論文の概要: Same Side Stance Classification Task: Facilitating Argument Stance Classification by Fine-tuning a BERT Model

• arxiv url: http://arxiv.org/abs/2004.11163v1
• Date: Thu, 23 Apr 2020 13:54:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 09:03:57.070975
• Title: Same Side Stance Classification Task: Facilitating Argument Stance Classification by Fine-tuning a BERT Model
• Title（参考訳）: 同一側スタンス分類タスク:BERTモデルの微調整による調停スタンス分類のファシリテート
• Authors: Stefan Ollinger, Lorik Dumani, Premtim Sahitaj, Ralph Bergmann, Ralf Schenkel
• Abstract要約: 同じサイドスタンス分類タスクは、両方の引数が同じスタンスを共有するかどうかによって分類された引数ペアのデータセットを提供する。 3つのエポックに対して事前学習したBERTモデルを微調整し、各引数の最初の512トークンを使用して、2つの引数が同じスタンスを持つかどうかを予測する。
• 参考スコア（独自算出の注目度）: 8.8896707993459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research on computational argumentation is currently being intensively investigated. The goal of this community is to find the best pro and con arguments for a user given topic either to form an opinion for oneself, or to persuade others to adopt a certain standpoint. While existing argument mining methods can find appropriate arguments for a topic, a correct classification into pro and con is not yet reliable. The same side stance classification task provides a dataset of argument pairs classified by whether or not both arguments share the same stance and does not need to distinguish between topic-specific pro and con vocabulary but only the argument similarity within a stance needs to be assessed. The results of our contribution to the task are build on a setup based on the BERT architecture. We fine-tuned a pre-trained BERT model for three epochs and used the first 512 tokens of each argument to predict if two arguments share the same stance.
• Abstract（参考訳）: 計算議論の研究は現在、集中的に研究されている。 このコミュニティの目標は、与えられたトピックに対する最善の賛否の議論を見つけ、自分自身の意見を形成するか、あるいは他の人に一定の立場を取るよう説得することにある。 既存の引数マイニング手法はトピックの適切な引数を見つけることができるが、pro と con の正しい分類はまだ信頼できない。 同じサイドスタンス分類タスクは、両方の引数が同じスタンスを共有しているかどうかによって分類された引数ペアのデータセットを提供し、トピック固有のproとconの語彙を区別する必要はなく、スタンス内の引数類似性のみを評価する必要がある。 タスクへの私たちの貢献の結果は、bertアーキテクチャに基づいたセットアップに基づいています。 3つのエポックに対して事前学習したBERTモデルを微調整し、各引数の最初の512トークンを使用して、2つの引数が同じスタンスを持つかどうかを予測する。

関連論文リスト

• Exploring Key Point Analysis with Pairwise Generation and Graph Partitioning [61.73411954056032]
  キーポイント分析(KPA)は、議論採掘の分野において重要な未解決問題であり続けている。 ペア生成とグラフ分割を併用したKPAの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-17T13:44:29Z)
• CASA: Causality-driven Argument Sufficiency Assessment [79.13496878681309]
  ゼロショット因果関係に基づく議論十分性評価フレームワークであるCASAを提案する。 PSは前提イベントの導入が前提イベントと結論イベントの両方が欠落した場合の結論につながる可能性を測っている。 2つの論理的誤り検出データセットの実験により、CASAは不十分な議論を正確に識別することを示した。
  論文  参考訳（メタデータ） (2024-01-10T16:21:18Z)
• Argue with Me Tersely: Towards Sentence-Level Counter-Argument Generation [62.069374456021016]
  本稿では,文レベル逆問題生成のためのArgTerselyベンチマークを提案する。 また,Arg-LlaMAによる高品質な逆問題生成手法を提案する。
  論文  参考訳（メタデータ） (2023-12-21T06:51:34Z)
• Conclusion-based Counter-Argument Generation [26.540485804067536]
  現実世界の議論では、議論に対処する最も一般的な方法は、その主要なポイント、すなわち結論に対する推論である。 本稿では、入力引数の結論とカウンタの両方を生成するために共同で学習するマルチタスクアプローチを提案する。
  論文  参考訳（メタデータ） (2023-01-24T10:49:01Z)
• RuArg-2022: Argument Mining Evaluation [69.87149207721035]
  本稿は、ロシア語テキストを扱う議論分析システムの最初のコンペティションの主催者の報告である。 新型コロナウイルスの感染拡大に伴う3つの話題について、9,550文(ソーシャルメディア投稿記事)のコーパスを用意した。 両タスクで第一位を獲得したシステムは、BERTアーキテクチャのNLI(Natural Language Inference)変種を使用した。
  論文  参考訳（メタデータ） (2022-06-18T17:13:37Z)
• IAM: A Comprehensive and Large-Scale Dataset for Integrated Argument Mining Tasks [59.457948080207174]
  本稿では,一連の議論マイニングタスクに適用可能なIAMという,包括的で大規模なデータセットを提案する。 データセットの70k近い文は、引数特性に基づいて完全に注釈付けされている。 議論準備プロセスに関連する2つの新しい統合された議論マイニングタスクを提案する。(1) 姿勢分類付きクレーム抽出(CESC)と(2) クレーム・エビデンス・ペア抽出(CEPE)である。
  論文  参考訳（メタデータ） (2022-03-23T08:07:32Z)
• Towards Full-Fledged Argument Search: A Framework for Extracting and Clustering Arguments from Unstructured Text [0.0]
  Argument Searchは自然言語テキスト中の引数を識別することを目的としている。 既存のフレームワークは引数検索の特定のコンポーネントのみに対処する。 これらの欠点に対処する枠組みを提案する。
  論文  参考訳（メタデータ） (2021-11-30T23:05:05Z)
• Argument Undermining: Counter-Argument Generation by Attacking Weak Premises [31.463885580010192]
  我々は、議論を損なうこと、すなわち、その前提の1つを攻撃することによって議論に逆らうことを探る。 そこで我々は,まず前提の強度を評価し,弱体化をターゲットとした逆問題を生成するパイプライン手法を提案する。
  論文  参考訳（メタデータ） (2021-05-25T08:39:14Z)
• "Sharks are not the threat humans are": Argument Component Segmentation in School Student Essays [3.632177840361928]
  中学生が執筆した議論的エッセイのコーパスから,クレームと前提トークンを識別するためにトークンレベルの分類を適用する。 BERTに基づくマルチタスク学習アーキテクチャ(トークンと文レベルの分類)が、関連する未ラベルデータセット上で適応的に事前訓練され、最良の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-08T02:40:07Z)
• Aspect-Controlled Neural Argument Generation [65.91772010586605]
  我々は、与えられたトピック、スタンス、アスペクトの文レベル引数を生成するために、きめ細かいレベルで制御できる引数生成のための言語モデルを訓練する。 評価の結果,我々の生成モデルは高品質なアスペクト特異的な議論を生成できることがわかった。 これらの議論は、データ拡張による姿勢検出モデルの性能向上と、逆問題の生成に使用できる。
  論文  参考訳（メタデータ） (2020-04-30T20:17:22Z)
• AMPERSAND: Argument Mining for PERSuAsive oNline Discussions [41.06165177604387]
  本稿では,オンライン議論フォーラムにおける議論マイニングのための計算モデルを提案する。 我々のアプローチは、議論スレッド内の引数のコンポーネント間の関係を識別することに依存します。 我々のモデルは最近の最先端のアプローチと比較して大幅に改善されている。
  論文  参考訳（メタデータ） (2020-04-30T10:33:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。