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
本综述文章桥接了论证挖掘的理论方法和社交媒体数据诉求的实用方案之间的差距,回顾、比较和分类现有方法、技术和工具,识别了结合任务和特征的积极成果,并最终提出了一个观点架构框架。该理论框架是一种能够识别不同子任务并捕捉社交媒体文本需求的论证挖掘方案,揭示了采用更灵活、可扩展框架的需求。
Jul, 2019
本文提出使用自动挖掘新闻文章中的争议性观点,在辩论中寻找其对应的观点,并通过对英文辩论的 400 次演讲分析,证明了这种方法的可行性,并提供了基础的检测措施,所有数据均可供研究者免费使用。
本文介绍了通过自动检测审稿人提出的论点和类型来研究同行评审过程的内容和结构,从而评估其效率和功效。作者首先收集了来自机器学习和自然语言处理领域的 14.2K 份审稿意见,并对其中的 400 份进行了注释,最终得出了一些结论并提出了未来新的挑战。
Mar, 2019
通过阅读理解、指针网络和多跳计算,提出了一种新的模型来预测隐式参数,该模型良好地完成了隐式参数预测任务。
Nov, 2018
该论文提出了一种系统重建论据的方法,并在大规模集成式众包过程中实现了方法。该论文的目标是解决一个被称为 “论据推理理解任务” 的新挑战性任务,选择正确的隐式保证从两个选项中。使用了多种神经网络模型进行实验,但仍需要更好的模型来解决这个任务。
Aug, 2017
本文提出了一种新的论点挖掘方法,它采用基于注意力的嵌入进行链路预测,以模拟在线辩论中普遍存在的因果关系层次结构。
Feb, 2023
本研究针对计算论证质量 (AQ) 的整体评估展开前期工作,提出了一种基于理论的评估方法,并开发了首个大规模的英文多领域 (AQ 社区问答、辩论、评论) 语料库 GAQCorpus,为之后的工作提供了坚实的基础。
Jun, 2020
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