論文の概要: Argue with Me Tersely: Towards Sentence-Level Counter-Argument Generation

• arxiv url: http://arxiv.org/abs/2312.13608v1
• Date: Thu, 21 Dec 2023 06:51:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 15:53:57.527065
• Title: Argue with Me Tersely: Towards Sentence-Level Counter-Argument Generation
• Title（参考訳）: 厳密に議論する: 文レベルの反論生成に向けて
• Authors: Jiayu Lin, Rong Ye, Meng Han, Qi Zhang, Ruofei Lai, Xinyu Zhang, Zhao Cao, Xuanjing Huang, Zhongyu Wei
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.069374456021016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counter-argument generation -- a captivating area in computational linguistics -- seeks to craft statements that offer opposing views. While most research has ventured into paragraph-level generation, sentence-level counter-argument generation beckons with its unique constraints and brevity-focused challenges. Furthermore, the diverse nature of counter-arguments poses challenges for evaluating model performance solely based on n-gram-based metrics. In this paper, we present the ArgTersely benchmark for sentence-level counter-argument generation, drawing from a manually annotated dataset from the ChangeMyView debate forum. We also propose Arg-LlaMA for generating high-quality counter-argument. For better evaluation, we trained a BERT-based evaluator Arg-Judge with human preference data. We conducted comparative experiments involving various baselines such as LlaMA, Alpaca, GPT-3, and others. The results show the competitiveness of our proposed framework and evaluator in counter-argument generation tasks. Code and data are available at https://github.com/amazingljy1206/ArgTersely.
• Abstract（参考訳）: 計算言語学の魅惑的な領域であるカウンター引数生成は、反対の見解を提供するステートメントを作成しようとしている。 多くの研究は段落レベルの世代へと進出してきたが、文レベルの対格生成は独特の制約と簡潔さに焦点を絞った挑戦を伴う。 さらに、カウンター引数の多様な性質は、n-gramベースのメトリクスのみに基づいてモデルパフォーマンスを評価する上での課題となる。 本稿では,changemyviewディベートフォーラムから手作業で注釈付きデータセットを抽出した,文レベルの対訳生成のための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。 BERTベースの評価器Arg-Judgeを人選好データを用いて訓練した。 LlaMA, Alpaca, GPT-3など, 各種ベースラインを対象とした比較実験を行った。 その結果,提案するフレームワークと評価器の競合性を示す。 コードとデータはhttps://github.com/amazingljy1206/argterselyで入手できる。

関連論文リスト

• ConQRet: Benchmarking Fine-Grained Evaluation of Retrieval Augmented Argumentation with LLM Judges [23.179246872272362]
  今日の分極環境では、計算的議論がますます重要になっている。 そこで本研究では,現実世界のWebサイトを基盤とした,議論されたトピックに関する,長く複雑な人間による議論を特徴とする新しいベンチマークを提案する。 提案した LLM Judges と ConQRet ベンチマークは,計算議論の急速な進展を可能にする。
  論文  参考訳（メタデータ） (2024-12-06T17:35:52Z)
• Debatrix: Multi-dimensional Debate Judge with Iterative Chronological Analysis Based on LLM [51.43102092480804]
  Debatrixは、Large Language Models (LLMs)に基づく自動ディスカッションジャッジである。 実世界の議論シナリオに合わせるため、私たちはPanelBenchベンチマークを導入し、システムの性能と実際の議論結果を比較した。 以上の結果から,LSMを直接使用して議論評価を行ない,顕著な改善が見られた。
  論文  参考訳（メタデータ） (2024-03-12T18:19:47Z)
• Auditing Counterfire: Evaluating Advanced Counterargument Generation with Evidence and Style [11.243184875465788]
  GPT-3.5 Turboは、高いパラフレーズとスタイルの忠実さ、特に相互のスタイルの議論において、議論の質で最高にランクされた。 文体的な反論はまだ人間の説得力基準に欠けており、人々は証拠に基づく反論に相反することを好んでいる。
  論文  参考訳（メタデータ） (2024-02-13T14:53:12Z)
• Exploring the Potential of Large Language Models in Computational Argumentation [54.85665903448207]
  大規模言語モデル (LLM) は、文脈を理解し、自然言語を生成するという印象的な能力を実証している。 この研究は、ChatGPT、Flanモデル、LLaMA2モデルなどのLLMをゼロショットと少数ショットの両方で評価することを目的としている。
  論文  参考訳（メタデータ） (2023-11-15T15:12:15Z)
• Sentiment Analysis through LLM Negotiations [58.67939611291001]
  感情分析の標準的なパラダイムは、単一のLCMに依存して、その決定を1ラウンドで行うことである。 本稿では,感情分析のためのマルチLLMネゴシエーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-03T12:35:29Z)
• QRelScore: Better Evaluating Generated Questions with Deeper Understanding of Context-aware Relevance [54.48031346496593]
  我々は、$underlinetextbfRel$evance評価指標のコンテキスト対応評価指標である$textbfQRelScore$を提案する。 BERTやGPT2のような既製の言語モデルに基づいて、QRelScoreは単語レベルの階層マッチングと文レベルのプロンプトベースの生成の両方を採用している。 既存の測定値と比較すると、QRelScoreは人間による判断と高い相関性を持ちながら、敵のサンプルに対してより堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-04-29T07:39:53Z)
• 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)
• Same Side Stance Classification Task: Facilitating Argument Stance Classification by Fine-tuning a BERT Model [8.8896707993459]
  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。
  論文  参考訳（メタデータ） (2020-04-23T13:54:31Z)

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。