EMNLPDec, 2023

与我简明辩论：走向句级反驳生成

PDF
TL;DR本研究提出了 ArgTersely 基准和 Arg-LlaMA 模型，使用基于 BERT 的 Arg-Judge 评估器进行了高质量句级反驳生成任务的实验，在与其他基线模型比较中展示了该框架和评估器的竞争力。
发现论文，激发创造
  • 基于结论的对抗性论点生成

    本文研究如何利用多任务学习来生成经过反驳的论点，并提出了一个基于立场分类的排名组件来选择最优的反驳。评估结果表明，该方法比强基线生成的反驳更相关且立场更明确。

    Jan, 2023

  • 利用检索、规划和实现的论点生成

    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

  • 审计反火：用证据和风格评估先进的反驳生成

    我们提出了一个新颖的数据集，用于控制组成反驳论点，旨在进一步应用于论证的改进、挖掘和评估。

    Feb, 2024

  • ArguGPT: 评估、理解和识别由 GPT 模型生成的论证性文章

    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

  • 论据削弱：通过攻击薄弱前提生成反驳论点

    本文研究文本生成在计算辩证研究中的应用，着重探讨对抗性生成的挑战，并提出了攻击一个前提来对抗一个论点的方法，该方法首先评估本体的强度，然后生成一个针对其弱点的反驳性论述，人工和自动评估都证明了找出薄弱的前提对于对抗性生成的重要性。

    May, 2021

  • ArguMentor: 提升用户体验与对立观点

    ArguMentor 设计了一个全套系统，它突出了意见文章中的论点，并利用 LLM 为其生成反驳观点，然后根据当前事件为文章生成基于上下文的摘要。通过额外的功能如问答机器人，辩论和突出触发窗口，该系统进一步增强了用户的交互和理解。我们的调查和结果显示，用户在使用该系统后能够产生更多的反驳观点，并且平均具有更多中立的观点。

    Jun, 2024

  • 探索大型语言模型在计算论证中的潜力

    这项研究评估了大型语言模型在计算论证领域的表现，针对论证挖掘和论证生成等任务进行了零样本和少样本设定下的评估，并提出了 14 个公开数据集的标准化格式，以及一种新的针对反述生成的基准数据集，展示了大型语言模型在论证领域的良好性能，并指出评估计算论证的局限性和未来研究方向的建议。

    Nov, 2023

  • 经济领域的辩证文本生成

    本文介绍了如何利用 RuBERT fine-tuning 技术以及经过语言标注的经济新闻语料库来优化 ruGPT-3 模型，从而提高俄文下生成文字的准确率。

    Jun, 2022

  • 为反驳生成增强知识检索

    通过结合知识图谱的方式，构建了一种自然语言推断模型，用于从网络的多样化来源中检索能够有效证明陈述错误的证据，从而进一步改进了证据检索系统。

    Sep, 2021

  • 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