通过研究大规模语言模型在关系型争论挖掘中的应用，对比现有方法，发现大规模语言模型在支持与不同意关系的分类任务中表现优异。

Feb, 2024

该研究使用了 US2016 辩论语料库来训练基于 Transformer 模型的种类，以推测不同参数下论据的关系，最终在五个不同领域中评价模型的性能，得出了极高的 F1 得分，并确定了相对不依赖特定领域的模型。

Nov, 2020

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

本文是 Dialogue 会议对针对新冠疫情（疫苗、隔离和戴口罩）话题的社交媒体评论进行第一次俄语言论分析系统及其竞赛的组织者报告，由 NLI 变体的 BERT 体系结构获胜，希望为俄文文本的论证挖掘研究提供帮助。

Jun, 2022

本研究提出了新的日语 PAS 分析模型，通过扩展标准的双向循环神经网络模型的输入和最后一层，结合多个 PAS 中的论元标签预测信息，使用池化和注意机制直接捕捉多个 PAS 之间的潜在相互作用，并成功地改善了间接依赖关系的情况下的预测准确性，并在标准的基准语料库上取得了新的最佳效果。

Jun, 2018

利用神经网络和传统检索模型，我们参加了 COLIEE-2022 律师案例比赛的任务 1 和任务 2，结果在所有团队中排名第五。实验结果表明，传统的检索模型 BM25 仍然优于神经网络模型。

Apr, 2022

本文提出了一个全面而大型的数据集 IAM，旨在用于一系列论证挖掘任务。文集介绍了两个新的综合论证挖掘任务，即主张提取与立场分类（CESC）以及主张 - 证据对提取（CEPE）。实验结果表明了我们提出的任务的价值和挑战，并激励了论证挖掘领域的未来研究。

Mar, 2022

提出了一种基于机器阅读理解框架的 ARSJoint 方法，该方法可以联合学习三个任务模块，包括论文摘要检索、理由选择和立场预测，并通过提出在摘要检索的句子注意力分数和理由选择的预测输出之间的正则化项增强任务之间的信息互换和约束，实验结果在 SciFact 数据集上表现优异。

Sep, 2021