本文介绍了 Cicero，一个通过在实时同步辩论中让工作者参与多轮、上下文相关的讨论来提高难度任务的众包准确性的新工作流程。相较于现有的讨论系统，我们的工作流程可以显著提高平均个体工作者的准确性，特别是在 Relation Extraction 领域，平均提高了 16.7 个百分点。此外，相较于传统的方法，Cicero 在可能有多个答案的任务中也能良好运作，如在 Codenames 领域中，将准确度从 66.7% 提高到了 98.8%。

Oct, 2018

本文介绍了 ArgU：一种神经论证生成器，可从输入事实和世界真实概念中生成事实论据，并使用 Walton 的基于辩证方案的控制代码明确控制其立场和论证结构。此外，我们还发布了一个包括 69,428 个论据的注释语料库，跨足了六个话题和六个论证方案，并进一步进行了实验，以构建了一种推理策略，通过生成 “论证模板” 在实际论证生成之前生成，以展示使用基于辩证方案和立场的控制代码可以自动生成不同推理模式的多样化论据。

May, 2023

本文研究基于 NLP 和大量文本数据得到的自动化 argument mining，评估 argument 质量估计对于不同领域的通用性、与相关 argument mining 任务的相互作用以及情感对于观察到的 argument 强度的影响。作者发现不同领域的训练数据可以提高质量估计的泛化能力，在零样本迁移和多任务实验中，argument quality 在多个方面都能够得到改善，而情感对 argument quality 的影响不如人们普遍认为的那样大。

May, 2022

本研究探讨了以论据图为基础支持论证解释的影响。通过使用较少之前接触的主题，实验结果表明，论据图在论证解释方面比纯文本更具有支持作用，更能提供临床上的解释效果。

Mar, 2023

该文章提出了一个分类学的知识类型、对现有的 CA 工作进行系统化，并探讨了未来 CA 领域的研究方向。

Jul, 2021

ArguMentor 设计了一个全套系统，它突出了意见文章中的论点，并利用 LLM 为其生成反驳观点，然后根据当前事件为文章生成基于上下文的摘要。通过额外的功能如问答机器人，辩论和突出触发窗口，该系统进一步增强了用户的交互和理解。我们的调查和结果显示，用户在使用该系统后能够产生更多的反驳观点，并且平均具有更多中立的观点。

Jun, 2024

该研究提出了一种基于编码器 - 解码器神经网络的论证生成模型，通过从维基百科检索外部证据来生成不同方面的论证，实验结果表明，我们的模型建立的论证比流行的序列生成模型更具有话题相关内容。

May, 2018

本研究提出了一种新的任务，即通过重新编写具有说服力的论证描述来优化其传递方式，并使用序列到序列模型和上下文信息生成了候选的最优论证描述来改善传递，该方法在英语语料库上的自动和人工评估中胜过了其他重新排序基线，并且能够很好地推广到其他文本领域。

Dec, 2022

ArgRewrite V.2 是一个修订语料库，包含用于自动修订目标预测和标杆的注释的论证性修订，这些修订是在关于自动驾驶汽车的论证性文章的两个循环修订中收集的。

Jun, 2022

本文介绍了一个全面的、高精度的基于话语级查询的语料库广泛的 Argument Mining 系统，通过将适当索引的大型语料库上的句子级查询与迭代式注释方案结合起来，解决了数据中的固有标签偏差，标注手册所需的空间样本的区域，从而获得高精度的排名前几的候选项。

Nov, 2019