Fugu-MT 論文翻訳(概要): ArgLLM-App: An Interactive System for Argumentative Reasoning with Large Language Models

論文の概要: ArgLLM-App: An Interactive System for Argumentative Reasoning with Large Language Models

arxiv url: http://arxiv.org/abs/2602.24172v1
Date: Fri, 27 Feb 2026 16:52:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 19:48:24.523078
Title: ArgLLM-App: An Interactive System for Argumentative Reasoning with Large Language Models
Title（参考訳）: ArgLLM-App:大規模言語モデルを用いた代名詞推論のための対話型システム
Authors: Adam Dejl, Deniz Gorur, Francesca Toni,
Abstract要約: 本稿では,バイナリタスクにArgLLMを組み込んだエージェントを実装したWebシステムを提案する。 ArgLLM-Appは、生成された説明と人間のユーザとのインタラクションの可視化をサポートする。
参考スコア（独自算出の注目度）: 17.564684011727955
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Argumentative LLMs (ArgLLMs) are an existing approach leveraging Large Language Models (LLMs) and computational argumentation for decision-making, with the aim of making the resulting decisions faithfully explainable to and contestable by humans. Here we propose a web-based system implementing ArgLLM-empowered agents for binary tasks. ArgLLM-App supports visualisation of the produced explanations and interaction with human users, allowing them to identify and contest any mistakes in the system's reasoning. It is highly modular and enables drawing information from trusted external sources. ArgLLM-App is publicly available at https://argllm.app, with a video demonstration at https://youtu.be/vzwlGOr0sPM.
Abstract（参考訳）: ArgLLM(Argumentative LLM)は、大規模言語モデル(LLM)と計算的議論を意思決定に活用する既存のアプローチである。本稿では,バイナリタスクにArgLLMを用いたエージェントを実装するWebシステムを提案する。 ArgLLM-Appは、生成した説明と人間のユーザとのインタラクションの可視化をサポートし、システムの推論における間違いを識別し、競合することを可能にする。高度にモジュール化されており、信頼できる外部ソースからの情報を描画することができる。 ArgLLM-Appはhttps://argllm.appで公開されており、ビデオデモはhttps://youtu.be/vzwlGOr0sPMで公開されている。

関連論文リスト

MArgE: Meshing Argumentative Evidence from Multiple Large Language Models for Justifiable Claim Verification [12.449402503089164]
本稿では,各大規模言語モデルの証拠に形式的構造を提供する新しいフレームワークであるMArgEを紹介する。実験により,MArgEは単一LLMよりも有意に優れることが示された。
論文参考訳（メタデータ） (2025-08-04T16:40:02Z)
SymDPO: Boosting In-Context Learning of Large Multimodal Models with Symbol Demonstration Direct Preference Optimization [49.931663904599205]
研究者は、インコンテキスト学習機能を備えた大規模マルチモーダルモデルを開発する技術を開発した。既存のLMMは、マルチモーダルなデモンストレーションで視覚的コンテキストを効果的に活用せず、単にテキストパターンに従う。本稿では,マルチモーダルな実演構築の伝統的なパラダイムを破るために,記号記述直接選好最適化(SymDPO)を提案する。
論文参考訳（メタデータ） (2024-11-17T08:29:14Z)
Can formal argumentative reasoning enhance LLMs performances? [0.3659498819753633]
本稿では,Large Language Models (LLM) の性能に及ぼす計算論証セマンティクスの導入効果を評価するパイプライン (MQArgEng) を提案する。調査の結果、MQArgEngは、調査対象のトピックのカテゴリの大部分で適度なパフォーマンス向上をもたらし、将来性を示し、さらなる研究を保証していることが示された。
論文参考訳（メタデータ） (2024-05-16T22:09:31Z)
Argumentative Large Language Models for Explainable and Contestable Claim Verification [13.045050015831903]
本稿では,議論的推論を用いた大規模言語モデルの拡張手法であるArgLLMsを紹介する。 ArgLLMsは議論フレームワークを構築し、意思決定を支援するための公式な推論の基礎となる。我々はArgLLMsの性能を最先端技術と比較して実験的に評価した。
論文参考訳（メタデータ） (2024-05-03T13:12:28Z)
LLMCheckup: Conversational Examination of Large Language Models via Interpretability Tools and Self-Explanations [26.340786701393768]
対話の形で説明を提供する解釈可能性ツールは,ユーザの理解を高める上で有効であることを示す。しかしながら、対話ベースの説明のための現在のソリューションは、しばしば外部ツールやモジュールを必要とし、設計されていないタスクに簡単に転送できない。ユーザがその振る舞いについて,最先端の大規模言語モデル(LLM)とチャットできる,アクセスしやすいツールを提案する。
論文参考訳（メタデータ） (2024-01-23T09:11:07Z)
Know Your Needs Better: Towards Structured Understanding of Marketer Demands with Analogical Reasoning Augmented LLMs [22.619903994607792]
我々は,非専門家のマーケターが,自然言語形式の要求のみを前提としたターゲットユーザを選択できる,ユーザターゲティングの新しい方法を探究する。本稿では,2つのモジュールからなるALALLMを提案する。
論文参考訳（メタデータ） (2024-01-09T02:25:23Z)
Language Models can be Logical Solvers [99.40649402395725]
論理解法の推論過程を直接エミュレートする新しい言語モデルであるLoGiPTを導入する。 LoGiPTは、導出的ソルバの見えない推論過程を明らかにして精錬することから導かれる、新しく構築された命令チューニングデータセットに基づいて微調整される。
論文参考訳（メタデータ） (2023-11-10T16:23:50Z)
Unlocking the Potential of User Feedback: Leveraging Large Language Model as User Simulator to Enhance Dialogue System [65.93577256431125]
本稿では,ユーザガイド応答最適化 (UGRO) という代替手法を提案し,タスク指向の対話モデルと組み合わせる。このアプローチでは、アノテーションのないユーザシミュレータとしてLLMを使用して対話応答を評価し、より小型のエンドツーエンドTODモデルと組み合わせる。提案手法は従来のSOTA(State-of-the-art)よりも優れている。
論文参考訳（メタデータ） (2023-06-16T13:04:56Z)
Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate [85.3444184685235]
複数のエージェントが"tit for tat"の状態で議論を表現するマルチエージェント議論(MAD)フレームワークを提案し、審査員が議論プロセスを管理して最終解を得る。我々のフレームワークは、深い熟考を必要とするタスクに役立ちそうなLSMにおける散発的思考を奨励する。
論文参考訳（メタデータ） (2023-05-30T15:25:45Z)
Check Your Facts and Try Again: Improving Large Language Models with External Knowledge and Automated Feedback [127.75419038610455]
大規模言語モデル(LLM)は、ダウンストリームタスクの多くに対して、人間のような、流動的な応答を生成することができる。本稿では,プラグ・アンド・プレイモジュールのセットでブラックボックスのLSMを増強するLSM-Augmenterシステムを提案する。
論文参考訳（メタデータ） (2023-02-24T18:48:43Z)
Augmented Language Models: a Survey [55.965967655575454]
この調査は、言語モデル(LM)が推論スキルとツールの使用能力で強化されているかのレビューを行う。私たちはこれらをAugmented Language Models (ALMs)と呼ぶ。トークンの目的の欠如により、ALMは標準的な自然言語タスクを実行しながら、推論、ツールの使用、さらには行動を学ぶことができる。
論文参考訳（メタデータ） (2023-02-15T18:25:52Z)
Reliable Natural Language Understanding with Large Language Models and Answer Set Programming [0.0]
大規模言語モデル(LLM)は、様々なNLPタスクを解くためにテキストのパターンを利用することができるが、推論を必要とする問題では不足している。 LLMとAnswer Set Programming(ASP)を組み合わせたフレームワークSTARを提案する。目標指向のASPは、この知識を確実に推論するために使用される。
論文参考訳（メタデータ） (2023-02-07T22:37:21Z)
Multimodal Chain-of-Thought Reasoning in Language Models [94.70184390935661]
言語(テキスト)と視覚(画像)のモダリティを2段階のフレームワークに組み込んだマルチモーダルCoTを提案する。その結果,ScienceQA と A-OKVQA のベンチマークは,提案手法の有効性を示した。
論文参考訳（メタデータ） (2023-02-02T07:51:19Z)

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。