Prove Your Point!: Bringing Proof-Enhancement Principles to Argumentative Essay Generation
Harbin Institute of Technology(哈尔滨工业大学)
针对当前议论文生成方法逻辑混乱、难以有效论证的问题,本文提出两阶段框架PESA,通过大模型构建逻辑信息伪标签、结合证明原理的树规划保障逻辑一致性,生成的文章逻辑有效性和说服力优于强基线模型。
2024-10-30 cs.AI cs.CL
ARGUS: Seeing the Influence of Narrative Features on Persuasion in Argumentative Texts
University of Groningen(格罗宁根大学)
ARGUS通过分析叙事特征对说服力的影响,探索在线论证中叙事作用的机制
2026-02-27 cs.AI cs.CL
WrAFT: a Modularized Automated Writing Evaluation System for Argumentative Essays
Department of Informatics, King’s College London(伦敦国王学院信息学系);Waseda University(早稻田大学);Beijing University of Posts and Telecommunications(北京邮电大学);University of Sheffield(谢菲尔德大学);Hosei University(法政大学)
研究提出WrAFT这一用于议论文的模块化自动写作评估系统,通过模块化设计及评估多种大语言模型构建,在评分上达先进水平,人机评估反馈认可度高,且开发了公开免费的交互式用户界面。
2026-07-17 cs.AI cs.CL
Critical-Questions-of-Thought: Steering LLM reasoning with Argumentative Querying
University of Lincoln(林肯大学);Brunel University of London(伦敦布鲁内尔大学)
本文针对LLM逻辑与数学推理泛化能力弱的问题,提出基于Toulmin论证模型中“批判性问题”的推理引导方法,通过探究推理过程纠正逻辑错误,在MT-Bench上表现优于基线及CoT。
2024-12-19 cs.AI cs.CL
Automated Essay Scoring Incorporating Annotations from Automated Feedback Systems
Cambium Assessment Inc.(Cambium评估公司)
本研究提出将自动反馈系统的拼写语法纠错、论证要素标注融入自动作文评分流程,基于PERSUADE语料库,用两类LLM生成标注,验证了该方法可提升编码器类大语言模型的作文评分性能。
2025-09-02 cs.AI cs.CL
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
CasiMedicos-Arg: A Medical Question Answering Dataset Annotated with Explanatory Argumentative Structures
Université Côte d’Azur(蔚蓝海岸大学);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(信息科学与信号处理实验室);HiTZ Center - Ixa(HiTZ中心-Ixa团队);University of the Basque Country UPV/EHU(巴斯克大学)
本研究提出首个多语言医学问答数据集CasiMedicos-Arg,标注了临床病例诊断解释的论证结构与关系,为论证挖掘任务提供基准,可辅助住院医生训练解释能力。
2024-10-08 cs.AI cs.CL
Argumentatively Coherent Judgmental Forecasting
Department of Computing, Imperial College London, UK(帝国理工学院计算系);Department of Informatics, King’s College London, UK(伦敦国王学院信息学系)
本文提出并定义论证连贯性性质,通过评估表明过滤不连贯预测可提升人类及LLM预测准确性,但用户对该性质认同度低,需在基于论证的判断性预测中整合过滤机制。
2025-08-25 cs.AI
VISAR: A Human-AI Argumentative Writing Assistant with Visual Programming and Rapid Draft Prototyping
University of Notre Dame(圣母大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出AI写作助手VISAR,通过可视化编程、同步编辑和自动草稿原型,帮助用户构建层级写作目标与论证结构,解决LLM聊天界面缺乏用户控制和语境感知的问题,有效提升了论辩写作规划体验。
2023-07-27 cs.AI cs.CL cs.HC
Machine-assisted writing evaluation: Exploring pre-trained language models in analyzing argumentative moves
Fudan University(复旦大学)
本研究利用BERT等预训练语言模型对1643篇纵向学习者议论文进行六类语步自动标注,F1达0.743,并验证其能揭示写作发展轨迹与预测写作质量,推动AI辅助写作评估。
2025-03-25 cs.CL cs.LG
OmouAI: Argumentative Human-AI Policy Deliberation with Simulated Personas
New Mexico State University(新墨西哥州立大学);Washington University in St. Louis(圣路易斯华盛顿大学);United Nations University(联合国大学)
OmouAI结合LLMs与计算论证,通过模拟人格支持人类参与政策审议,以确定性的论证语义评估外部目标,减少谄媚并提供忠实解释。
2026-09-28 cs.AI
"I'd Like to Have an Argument, Please": Argumentative Reasoning in Large Language Models
Microsoft(微软公司);The University of York(约克大学)
本文评估两个LLM在论证挖掘与论证对提取中的推理能力,发现其评分可达SOTA且符号提示优于思维链,但微小I/O改动即导致表现不稳定,说明模型并未真正推理,相关应用需谨慎。
2024-06-10 cs.CL
Dynamic Knowledge Integration for Evidence-Driven Counter-Argument Generation with Large Language Models
HiTZ Center - Ixa, University of the Basque Country UPV/EHU(巴斯克大学HiTZ中心)
本研究提出通过动态外部知识整合增强大语言模型的反驳论证生成,并引入新数据集与LLM评审方法,实验证明该方法能显著提升生成内容的相关性、说服力和事实性。
2025-06-20 cs.AI cs.CL
PeerArg: Argumentative Peer Review with LLMs
Imperial College London(伦敦帝国学院)
本文提出结合 LLM 与知识表示的 PeerArg 论证式同行评审系统,依据评审意见预测论文接收,并在三个数据集上验证其一种变体优于少样本端到端 LLM。
2025-02-18 cs.AI
DayDreamer at CQs-Gen 2025: Generating Critical Questions through Argument Scheme Completion
School of Informatics, University of Edinburgh(信息学院,爱丁堡大学)
本文提出利用大型语言模型和思维链提示,基于沃尔顿论证方案补全生成关键问题,并在CQs-Gen 2025共享任务中取得有竞争力的性能,以促进批判性思维。
2025-05-21 cs.AI cs.CL
FOXGLOVE: Understanding Goal-Oriented and Anchored Writing Feedback from Experts and LLMs on Argumentative Essays
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
通过构建FOXGLOVE数据集,系统比较了写作专家和大型语言模型在议论文反馈中的目标导向、锚定性和优先级,发现两者在反馈目标和位置分布上相似,但在具体句子选择和反馈复杂度上存在差异。
2026-10-20 cs.CL cs.HC
Extracting Arguments, Not Just Classifying Them: Instruction-Tuned LLMs for Generative Component Detection
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(I3S实验室)
本文提出ITFACD,利用指令微调的大语言模型将论元组件检测重构为生成任务,直接从文本识别论元,在标准基准上超越现有系统,展示了生成式方法的潜力。
2026-09-22 cs.AI cs.CL
Autoformalizing Argumentative Material Inferences
Idiap Research Institute(伊迪亚普研究所);University of Zurich(苏黎世大学);University of Manchester(曼彻斯特大学)
针对论证性实质推理的自动形式化,提出守卫补全方法,通过神经符号框架GUARD将非单调支持转为单调形式推理,经定理证明与对比测试,显著提升验证忠实性并减少泄漏。
2026-09-16 cs.CL
How Persuasive Could LLMs Be? A First Study Combining Linguistic-Rhetorical Analysis and User Experiments
Department of Computer, Control and Management Engineering, Sapienza University of Rome(计算机、控制与管理工程系,罗马萨皮恩扎大学);Link University of Rome(罗马链接大学)
本研究通过用户实验和语言学-修辞分析,考察了ChatGPT在伦理敏感话题上生成文本的说服力,发现其论证结构一致但文体有限,且在伦理议题上说服效力受限,为AI说服研究提供了新见解。
2025-08-13 cs.AI cs.CL cs.CY
Argument Rarity-based Originality Assessment for AI-Assisted Writing
Ritsumeikan Global Innovation Research Organization (R-GIRO), Ritsumeikan University(日光全球创新研究组织(R-GIRO)、日光大学);Faculty of Business and Commerce, Kansai University(大阪大学商学部);Arbege Corporation(Arbege公司);College of Life Sciences, Ritsumeikan University(日光大学生命科学学院);Office of General Education, Ritsumeikan University(日光大学通识教育办公室)
本文提出AROA框架,通过论点稀有性评估AI辅助写作的原创性,发现AI生成作文在结构上可复制但缺乏语义原创性。
2026-02-23 cs.CL
Automatic Paper Reviewing with Heterogeneous Graph Reasoning over LLM-Simulated Reviewer-Author Debates
ReViewGraph通过异构图推理分析LLM模拟的评审者-作者辩论,提升论文评审的准确性和细致程度。
2026-03-10 cs.CL
Identifying Implicit Premises for Logical Reconstruction of Argument Graphs
University College London(伦敦大学学院)
本文针对论证图逻辑重构中省略式论证的隐含前提问题,提出神经符号管道方法,结合大型语言模型生成隐含前提并评估,用于证明陈述间的逻辑关系。
2026-08-20 cs.AI cs.CL
Persona Matters: Effects of Activation Steering on Short Answer Generation and Scoring
研究通过人格向量引导大型语言模型在教育应用中的影响,发现其在短答案生成和自动评分中效果不一,尤其在开放性英语文学任务中影响更大,且混合专家模型表现出更大的校准偏移。
2026-07-10 cs.AI cs.CL
Evaluating the Performance of Large Language Models via Debates
University of Pennsylvania(宾夕法尼亚大学)
本文提出以LLM辩论并由LLM裁判的自动化评估框架,在无需人工众包的情况下评估模型的知识与论证能力,所得排名与人工评测高度一致。
2025-02-07 cs.AI cs.CL cs.LG
Argument Structure Prediction in Online Conversations: A Comparative Study of Modeling Paradigms and Task Architectures
Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);Universidade da Coruña(拉科鲁尼亚大学);IEGPS-CSIC, Spanish National Research Council(西班牙国家研究委员会IEGPS-CSIC)
本研究系统比较了监督微调与基于提示的LLM在对话论证结构预测中的单步与多步架构,发现识别论证关系是主要瓶颈,并发布了数据处理与建模框架。
2026-10-01 cs.CL cs.IR
LLMs as Strategic Actors: Behavioral Alignment, Risk Calibration, and Argumentation Framing in Geopolitical Simulations
Mantisanalytics
本文研究了大语言模型在地缘政治模拟中的行为表现,发现其在初期能模拟人类决策,但随时间推移表现出不同的策略特征,且在论证框架上偏向规范性与合作性。
2026-03-02 cs.AI cs.CL cs.CY
Evaluating the Role of Verifiers in Test-Time Scaling for Legal Reasoning Tasks
Thomson Reuters(汤姆森·路透)
该研究针对测试时缩放技术在法律论辩领域价值不明的问题,通过5个基准、7个奖励模型,在低N预算下评估两类验证方法,系统分析了多类属性对法律推理任务中验证器效用的影响。
2025-10-30 cs.CL
TruthSplit: Operationalizing Conditional Validity in Arguments Through Multi-Perspective Reasoning
University of St. Gallen(圣加仑大学)
提出TruthSplit系统,通过三层自然语言推理和结构化世界观档案,实现基于不同视角的论证条件有效性分析,识别价值冲突与假设差异。
2026-06-08 cs.CL
Automatic Summarization of Russian Texts: Comparison of Extractive and Abstractive Methods
Vyatka State University(维亚特卡国立大学)
GPT-3、T5、Switch Transformer、ERNIE等大型、大语言模型的开发,显著提高了文本生成的性能。这一领域的一个重要研究方向是带论元的语篇生成。这个问题的解决方案可以用于商务会议、政治辩论、对话系统、学生论文的准备。这些应用的主要领域之一是经济领域。俄语论证文本生成的关键问题是缺乏标注的论证语料库。在本文中,我们使用的翻译版本的议论文,说服性的文章和UKP句子语料库微调RuBERT模型。最后,利用该模型对经济新闻语料进行了论证性标注。然后利用标注的语料库对ruGPT-3模型进行微调,生成论元文本。结果表明,与原始ruGPT-3模型相比,这种方法将参数生成的准确性提高了20个百分点(63.2%对42.5%)。
2022-06-18 cs.CL
Evaluating the Capabilities of LLMs for Persuasive Dialogue
University of Liverpool(利物浦大学);The Alan Turing Institute(阿兰·图灵研究所);University of Leeds(利兹大学)
该研究推出多智能体对话平台\textsc{Persuasio},通过192场辩论发现LLMs主观说服力强但形式论证能力弱,人类在形式判定中仍具竞争力,二者存在系统性差距。
2026-09-01 cs.CL
Detecting Winning Arguments with Large Language Models and Persuasion Strategies
University of Padua(帕多瓦大学);Polish-Japanese Academy of Information Technology(波兰-日本信息科技学院)
本文利用大型语言模型和说服策略分析论证文本,通过多策略评分方法提升说服力预测,并公开发布主题注释数据集以促进研究。
2026-01-15 cs.CL
Benchmarking Critical Questions Generation: A Challenging Reasoning Task for Large Language Models
HiTZ Center - Ixa University of the Basque Country UPV/EHU(希茨中心 - Ixa巴斯克大学UPV/EHU)
针对批判性问题生成(CQs-Gen)缺乏数据集与评估标准的问题,本文构建首个含约5000个人工标注问题的大规模数据集,提出与人类判断相关性最佳的基于参考的自动评估技术,并对11个LLM进行零样本评估建立基线,推动该领域发展。
2025-09-23 cs.CL
How Far Can We Extract Diverse Perspectives from Large Language Models?
University of Minnesota(明尼苏达大学);Google DeepMind(谷歌DeepMind)
本研究探索大型语言模型在主观主题上生成多样化观点的能力,提出基于标准的提示和逐步召回提示技术,发现其提取最大多样性的表现与人类相当。
2024-10-13 cs.CL
Improving Multilingual Retrieval-Augmented Language Models through Dialectic Reasoning Argumentations
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);University of Rome Tor Vergata(罗马第二大学)
本文提出Dialectic-RAG(DRAG)框架,通过论证性解释和辩证推理解决多语言检索增强生成中的知识冲突问题,实验证明其能以低算力开销显著提升RAG性能并增强对知识扰动的鲁棒性。
2025-04-07 cs.CL
Claim Optimization in Computational Argumentation
Leibniz University Hannover(汉诺威莱布尼茨大学);University of Bremen(不来梅大学)
本文提出论点优化任务,通过BART等大语言模型生成多样化候选论点并结合质量指标选择最佳候选,在英语语料库上改进了60%的论点质量,且能力可泛化至指导性文本等其他领域。
2023-09-07 cs.CL
AMERICANO: Argument Generation with Discourse-driven Decomposition and Agent Interaction
The Hong Kong Polytechnic University(香港理工大学);InspireOmni AI;DAMO Academy, Alibaba Group(阿里巴巴达摩院);Case Western Reserve University(凯斯西储大学)
本文提出 Americano 框架,将论证生成分解为基于论证理论的顺序动作并引入智能体交互与论证精炼模块,在 Reddit/CMV 子集上优于端到端和思维链方法,能生成更连贯、有说服力且内容多样的论证。
2024-09-02 cs.CL
CoAuthor: Designing a Human-AI Collaborative Writing Dataset for Exploring Language Model Capabilities
Stanford University(斯坦福大学);Cornell University(康奈尔大学)
大语言模型(LM)为交互设计提供了前所未有的语言生成能力和令人兴奋的机会。然而,其高度依赖于背景的能力难以把握,往往被主观地解释。在本文中,我们认为,通过策划和分析大型交互数据集,人机交互社区可以促进更深刻的检查LM的生成能力。举例说明这种方法,我们提出了CoAuthor,旨在揭示GPT-3的能力,在协助创造性和论证性写作的数据集。CoAuthor在1445次写作会话中捕捉了63位作者和四个GPT-3实例之间的丰富互动。我们证明了CoAuthor可以解决有关GPT-3的语言,思维和协作能力的问题,并揭示了其作为良好协作的各种定义下的写作“协作者”的贡献。最后,我们将讨论如何这项工作可能会促进更原则性的讨论,围绕LM的承诺和陷阱的交互设计。数据集和用于重放书写会话的界面可在https://coauthor.stanford.edu公开获得。
2022-01-25 cs.CL cs.HC
ELLIS Alicante at CQs-Gen 2025: Winning the critical thinking questions shared task: LLM-based question generation and selection
ELLIS Alicante(ELLIS阿利坎特);Universidad Alfonso X el Sabio(阿尔fonso X el Sabio大学);Universitat d’Alacant(阿利坎特大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
针对大语言模型聊天界面可能削弱批判性思维的问题,本研究提出由提问和筛选两个小型开源模型构成的两步框架,用于自动生成批判性问题,在ACL 2025相关共享任务中获第一名。
2025-06-17 cs.CL cs.HC
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
Information Dynamics of Language Communication
Calleva Research Centre, University of Oxford, UK(牛津大学卡勒瓦研究中心);St John’s College, University of Cambridge, UK(剑桥大学圣约翰学院);Montréal Neurological Institute, McGill University, Canada(蒙特利尔神经科学研究所,麦吉尔大学,加拿大);Centre for Eudaimonia and Human Flourishing, University of Oxford, UK(幸福与人类繁荣中心,牛津大学,英国);Department of Computing, Imperial College London, UK(伦敦帝国理工学院计算机系)
提出信息论框架量化语义信息在对话中的定向流动,通过语义转移熵和语义部分信息分解测量信息传递,在四个实验中验证其能检测认知僵化对话、说服者主导作用、心理治疗质量及议论文协同贡献。
2026-06-29 cs.CL cs.IT math.IT
Annotation and Classification of Evidence and Reasoning Revisions in Argumentative Writing
Learning Research and Development Center(学习研究与发展中心);University of Pittsburgh(匹兹堡大学)
自动写作评估系统可以提高学生的写作,只要学生注意到提供的反馈,并以与这些反馈一致的方式修改他们的论文草稿。然而,现有的关于在这种系统中修改议论文的研究主要集中在学生修改的类型上(例如,表面vs.内容),而不是修改实际上对所提供的反馈做出反应并改进文章的程度。我们引入了一个注释计划,以捕捉证据使用和推理(“RER”计划),并将其应用到第五和第六年级学生的议论文水平的修订的性质。我们表明,可以实现可靠的手动注释,修订注释与根据提供的反馈对论文改进进行整体评估相关。此外,我们探讨了根据我们的计划自动分类修订的可行性。
2021-07-14 cs.AI cs.CL cs.LG
Fair and Argumentative Language Modeling for Computational Argumentation
University of Mannheim(曼海姆大学);Bocconi University(博科尼大学)
虽然NLP的许多工作都集中在测量和减轻语义空间中的刻板偏见,但解决计算论证中偏见的研究仍处于起步阶段。在本文中,我们解决这个研究空白,并进行了深入的调查,偏见的争论语言模型。为此,我们引入ABBA,专门为论证量身定制的偏差测量的新资源。我们利用我们的资源来评估论证微调和去偏置的影响,发现在基于transformer的语言模型使用轻量级的适配器为基础的方法,更可持续和参数效率比完全微调的内在偏见。最后,我们分析了语言模型去偏对论证质量预测(计算论证的下游任务)性能的潜在影响。我们的研究结果表明,我们能够成功地和可持续地消除偏见,一般和争论的语言模型,同时保留(有时提高)模型性能的下游任务。我们在www.example.com上提供所有实验代码和数据。
2022-04-08 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
ORCHID: A Chinese Debate Corpus for Target-Independent Stance Detection and Argumentative Dialogue Summarization
Huawei IT Innovation and Research Center(华为IT创新研究中心)
本文构建了首个中文辩论数据集ORCHID,包含1218场辩论及立场标注和摘要,用于目标无关立场检测与辩论摘要研究,并通过实验揭示两项任务结合的潜力。
2024-10-17 cs.CL
Argumentative Text Generation in Economic Domain
Vyatka State University(维亚特卡国立大学);ITMO University(圣彼得堡国立信息技术机械与光学大学)
GPT-3、T5、Switch Transformer、ERNIE等大型、大语言模型的开发,显著提高了文本生成的性能。这一领域的一个重要研究方向是带论元的语篇生成。这个问题的解决方案可以用于商务会议、政治辩论、对话系统、学生论文的准备。这些应用的主要领域之一是经济领域。俄语论证文本生成的关键问题是缺乏标注的论证语料库。在本文中,我们使用的翻译版本的议论文,说服性的文章和UKP句子语料库微调RuBERT模型。最后,利用该模型对经济新闻语料进行了论证性标注。然后利用标注的语料库对ruGPT-3模型进行微调,生成论元文本。结果表明,与原始ruGPT-3模型相比,该方法将参数生成的准确性提高了20个百分点(63.2% vs. 42.5%)。
2022-06-18 cs.CL
Natural Language Understanding for Argumentative Dialogue Systems in the Opinion Building Domain
Southeast University(东南大学);Ulm University(乌尔姆大学);Mercedes-Benz Research & Development(梅赛德斯-奔驰研发中心)
本文介绍了一个自然语言理解(NLU)框架,在信息寻求和意见建设领域的辩论对话系统。该框架包括两个子模型,即意图分类器和论点相似度。意图分类器模型将BiLSTM与注意力机制堆叠在预训练的BERT模型之上,并微调模型以识别用户意图,而论点相似性模型使用BERT + BiLSTM来识别用户在他或她的自然语言话语中引用的系统论点。我们的模型是在一个争论性的对话系统,从事用户通知他/她自己的一个有争议的话题,通过探索赞成和反对的论点,并建立他/她对这个话题的意见。为了评估所提出的方法,我们收集用户话语的互动与各自的系统标签的意图和参考参数在一个广泛的在线研究。数据汇集包括多个主题和两种不同的用户类型(来自英国的英语母语者和来自中国的非英语母语者)。此外,我们分别在公开的Banking77和STS基准数据集上评估了所提出的意图分类器和参数相似性模型。评估表明,在几个数据集的基线方法,以及对新的主题和不同的语言能力,以及用户的文化背景所提出的方法的鲁棒性所使用的技术的明显优势。此外,结果表明,我们的意图分类器模型在Few-Shot设置中优于DIET、DistillBERT和BERT微调模型(即,每个意图具有10、20或30个标记的示例)和完整的数据设置。
2022-02-19 cs.CL cs.LG
Natural-Language Multi-Agent Simulations of Argumentative Opinion Dynamics
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出了一种基于自然语言主体的论证模型(ABMA)。它的人工慎思代理(ADA)是在人工智能和计算语言学中最近发展起来的所谓神经语言模型的帮助下构建的。ADA配备了一个最低限度的信念系统,并可能产生和提交新的贡献的对话。自然语言ABMA允许我们用英语模拟集体审议,即用论据、理由和主张本身,而不是用它们的数学表示(如在正式模型中)。本文使用自然语言ABMA来测试论证的正式理性平衡模型的鲁棒性[Maes & Flache 2013,Singer et al. 2019]:首先,只要ADA保持被动,确认偏差和同质更新就会触发极化,这与正式模型的结果一致。然而,一旦ADA开始积极地产生新的贡献,保守性的演变就由代理人 * 作为作者 * 的属性主导。这表明,创造新的论点,理由和主张对对话产生了关键性的影响,对于理解集体审议的动态具有至关重要的意义。论文最后指出了该模型的进一步富有成效的应用以及未来研究面临的挑战。
2021-04-14 cs.AI cs.CL cs.CY
Have You Been Convinced? A Neuro-symbolic Argumentation Reasoning Approach to Detecting Persuasiveness in ChangeMyView Discussions
Fondazione Bruno Kessler(布鲁诺·凯塞勒基金会);Universidade da Coruña(拉科鲁尼亚大学);Spanish National Research Council(西班牙国家研究委员会)
该研究提出神经符号论证推理系统NARS,构建CMV2BAS数据集,结合检索增强迭代LLM推理与渐进式论证语义学检测ChangeMyView讨论的说服力,其性能优于零样本大模型,同时明确了关键挑战并发布相关资源。
2026-10-14 cs.AI cs.CL cs.SC
Automatic Debate Evaluation with Argumentation Semantics and Natural Language Argument Graph Networks
Centre for Argument Technology, University of Dundee(邓迪大学论证技术中心);VRAIN, Universitat Politècnica de València(瓦伦西亚理工大学VRAIN研究所)
针对辩论标注数据不足导致自动评估困难的问题,本文融合论证理论、Transformer 与神经图网络,提出混合式自动辩论评估方法并验证其有效性。
2024-01-21 cs.CL
"Sharks are not the threat humans are": Argument Component Segmentation in School Student Essays
Columbia University(哥伦比亚大学);Educational Testing Service(教育考试服务中心)
论证挖掘通常通过管道方法来解决,其中首先进行文本分割成论证单元,然后进行论证组件识别任务。本研究从一个新的中学生议论文语料库中,采用标记水平的分类方法来识别主张标记和前提标记。为此,我们比较了各种最先进的模型,如离散特征和深度学习架构(例如,BiLSTM网络和基于BERT的架构)来识别参数组件。我们证明了一个基于BERT的多任务学习架构(即,标记和句子级别分类)在相关的未标记数据集上进行自适应预训练获得最佳结果
2021-03-08 cs.CL
The GDN-CC Dataset: Automatic Corpus Clarification for AI-enhanced Democratic Citizen Consultations
Sorbonne Université, CNRS, ISIR, Paris, France(索邦大学,法国国家科学研究中心,ISIR研究所,巴黎,法国);Sorbonne Université, STIH/CERES, Paris, France(索邦大学,STIH/CERES,巴黎,法国);Institut Polytechnique de Paris, CNRS, CREST, Paris, France(巴黎政治学院,法国国家科学研究中心,CREST,巴黎,法国)
本文提出GDN-CC数据集,通过自动语料库澄清技术标准化公民贡献,提升话题建模和政治分析效果,并展示小型语言模型在注释任务中的表现。
2026-04-20 cs.CL