本文提出了使用因子图模型来获取在线辩论平台上的论点结构特征,并将这些特征结合到基于 LSTM 的模型中,以预测哪位辩手的论点最有说服力。研究发现,在评估在线辩论中的论点说服力时,结合论点结构特征可以发挥重要作用。
Oct, 2020
该研究提出了 DebateSum 数据集,其中包含 187,386 个唯一的证据片段和相应的争论和抽取式摘要,使用多个 Transformer 摘要模型进行了训练,同时引入了在数据集上训练的 FastText 词向量 debate2vec。最后,该研究还提出了一个可以广泛运用于全国演讲和辩论协会成员中的 DebateSum 搜索引擎。
Nov, 2020
本文提出了一个预测性辩论模型,该模型结合了语言学特征和潜在的说服力强度因素,成功预测评审委员会评定的辩手胜负,其中,获胜方使用了更加有力的论据。
May, 2017
这篇研究探讨了基于计算语言学的辩论挖掘的方法,通过适应实践数据中的辩论现象和创建一个新的标准语料库以及使用几种机器学习方法来识别辩论组件,证明了在用户生成的网络话语中进行辩论挖掘是可行的但具有挑战性的任务。
Jan, 2016
该论文通过第一次全面调查话题覆盖范围,从三个权威来源比较话题集合,找出语料库与其频繁讨论的话题重合度最高,发现大多数语料库覆盖公共在线论坛上经常讨论的话题。但是,这些语料库还没有涵盖来自权威来源的其他话题,揭示了未来语料库建设的有趣方向。
Jan, 2023
通过引入一个涵盖辩论中各项任务的论证挖掘数据集,我们评估了多种生成基准模型,并发现虽然它们在个别任务上表现出有希望的结果,但在全部任务上的整体性能明显下降,这对于我们提出的数据集提出了挑战,需要进一步研究端到端的论证挖掘和概括。
Jun, 2024
本文提供了一种新颖的注释方法,以捕获德语商业模型学生写作的有关论点和前提以及它们之间的关系,并通过 50 篇说服性文章上的标注研究来评估我们的注释方案,呈现了我们的免费语料库以及指南,以鼓励未来针对学生的论述写作支撑系统的设计和开发的研究。
本研究应用统计学方法对社交媒体帖子进行分析,研究了回复对话的语气和后续回复的语言和情感变化之间的因果关系,结果显示陈述事实和断言的语气会对对话产生影响,并提供了从文本中估算因果效应的方法。
Jun, 2019
通过利用大型语言模型 (LLMs) 自动化人工注释过程,我们训练了多个可部署的小型语言模型来进行用户态度和教条主义的分类任务。
本文通过对 Hateval 语料库进行人工标注并评估,探讨了大型语言模型中关于憎恨言论的论述元素自动识别的可靠性,发现某些元素相对可靠,对于那些错误率较高的元素,其争议点分析和适当调整后能够更为可靠的识别。
Jun, 2023