論文の概要: IAM: A Comprehensive and Large-Scale Dataset for Integrated Argument Mining Tasks

• arxiv url: http://arxiv.org/abs/2203.12257v2
• Date: Thu, 24 Mar 2022 03:27:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 11:46:25.416731
• Title: IAM: A Comprehensive and Large-Scale Dataset for Integrated Argument Mining Tasks
• Title（参考訳）: IAM: 総合的かつ大規模なArgument Miningタスクデータセット
• Authors: Liying Cheng, Lidong Bing, Ruidan He, Qian Yu, Yan Zhang, Luo Si
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.457948080207174
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Traditionally, a debate usually requires a manual preparation process, including reading plenty of articles, selecting the claims, identifying the stances of the claims, seeking the evidence for the claims, etc. As the AI debate attracts more attention these years, it is worth exploring the methods to automate the tedious process involved in the debating system. In this work, we introduce a comprehensive and large dataset named IAM, which can be applied to a series of argument mining tasks, including claim extraction, stance classification, evidence extraction, etc. Our dataset is collected from over 1k articles related to 123 topics. Near 70k sentences in the dataset are fully annotated based on their argument properties (e.g., claims, stances, evidence, etc.). We further propose two new integrated argument mining tasks associated with the debate preparation process: (1) claim extraction with stance classification (CESC) and (2) claim-evidence pair extraction (CEPE). We adopt a pipeline approach and an end-to-end method for each integrated task separately. Promising experimental results are reported to show the values and challenges of our proposed tasks, and motivate future research on argument mining.
• Abstract（参考訳）: 伝統的に、議論は通常、多くの記事を読み、クレームを選択し、クレームのスタンスを特定し、クレームの証拠を求めるなど、手作業による準備プロセスを必要とする。 aiの議論が近年さらに注目を集める中、議論システムに関わる面倒なプロセスを自動化するための方法を探求する価値がある。 本研究では, クレーム抽出, 姿勢分類, 証拠抽出など, 一連の議論マイニングタスクに適用可能な, 包括的で大規模なデータセットIAMを導入する。 データセットは123のトピックに関連する1万以上の記事から収集されます。 データセット内の約70kの文は、その引数特性(クレーム、スタンス、証拠など)に基づいて完全に注釈付けされる。 さらに,(1)姿勢分類によるクレーム抽出 (cesc) と(2)クレーム・エビデンス対抽出 (cepe) という,議論作成プロセスに関連する2つの新しい統合的議論マイニングタスクを提案する。 統合タスク毎にパイプラインアプローチとエンドツーエンドメソッドを別々に採用する。 提案課題の価値と課題を実証した実験結果が報告され,今後の議論マイニング研究のモチベーションとなっている。

関連論文リスト

• OpenDebateEvidence: A Massive-Scale Argument Mining and Summarization Dataset [10.385189302526246]
  OpenDebateEvidenceは、American Debate Competitiveコミュニティから派生した、議論のマイニングと要約のための包括的なデータセットである。 このデータセットには、350万以上のドキュメントと豊富なメタデータが含まれており、議論を巻き起こした最も広範な証拠の1つである。
  論文  参考訳（メタデータ） (2024-06-20T18:22:59Z)
• Which Side Are You On? A Multi-task Dataset for End-to-End Argument Summarisation and Evaluation [13.205613282888676]
  本稿では,議論のための議論的エッセイを作成するエンドツーエンドの過程を捉えた議論マイニングデータセットを提案する。 私たちのデータセットには、上記のタスクをサポートするさまざまなプロパティで完全に注釈付けされたクレームの14万の例が含まれています。 ベンチマークでは,各タスクに対する有望な結果を示す一方で,4つのタスクすべてに対するエンドツーエンドのパフォーマンスが著しく低下していることが判明した。
  論文  参考訳（メタデータ） (2024-06-05T11:15:45Z)
• MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation [104.6065882758648]
  MAVEN-Argは、イベント検出、イベント引数抽出、イベント関係抽出をサポートする最初のオールインワンデータセットである。 EAEベンチマークでは、(1)162のイベントタイプと612の引数ロールをカバーする包括的なスキーマ、(2)98,591のイベントと290,613の引数を含む大規模なデータスケール、(3)EAEのすべてのタスク変種をサポートする包括的なアノテーションの3つの利点がある。
  論文  参考訳（メタデータ） (2023-11-15T16:52:14Z)
• Aspect-based Meeting Transcript Summarization: A Two-Stage Approach with Weak Supervision on Sentence Classification [91.13086984529706]
  Aspect-based meeting transcript summarization は複数の要約を生成することを目的としている。 従来の要約手法は、全ての側面の情報を1つの要約で混合する。 アスペクトベースの会議書き起こし要約のための2段階の手法を提案する。
  論文  参考訳（メタデータ） (2023-11-07T19:06:31Z)
• AQE: Argument Quadruplet Extraction via a Quad-Tagging Augmented Generative Approach [40.510976649949576]
  本稿では,AQE抽出課題を提案する。 AQEは、クレーム、エビデンス、エビデンスタイプ、スタンスという4つの議論的要素をオールインワンで抽出することができる。 そこで本研究では,四重項タグ付けモジュールを利用した新しい四重項タグ付け拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-05-31T14:35:53Z)
• Full-Text Argumentation Mining on Scientific Publications [3.8754200816873787]
  フルテキストSAMに対してADURとAREを組み合わせた逐次パイプラインモデルを提案する。 両サブタスクにおける事前学習言語モデル(PLM)の性能について,最初の解析を行った。 本稿では,非連続型ADUと談話コネクタの解釈が重要な課題であることを示す。
  論文  参考訳（メタデータ） (2022-10-24T10:05:30Z)
• ConvFinQA: Exploring the Chain of Numerical Reasoning in Conversational Finance Question Answering [70.6359636116848]
  本稿では,対話型質問応答における数値推論の連鎖を研究するために,新しい大規模データセットConvFinQAを提案する。 我々のデータセットは、現実世界の会話において、長距離で複雑な数値推論パスをモデル化する上で大きな課題となる。
  論文  参考訳（メタデータ） (2022-10-07T23:48:50Z)
• 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)
• Diversity Over Size: On the Effect of Sample and Topic Sizes for Topic-Dependent Argument Mining Datasets [49.65208986436848]
  本研究では,アーギュメント・マイニング・データセットの構成が,少数・ゼロショット設定における影響について検討する。 実験結果から, モデル性能の達成には微調整が必須であるが, 慎重に構成したトレーニングサンプルを用いることで, トレーニングサンプルサイズを最大90%まで下げることで, 最大性能の95%を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-05-23T17:14:32Z)
• Aspect-Based Argument Mining [2.3148470932285665]
  Aspect-Based Argument Mining (ABAM) の課題として,Aspect Term extract (ATE) と Nested Term extract (NS) の基本的なサブタスクについて述べる。 私たちはアスペクトをメインポイント(s)引数ユニットが対処していると見なしています。 この情報は、議論のランク付け、議論の要約、生成などの下流タスクや、アスペクトレベルの逆問題探索に重要である。
  論文  参考訳（メタデータ） (2020-11-01T21:57:51Z)

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。