解释性 AI 的一个关键问题是如何解释 Argumentation Frameworks (AFs) 的推理结果，而定量推理结果在 gradual semantics 下的解释尚未得到广泛关注。本文提出了一个新的 Argument Attribution Explanations (AAEs) 理论，通过在 Quantitative Bipolar Argumentation Frameworks (QBAFs) 中引入机器学习中的特征归因理念，研究 AAEs 的理论性质，并通过两个案例研究验证了 AAEs 在假新闻检测和电影推荐系统中的应用性。

Jul, 2023

本文致力于研究基于强度的论证框架中附加性的新义和双扩展的计算方法，提出了基于伪布尔约束的新的求解方法，并进行模拟实验，证明了该方法可行且可扩展。

Jul, 2022

本文提出了一种新的辩护关系和辩护图的概念，基于辩护语义，定义了两种接受论点的原因，即直接原因和根本原因，介绍了辩证汇总中根等价的概念。

Apr, 2017

本文提出了一种新的模糊标记量化法来评估实际场景中的争论强度，并探讨了其在渐进语义建立中的合理性和重要性。

Jul, 2022

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

该研究论文指出通过遮盖文本本身，而只利用文本的上下文信息来分析争论单元所代表的争议关系的方法是不太可靠的。研究人员提出将争论单元与上下文分开，以更好地预测文档间的争论关系。

Jun, 2019

本研究使用四种基于逻辑和理论的机制 (实际一致性、情感一致性、因果关系和规范关系) 对两个陈述之间的论证关系进行分类，证明有效地利用这些逻辑机制能够显着提高无监督贝叶斯分类器的性能，并且使用表示学习进一步改进了有监督的分类器。

May, 2021

该文章介绍了一种名为 LPAttack 的新注释方案，其捕捉到攻击中的常见模式和复杂的修辞手法，以及它们中的隐含前提和价值判断，该注释研究表明提出的方案的人类注释是可行的，并公开发布了其注释语料库和注释指南。

Apr, 2022

通过论证的方式，提出了一种上下文感知特征归因的框架 CA-FATA，该框架将每个特征作为一个支持、攻击或中立预测的论证，通过论证过程进行特征归因计算，具有明确的语义和可解释性，并且能够整合用户上下文等额外信息以实现更准确的预测。

Oct, 2023

通过引入新的语义 —— 防御语义，本文研究了 Dung 的抽象论证框架，并提出了两种类型的防御、防御等价性以及接受论证的两种理由，进而定义了摘要的根等价性。

Nov, 2023