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

本研究探讨了中学生的论证批判写作，发现基于 BERT 模型的架构完成大学层次的论证批判任务效果要比基于领域知识的词汇和语篇特征的模型更好，且分析表明尽管孩子的写作没有成熟的论证文章的标准话语结构，却与成熟的作家分享基本的本地序列结构。

Jun, 2020

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。

Sep, 2019

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

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

本文旨在识别和分类文本中的论证单位并将其归类为支持或反对。研究表明，基于 token 的模型可以比基于句子的模型更好地分类句子，所以本文复制并进一步探究了这一结论及其原因，并进行了系统测试以分析使用这两种模型的行为差异，结果表明使用基于 token 的模型通常比基于句子的模型更加健壮。

Sep, 2022

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

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

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

本文介绍了一种通用的应对于德语和英语文本自动提取出行文构成及关系的演绎方法，结果表明该方法可有效生成有助于检测行文中语句之间关联性的演绎图，评估基于已有基准演绎结构。

Jun, 2020