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

提出了一种名为 AutoAM 的新型神经模型，用于解决争论挖掘的困难问题。该模型引入了争论组件注意机制，能更好地执行争论挖掘，是一种通用的端到端框架，可以分析无约束的争论结构，并在一个模型中完成争论挖掘的三个子任务。实验结果表明，该模型在两个公共数据集上的多个度量指标上优于现有工作。

Sep, 2023

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

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

本文介绍了 Argument Mining 领域的最新研究，专注于针对讨论串的微观层面进行研究，提出了一种新的组合方案并使用 PCPA 技术进行了结构推断，同时通过大规模的注释和实验验证表明该方法优于现有的最先进模型。

Sep, 2018

该研究创建了适用于跨语种论证挖掘的平行语料库，并比较了注释映射和基于双语词嵌入的直接转移策略，发现前者表现更好且几乎消除了跨语种传递的损失。

Jul, 2018

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

通过序列管道模型将学术论证挖掘中的 argumentative discourse unit recognition 和 argumentative relation extraction 组合起来， 并提出了预训练语言模型用于学术文本挖掘的方法，取得了新的最佳表现，并对数据注释方面的一致性进行了分析。

Oct, 2022

评估当代大型语言模型（LLM）进行论证推理的能力，发现大语言模型在论证挖掘（AM）和论证对提取（APE）任务中表现出了能够匹配或超过最新技术的能力，但它们的论证推理性能非常依赖于输入和输出表示形式。

Sep, 2023

本文提出了一种计算模型，该模型结合了微观层面和宏观层面的论证模型，基于 Rhetorical Structure Theory 利用上下文信息来预测关系，使用候选选择方法自动预测讨论中被其他参与者针对的论点，其结果优于最新的 state-of-the-art 方法。

Apr, 2020