Sep, 2019

课堂讨论的论点组成部分分类

PDF
TL;DR本文研究话语识别技术应用于学生间讨论中的参考组成分类，发现已有的教育领域的分类方法表现不佳，通过引用关于学生散文和在线对话的特征集工作，可以有效地提高性能。此外，研究比较卷积神经网络和循环神经网络在不同情况下训练，得出卷积网络在字符和单词级别上都比循环网络更稳健的结论，并指出多任务训练可以提高性能。
argument component classificationspoken classroom discussionsfeature setsconvolutional neural networksrecurrent neural networks
发现论文，激发创造
  • 利用紧凑语言模型和 ChatGPT-4 改进的高效论点分类

    通过比较深度学习模型在论证挖掘中的性能，本研究提出了一种基于 BERT 架构和 ChatGPT-4 的集成模型 (BERT+ChatGPT-4)，该模型在论证分类方面的表现优于其他基于 Transformer 和 LSTM 的模型，并为进一步提高论证分类模型和消除分类错误提供了重要的见解。

    Mar, 2024

  • 社交讨论中的非监督式知识转移能否帮助论述挖掘？

    本研究提出了一种基于社交讨论的无监督学习策略，使用已预训练的语言模型，选择性地使用掩码语言模型任务进行微调，并引入了一种基于提示的策略，在将被提取的论点组件之间预测关系时支持上下文语境，此方法表现出了在本领域和跨领域数据集上超越了多个现有的和强基线模型的潜力。

    Mar, 2022

  • 结构化支持向量机与循环神经网络在论点挖掘中的应用

    本研究提出了一种新的因子图模型，用于处理不一定形成树结构的文本论述关系，可以学习最基本的单元分类和论证关系预测，支持 SVM 和 RNN 参数化，可以强制执行结构约束并表示相邻关系和命题之间的依赖关系，并在网络评论和论辩文章数据集上优于非结构化基准线。

    Apr, 2017

  • 社交媒体中什么样的仇恨言论的争议方面可以得到可靠识别？

    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

  • 基于理据增强卷积神经网络的文本分类

    提出了一种新的卷积神经网络模型，可以在文本分类和理解上进行监督学习，以推断支持文件分类的原因，从而提升分类性能，并且能够自然地为分类结果提供解释。

    May, 2016

  • AMPERSAND: 在线辩论理据挖掘

    本文提出了一种计算模型，该模型结合了微观层面和宏观层面的论证模型，基于 Rhetorical Structure Theory 利用上下文信息来预测关系，使用候选选择方法自动预测讨论中被其他参与者针对的论点，其结果优于最新的 state-of-the-art 方法。

    Apr, 2020

  • 解析说服性论文中的论证结构

    介绍了一种新的方法通过序列标记识别论证结构，并使用整数线性规划来优化引用组件类型和论证关系，提高了基础分类器的性能，同时还引入了一个包含论证结构注释的新语料库，以促进将来对计算论证的研究。

    Apr, 2016

  • 基于神经网络的端到端计算性论证挖掘学习

    本文研究了神经技术在端到端的计算论证挖掘中的应用，将论证挖掘作为基于令牌的依赖解析和基于令牌序列标注的问题，包括多任务学习设置。研究发现，相比于在论证组件层次上操作的模型，将论证挖掘作为依赖解析的形式表现效果不佳；而基于双向长短时记忆网络的本地标注模型在分类场景下表现强劲，并能够捕捉到论证挖掘问题固有的远程依赖关系。另外，多任务学习可以改善模型表现。

    Apr, 2017

  • 使用语境化单词嵌入对论点进行分类和聚类

    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

  • Rudolf Christoph Eucken 在 SemEval-2023 任务 4 中：一种集成方法用于从论证中识别人类价值观

    本文提出了一种集成方法来从论述文本中检测人类价值观，该方法包括三个模型，并通过不同的方法组合实验，最终获得 0.48 的 F1 分数。

    May, 2023