Анализ аргументов - Argument mining

Анализ аргументов, или же интеллектуальный анализ, является областью исследований в обработка естественного языка поле. Целью интеллектуального анализа аргументов является автоматическое извлечение и идентификация аргументативных структур из естественный язык текст с помощью компьютерных программ.[1] Такие аргументативные структуры включают посылку, выводы, схема аргументов и отношения между главным и вспомогательным аргументом или главным аргументом и контраргументом в дискурсе.[2][3] Серия семинаров Argument Mining является основным форумом для исследований, связанных с поиском аргументов.[4]

Приложения

Интеллектуальный анализ аргументов применялся во многих различных жанрах, включая качественную оценку социальные медиа контент (например, Twitter, Facebook), где он предоставляет мощный инструмент для политиков и исследователей в области социальных и политических наук.[1] Другие области включают юридические документы, обзоры продуктов, научные статьи, онлайн-дискуссии, газетные статьи и диалогические области. Подходы к трансферному обучению успешно использовались для объединения различных доменов в модель аргументации, не зависящую от предметной области.[5]

Интеллектуальный анализ аргументов использовался для предоставления студентам индивидуальной письменной поддержки путем доступа и визуализации дискурса аргументации в их текстах. Применение интеллектуального анализа аргументов в ориентированном на пользователя инструменте обучения помогло учащимся значительно улучшить свои навыки аргументации по сравнению с традиционными приложениями для обучения аргументации. [6]

Вызовы

Учитывая большое разнообразие текстовых жанров и различные исследовательские точки зрения и подходы, было трудно разработать общую и объективную схему оценки.[7] Было предложено множество наборов аннотированных данных, некоторые из которых набирают популярность, но согласованный набор данных еще не найден. Аннотирование аргументативных структур - очень сложная задача. Были успешные попытки делегировать такие задачи аннотации толпе, но процесс по-прежнему требует больших усилий и требует значительных затрат. Первоначальные попытки обойти это препятствие были предприняты с использованием подхода слабого надзора.[8]

Смотрите также

Рекомендации

  1. ^ а б Липпи, Марко; Торрони, Паоло (2016-04-20). «Argumentation Mining: современное состояние и новые тенденции». ACM-транзакции по интернет-технологиям. 16 (2): 10. Дои:10.1145/2850417. ISSN  1533-5399. S2CID  9561587.
  2. ^ Будзинская, Катаржина; Виллата, Серена. "Argument Mining - Учебное пособие по IJCAI2016". www.i3s.unice.fr. Получено 2018-03-30.
  3. ^ Гуревич, Ирина; Рид, Крис; Слоним, Ноам; Штейн, Бенно. «Подходы НЛП к вычислительной аргументации - Учебное пособие по ACL 2016».
  4. ^ «5-й семинар по интеллектуальному анализу».
  5. ^ Wambsganss, Thiemo; Молиндрис, Николаос; Зёлльнер, Маттиас (2020-03-09), «Разблокировка трансферного обучения в интеллектуальном анализе аргументов: подход к моделированию, не зависящий от предметной области» (PDF), WI2020 Zentrale Tracks, ГИТО Верлаг, стр. 341–356, Дои:10.30844 / wi_2020_c9-wambsganss, ISBN  978-3-95545-335-0
  6. ^ "AL: Система поддержки адаптивного обучения для навыков аргументации | Материалы конференции CHI 2020 г. по человеческому фактору в вычислительных системах" (PDF). Дои:10.1145/3313831.3376732. S2CID  218482749. Цитировать журнал требует | журнал = (помощь)
  7. ^ "Неразделенная задача - 3-й семинар по интеллектуальному анализу аргументов".
  8. ^ Леви, Ран; Гретц, Шай; Снайдер, Бенджамин; Хаммел, Шэй; Ааронов, Ранит; Слоним, Ноам (2017). "Неконтролируемое обнаружение претензий на уровне всего корпуса". Материалы 4-го семинара по Argumentation Mining 2017.