Dec, 2022

计算论证中的主张优化

PDF
TL;DR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。
argument deliveryclaim optimizationsequence-to-sequence modelreranking baselinesgeneralization
发现论文，激发创造
  • 从修订中学习：大规模论证中主张质量评估

    本文提出一种计算论证的质量评估方法，通过比较同一主张的不同版本来评定其质量，证明能够有效泛化于不同主题之间。该方法基于大规模样本库及嵌入式逻辑回归和基于 Transformer 的神经网络，并提供数据和脚本以复现结果。

    Jan, 2021

  • 基于信念的论证主张生成

    通过研究基于观点生成争议性主张的任务，我们试图通过将人们的先前信仰编码到争论性文本中来生成针对信仰进行定制的论证性声明，我们通过自动评估和手动研究来评估该方法的有效性和限制性。

    Jan, 2021

  • 探索论证质量预测的整体视角

    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

  • 是否修改：学习检测论证写作中值得改进的主张

    本文探讨如何通过学习在线辩论中的协作编辑行为来捕捉修订模式，以开发旨在指导作者进一步改进其论点的方法，并且我们提出一种基于修订距离的新的抽样策略，以解决修订文字料库的噪声问题。

    May, 2023

  • 大型语言模型中的论证质量评估

    对有争议问题的论述的计算处理在自然语言处理领域进行了广泛研究，其中论证质量评估是一个关键且具有挑战性的任务。本文提出了利用大型语言模型，通过系统指导其熟悉论证理论和场景以及解决相关问题的方式，以实现更可靠的论证质量评估，同时讨论了由此而产生的现实机遇和道德问题。

    Mar, 2024

  • 正式辩证推理是否可以提升 LLMs 的性能？

    介绍了一种计算论证语义引擎（MQArgEng）和初步研究，评估引入计算论证语义对大型语言模型性能的影响。实验结果表明 MQArgEng 在大部分考察的主题类别中提供了适度的性能提升，呈现出潜力并值得进一步研究。

    May, 2024

  • 修辞、逻辑和辩证法：自然语言处理中理论为基础的论证质量评估的推进

    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

  • 利用外部检索证据增强的神经论证生成

    该研究提出了一种基于编码器 - 解码器神经网络的论证生成模型，通过从维基百科检索外部证据来生成不同方面的论证，实验结果表明，我们的模型建立的论证比流行的序列生成模型更具有话题相关内容。

    May, 2018

  • 基于 Fine-Tuning 的主张检测优化

    使用包含 Reddit 语料库 550 万个观点性论断的语言模型进行微调，极大提高四个基准论点数据集中观点检测的表现。

    May, 2019

  • 可解释的神经主张验证与理性解释

    该论文介绍了一种基于经验分析的可解释性声明验证系统 ExClaim，通过像法律系统一样的理性化方法，提供说明模型决策过程的自然语言解释，有助于改进人工智能的可靠性和减少警惕性。

    Jan, 2023