该研究提出了一种新的神经模型来动态跟踪论证对话中主题和话语变化对说服力的影响，并在社交媒体和最高法院的论证对话上进行了实验验证。实验结果表明该模型能够有效地辨别具有说服力的论证，并发现主题和话语对说服力都有帮助，但优秀的话语风格可能会在社交媒体争议中造成偏见。

Feb, 2020

提出了一种从自然语言文本中提取论点结构的新方法，其包括评分分配和结构预测两个阶段，评分分配阶段使用不同的训练策略和词嵌入特征对各种关系进行分类，最终预测出最佳结构，实验表明该方法表现优于基线系统。

Dec, 2016

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

本文介绍了一个包含 78,376 次辩论和全面参与者个人资料的数据集，利用该数据集，与通常用于类似研究的语言特征相比，分析了选定用户特征对辩论结果的影响。

Jun, 2019

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

本文提出了一种混合方法，通过结合论述框架、语义学、基于 Transformer 的体系结构和神经图网络来自动评估论证性辩论，并获得了有前途的结果，这为自然语言论证的自动分析开辟了新的研究方向。

Mar, 2022

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

论文探究公共辩论论坛上通过自然语言处理实证证据表明辩手的语言和互动方式在改变读者立场方面起关键作用与心理学研究表明先前信念可能影响我们对论点的解释并可能构成竞争替代解释以研究语言运用与先前信念对说服力的实际影响，我们提供了一个新数据集并提出一种控制环境，在此考虑了两个读者层次因素：政治和宗教意识形态。我们发现，这些读者层面因素所受的先前信念的影响比语言使用效应更为重要，并认为在自然语言处理说服力研究中重要性不言自明。

Jun, 2019