标注捷克语语料库，分别针对共指识别和话语关系标注，并收集标注者的解释，发现标注一致性约60-65%，且自动模型分歧处人类标注更困难。
2026-06-25 cs.CL
Assessing the potential of LLM-assisted annotation for corpus-based pragmatics and discourse analysis: The case of apology
Beijing Foreign Studies University（北京外国语大学）；Sichuan International Studies University（四川外国语大学）；University of Birmingham（伯明翰大学）
针对语用话语特征人工标注效率低的问题，本研究探索LLM辅助语料库标注的潜力，对比发现GPT-4标注道歉成分的准确率接近人工，可提升标注效率与可扩展性。
2024-12-09 cs.AI cs.CL
NepPlural: A Human-Anchored Benchmark for Persona Annotation in Nepali Migration Discourse
Institute for Research and Innovation in Intelligent Systems (IRIIS)（智能系统研究与创新研究所）；Independent Researcher（独立研究者）
本文提出NepPlural基准，针对尼泊尔移民话语角色注释，发现LLM注释可靠性受协议影响，允许弃权可提升无角色评论识别效果，前沿模型角色构成能力有限且未发现文化一致性差距。
2026-10-14 cs.CL
Unsupervised Mutual Learning of Discourse Parsing and Topic Segmentation in Dialogue
针对对话中话语解析与主题分割的监督标注昂贵及无监督方法忽视二者交互的问题，提出统一表示与两个语言学假设，构建无监督互学习框架UMLF，联合建模修辞与主题结构，在多个数据集上超越强基线并有效提升大语言模型的话语结构建模。
2025-02-24 cs.CL
DISCOS: Bridging the Gap between Discourse Knowledge and Commonsense Knowledge
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
常识知识对于人工智能系统理解自然语言至关重要。以前的常识性知识获取方法通常依赖于人工注释（例如，ATOMIC）或文本生成模型（例如，COMET）。人工标注可以提供高质量的常识性知识，但人工标注成本高，往往导致标注规模小、覆盖率低。另一方面，生成模型具有自动生成更多知识的潜力。尽管如此，机器学习模型通常很好地拟合训练数据，因此很难生成高质量的新知识。为了解决以前的方法的局限性，在本文中，我们提出了一种替代的常识知识获取框架DISCOS（从DIScourse到COmmonSense），它自动填充昂贵的复杂常识知识，以更实惠的语言知识资源。实验表明，我们可以成功地从ASER，一个大规模的话语知识图谱的可能性的话语知识转换为原子定义的if-then常识知识，没有任何额外的注释工作。进一步的研究表明，DISCOS显着优于以前的监督方法的新颖性和多样性与可比的质量。通过在ASER的核心部分填充ATOMIC，我们总共可以获得3.4M类ATOMIC推理常识知识。代码和数据可在https://github.com/HKUST-KnowComp/DISCOS-commonsense上获得。
2021-02-18 cs.AI cs.CL
MEGA RST Discourse Treebanks with Structure and Nuclearity from Scalable Distant Sentiment Supervision
University of British Columbia（不列颠哥伦比亚大学）
缺乏大型和多样化的话语树库阻碍了数据驱动方法（如深度学习）在RST风格话语分析中的应用。在这项工作中，我们提出了一种新的可扩展的方法来自动生成话语树库，使用远程监督从情感标注的数据集，创建和发布MEGA-DT，一个新的大规模的话语标注语料库。我们的方法生成的话语树，将结构和核的文件的任意长度依赖于一个有效的启发式波束搜索策略，扩展了随机组件。在多个数据集上的实验表明，与在人类注释的话语语料库上训练的解析器相比，在我们的MEGA-DT树库上训练的话语解析器提供了有希望的域间性能增益。
2020-11-05 cs.CL
Molweni: A Challenge Multiparty Dialogues-based Machine Reading Comprehension Dataset with Discourse Structure
Harbin Institute of Technology（哈尔滨工业大学）；National University of Singapore（新加坡国立大学）；Peng Cheng Laboratory（鹏城实验室）
近年来，对多党对话领域的研究有了相当大的增长。我们提出了Molweni数据集，一个机器阅读理解（MRC）数据集的话语结构建立在多方对话。Molweni的源代码样本来自Ubuntu聊天语料库，包括10，000个对话框，包含88，303个话语。我们在这个语料库上标注了30，066个问题，包括可回答和不可回答的问题。Molweni还在修改的分段话语表示理论（SDRT; Asher et al.，2016）风格，贡献了大规模（78，245注释话语关系）数据来承担多方对话话语解析的任务。我们的实验表明，Molweni对于当前MRC模型来说是一个具有挑战性的数据集：BERT-wwm，一个当前强大的SQuAD 2.0性能，在Molweni的问题上只实现了67.7%的F1，与其SQuAD 2.0性能相比，显著下降了20%以上。
2020-11-07 cs.CL
Zero-shot transfer for implicit discourse relation classification
Stockholm University（斯德哥尔摩大学）
对语篇中句子之间的关系进行自动分类是一项具有挑战性的任务，特别是在没有明显表达关系的情况下。由于带注释的训练数据仅存在于少数语言（例如英语和中文）的事实，这变得更具挑战性。我们提出了一个新的系统，使用zero-shot迁移学习隐式话语关系分类，其中唯一的资源用于目标语言是未注释的平行文本。该系统的话语注释TED-MDB并行语料库上进行了评估，在那里它获得了良好的效果，所有七种语言使用英语训练数据。
2019-07-30 cs.CL
eRST: A Signaled Graph Theory of Discourse Relations and Organization
Georgetown University（乔治城大学）；LMU Munich（慕尼黑大学）；Åbo Akademi University（奥博 Akademi 大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
提出增强修辞结构理论（eRST）框架，通过引入非投射和并发关系及显隐式信号克服现有话语分析框架缺陷，并构建超20万词元标注语料库与工具支持自动解析及应用。
2024-08-28 cs.CL
QADiscourse -- Discourse Relations as QA Pairs: Representation, Crowdsourcing and Baselines
Bar Ilan University（巴伊兰大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
话语关系描述了两个命题如何相互关联，自动识别它们是自然语言理解的一个组成部分。然而，注释话语关系通常需要专业的注释者。最近，句子的不同语义方面已经通过问答（QA）对来表示和众包。本文提出了一种新的话语关系表示QA对，这反过来又使我们能够众包广泛的数据注释话语关系，通过一个直观的吸引力的界面组成这样的问题和答案。基于我们提出的表示，我们收集了一个新的和广泛覆盖的QADiscourse数据集，并提出了基线算法预测QADiscourse关系。
2020-10-06 cs.CL
Between welcome culture and border fence. A dataset on the European refugee crisis in German newspaper reports
University of Bremen（不来梅大学）；University of Stuttgart（斯图加特大学）
报纸报道提供了关于特定政策领域公开辩论的丰富信息来源，可以作为政治学研究的基础。这类辩论往往是由引起公众注意并激起政治行为者反应的关键事件引发的：危机引发辩论。然而，由于可靠的注释和建模的挑战，具有高质量注释的大规模数据集很少。本文介绍了DebateNet2.0，它追溯了2015年德国质量报纸taz上关于欧洲难民危机的政治话语。我们的注释的核心单位是政治主张（要求在政策领域内采取具体行动）和提出这些主张的行动者（政治家、政党等）。本文的贡献是双重的。首先，我们记录并发布DebateNet2.0及其配套的R软件包martyR，引导读者了解与报纸政策辩论注释相关的实际和概念问题。其次，我们概述并应用话语网络分析（DNA）DebateNet2.0，比较两个关键时刻的政策辩论的“难民危机”：移民流量通过地中海在4月/5月和一个沿巴尔干路线在9月/10月。除了发布的资源和案例研究，我们的贡献也是方法论的：我们通过从报纸文章到话语网络的步骤与读者交谈，证明德国移民辩论不仅仅是一个话语网络，而是多个话语网络，这取决于感兴趣的主题（政治演员，政策领域，时间跨度）。
2021-11-19 cs.CL
Studying Socially Unacceptable Discourse Classification (SUD) through different eyes: "Are we on the same page ?"
ENSEA Engineering School（ENSEA工程学院）
本文构建了一个多来源人工标注的SUD语料库，通过跨语境测试分类器泛化能力，分析不同标注方式对SUD学习的影响，并为领域专家提供数据洞察。
2023-08-08 cs.CL cs.LG
Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents
Tufts University（塔夫茨大学）
本研究用扩展7点ICAP框架测量协作对话认知投入度，对比人类标注、ICL及反思型LLM智能体，发现人类标注信度更高，智能体方法具潜力，需强化人类标注与LLM方法的交互。
2026-08-03 cs.CL cs.CY cs.HC
