本文提出 DisCOC 方法，通过注入和融合大规模语言模型派生的上下文化特征和句子结构语义信息，实现通过路径上的语篇结构确定辩论中有效干扰因素的目标。实验证明，显式建立上下文和文本之间的关系以及对上下文路径的话语结构进行建模都有助于提高 Durmus 等人（2019）提出的辩论结构分类任务的性能，并且在实验中人们可以进一步了解要分类的论点语境路径之间的语篇结构，从而提高分类性能。

Jun, 2021

本研究提出了一种基于 transformers 的新方法，通过对不同级别单元的上下文化表示进行编码，动态捕捉对话依赖分析所需的信息，并将对话关系识别视为序列标记任务

May, 2022

该研究使用了 US2016 辩论语料库来训练基于 Transformer 模型的种类，以推测不同参数下论据的关系，最终在五个不同领域中评价模型的性能，得出了极高的 F1 得分，并确定了相对不依赖特定领域的模型。

Nov, 2020

本研究使用四种基于逻辑和理论的机制 (实际一致性、情感一致性、因果关系和规范关系) 对两个陈述之间的论证关系进行分类，证明有效地利用这些逻辑机制能够显着提高无监督贝叶斯分类器的性能，并且使用表示学习进一步改进了有监督的分类器。

May, 2021

提出了一种全面利用文本上下文信息、增强建模能力和拓展训练数据的高效上下文感知论证结构模型 (ECASE)，通过引入序列注意力模块和距离加权相似度损失来聚合上下文信息和论证性信息，同时通过随机屏蔽话语标记和句子来扩充训练数据，实现了在各个领域五个数据集上的最先进性能。

Oct, 2023

该研究通过自动计算句法分析树上的分布式含义表示来进行话语关系预测，包括实体提及之间的链接，并在预测 Penn 话语树库中的隐式话语关系时实现了显著改进。

Nov, 2014

本研究提出了一個新的數據集，旨在研究論證時實際情境和語境對論據質量的影響，並提供整合了語境的預測模型，展示其在預測特定論證中所使用的論點對外界的影響時比僅依賴於論點語言特徵的模型更加準確。

Apr, 2020

本文提出了 Argument Unit Recognition and Classification (AURC) 任务，通过 fine-grained sequence labeling 的方法识别不同来源中的 argument，并通过众包的方式进行标注，得到了 AURC-8 数据集，并发现相较于基于句子级别的标注方法，使用本文标注方法能够增加 15% 的 argument 数量。作者提出的方法比以往的方法更加鲁棒，并公开了代码和 AURC-8 数据集。

Apr, 2019

本研究使用 ELMo 和 BERT 作为最新的上下文化词嵌入方法，在开放领域的论据搜索中进行了实验。我们首次展示了如何利用上下文化词嵌入的能力，对主题相关的论据进行分类和聚类，并在多个数据集和任务中取得了令人印象深刻的结果。

Jun, 2019

提供定量解释的关系归因解释（RAEs）理论，适应于计算攻击和支持在定量双极论证中的作用，通过计算归因分数量化解释论点的强度，并且提出了一种概率算法在有效近似 RAEs 的同时，揭示了 RAEs 在欺诈检测和大型语言模型案例研究中的应用价值。

Apr, 2024