本研究利用语言模型进行论点生成，实现针对特定话题、立场和方面的句子级别论点生成，定义论点方面检测作为必要方法，通过数据增强和生成反证来提高立场检测模型的性能。

Apr, 2020

本文介绍了一个新的框架 CANDELA，用来解决针对特定问题的对抗论证自动生成，它包含了一个强大的检索系统和一个新型的双步骤生成模型，通过索引 1200 万文章并使用自然语言处理，使得自动生成的对抗论证比以往更为适当和丰富。经过自动评估和人工评估，该模型均取得了相比现有技术的更高 BLEU、ROUGE 和 METEOR 语言分数。

Jun, 2019

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

本文介绍了 ArguGPT 数据集，分析了由大型语言模型生成的英文论述文章的语言学特征，以及用于检测 AIGC 的现有和新型检测器的性能，其中使用的 RoBERTa 检测器在 essay 和 sentence 级别均可达到 90% 以上的准确率。

Apr, 2023

本论文介绍了一种从 ChatGPT 生成的论述性文章中提取好的、坏的和丑陋的论点的方法，并描述了一个包含多样化论证的新颖数据集 ArGPT。我们评估了数据集的有效性并为几个与论述相关的任务建立了基线。最后，我们展示人工生成的数据与人类论证之间的关联，证明其可以作为训练和测试系统所定义任务的工具。

Jun, 2024

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

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

该研究介绍了两个新学习者论证任务：识别论证中的缺陷（省略式推理检测）和填补这些缺陷（省略式推理重建）。通过从学习者的论证文本中删除对于论证和质量至关重要的论证单元（ADUs）的方法，我们创建了一个用于省略式推理检测和重建的语料库，以便帮助学习者提高其论证质量。同时，我们验证了所提出的语料库创建过程导致了所需的质量降低，并得到了与学习者撰写的论证类似自然的论证结果。最后，基线方法的省略式推理检测和重建表明了该语料库的实用性。

Oct, 2023

本文介绍了一个新颖的框架，使用归纳逻辑编程方法来以可解释的方式学习几个抽象和结构化的论证框架的可接受语义。通过实证评估，我们证明了我们的框架胜过现有的论证求解器，从而在形式论证和人机对话领域开启了新的未来研究方向。

Oct, 2023

本文介绍了一种名为 Co-Arg 的新型认知助手，它能够让情报分析师的想象力和专业知识、计算机知识和批判性思维，以及群体智慧协同工作，从各种类型的证据中绘制出合理和有说服力的结论，并在报告中呈现分析结果和概率、关键判断和假设的证明、以及可能提高解决方案准确性的缺失信息。

Oct, 2018