論文の概要: Who Argues What? Joint Argument-Entity Detection and Classification in Political Debates
- arxiv url: http://arxiv.org/abs/2609.10192v1
- Date: Wed, 09 Sep 2026 14:01:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.042711
- Title: Who Argues What? Joint Argument-Entity Detection and Classification in Political Debates
- Title（参考訳）: 政治討論会で誰が主張するのか : 共同論議と政治論議の分類と共同論議
- Abstract要約: 政治論争は、しばしば、彼らを駆り立てる主要な議論を調べるために、アーグメント・マイニング(英語版)(AM)を通して分析される。
既存のAMリソースとメソッドは、通常、議論的なスパンとロールに注釈を付けるが、議論の中でどの名前付きエンティティ(DNE)、例えばアクターやイベントが呼び出されるかを問うための2つの議論層を提供しない。
我々は、USElecDebデータセットのエンティティ強化バージョンであるDNE-ElecDebを紹介した。
我々はまた、ファインな生成フレームワークであるJAET(Joint Argument and Entity Tagging)も提案する。
- 参考スコア（独自算出の注目度）: 10.31122963466403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Political debates are often analyzed through Argument Mining (AM) to investigate the key arguments that drive them. However, political arguments are rarely interpretable from argumentative spans alone, as claims and premises generally depend on the entities (e.g., people, events, locations, parties) they mention. Existing AM resources and methods typically annotate argumentative spans and roles, but do not provide a paired debate-entity layer for asking which Debate Named Entities (DNE), e.g., actors and events, are invoked within debates. In this work, we address these data and methodological gaps by (i) introducing DNE-ElecDeb, an entity-enriched version of the USElecDeb dataset that adds DNEs in both argumentative and non-argumentative spans and defines Debate Named Entity Recognition (DNER) as the task of detecting DNEs, and (ii) proposing Joint Argument and Entity Tagging (JAET), a generative framework that fine-tunes decoder-only LLMs to insert inline argument and entity tags into debate turns while preserving the original transcript. Under BIO-tagging evaluation, JAET improves relative F1 on the joint AM+DNER task by +27.3%, resp. +41.9%, under the untyped, resp. typed setting over the strongest sequential AM-DNER pipelines, demonstrating that such gains cannot be recovered by composing two independent modules. Notably, similar margins replicate on Persuasive Essays (+26.6%, resp. +52.7%), showing effective generalization to domains orthogonal to political debates. By unifying argumentative and entity-level representations within a single view, our contributions pave the way for richer political debates understanding.
- Abstract（参考訳）: 政治論争は、しばしば、彼らを駆り立てる主要な議論を調べるために、アーグメント・マイニング(英語版)(AM)を通して分析される。
しかし、主張や前提は一般的に言及する実体(例えば、人々、イベント、場所、パーティー)に依存しているため、政治的議論は議論の対象から単独で解釈されることは滅多にない。
既存のAMリソースとメソッドは、通常、議論的なスパンとロールに注釈を付けるが、どの名前付きエンティティ(DNE)、例えばアクター、イベントが議論の中で呼び出されるかを問うための2つの議論層を提供しない。
本研究では,これらのデータと方法論的ギャップに対処する。
i) DNE-ElecDebを導入する。これは、USElecDebデータセットのエンティティ強化版で、引数と非引数の両方にDNEを追加し、DNEを検出するタスクとしてデリゲート名付きエンティティ認識(DNER)を定義する。
JAET(Joint Argument and Entity Tagging)は、インライン引数とエンティティタグを議論に挿入し、元の書き起こしを保存する。
BIOタグ付け評価では、JAETは共同AM+DNERタスクの相対F1を+27.3%改善する。
+41.9%,untyped, resp。
最強シーケンシャルなAM-DNERパイプラインの上にタイプされた設定は、2つの独立したモジュールを構成することで、そのような利得を回復できないことを実証している。
特に、同様のマージンはPersuasive Essays(+26.6%、resp.+52.7%)で再現され、政治的議論に直交する領域への効果的な一般化を示している。
一つの視点で議論と実体レベルの表現を統一することで、我々の貢献はより豊かな政治的議論の理解の道を開く。
関連論文リスト
- Evaluating the Capabilities of LLMs for Persuasive Dialogue [3.3571381688392488]
大きな言語モデル (LLMs) は明らかに説得力のあるテキストを生成することができるが、説得力のある発音は議論をうまく行うことを意味するのだろうか?
我々は,多言語対話プラットフォームであるtextscPersuasio を紹介した。
このシステムを用いて、英国における人間とLLMの政治的話題に関する192の議論を発生させ、自動判断と9,702人のクラウドソースによるペアの判断を通じて、22人のインターロケータを評価した。
論文 参考訳（メタデータ） (2026-08-30T12:03:59Z) - Evaluating LLM-Driven Summarisation of Parliamentary Debates with Computational Argumentation [12.06334493909551]
大規模言語モデル(LLM)は、大規模な自動要約を可能にする。
既存の自動要約メトリクスは、一貫性の人間の判断と相関が低いことが示されている。
本稿では,議論の場として提案された議題の議論構造を根拠として,議会討論要約を評価するための公式な枠組みを提案する。
論文 参考訳（メタデータ） (2026-04-21T11:01:53Z) - LLM-based Argument Mining meets Argumentation and Description Logics: a Unified Framework for Reasoning about Debates [18.314315278861073]
大規模言語モデル(LLM)は、テキストの分析と生成において高いパフォーマンスを達成する。
彼らは、議論を含むような複雑なテキストに対する明確で透明で検証可能な推論に苦慮している。
本稿では,学習に基づく議論マイニングと定量的推論を組み合わせたフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-03T11:06:23Z) - SAD: A Large-Scale Strategic Argumentative Dialogue Dataset [60.33125467375306]
実際には、議論はしばしばマルチターン対話として実現される。
大規模なtextbfStrategic textbfArgumentative textbfDialogue データセットは,392,822例からなる。
論文 参考訳（メタデータ） (2026-01-12T11:11:37Z) - 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) - Exploring the Jungle of Bias: Political Bias Attribution in Language Models via Dependency Analysis [86.49858739347412]
大規模言語モデル(LLM)は、これらのモデルにおけるバイアスの頻度とその緩和に関する激しい議論を引き起こしている。
本稿では,意思決定プロセスに寄与する属性の抽出と仲介を行うためのプロンプトベースの手法を提案する。
観察された異なる治療は、少なくとも部分的には、属性の相違とモデルの相違によるものであることが判明した。
論文 参考訳（メタデータ） (2023-11-15T00:02:25Z) - 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) - DEBACER: a method for slicing moderated debates [55.705662163385966]
同じ主題を持つブロックに議論を分割することは理解に不可欠である。
議論を適度に分割する新しいアルゴリズムDEBACERを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:39:07Z) - Exploring Discourse Structures for Argument Impact Classification [48.909640432326654]
本稿では、文脈経路に沿った2つの議論間の談話関係が、議論の説得力を特定する上で不可欠な要素であることを実証的に示す。
本研究では,文レベルの構造情報を大規模言語モデルから派生した文脈的特徴に注入・融合するDisCOCを提案する。
論文 参考訳（メタデータ） (2021-06-02T06:49:19Z) - The Unfolding Structure of Arguments in Online Debates: The case of a
No-Deal Brexit [0.0]
オンライン討論の潜在的な議論構造を抽出,分類,探索するための5段階の手法を提案する。
合意なし」ブレグジットに関するTwitterのデータを用いて、このイベントが実現した場合の期待される影響に焦点を当てる。
その結果,提案手法を議論の統計的レトリック解析に用いることができることがわかった。
論文 参考訳（メタデータ） (2021-03-09T12:29:43Z) - M2P2: Multimodal Persuasion Prediction using Adaptive Fusion [65.04045695380333]
本稿では,ディベートアウトカム予測 (DOP) 問題において,誰が討論に勝つかを予測し,IPP (Intensity of Persuasion Prediction) 問題では,講演者の発言前後の投票数の変化を予測する。
我々のM2P2フレームワークはIPP問題を解決するためにマルチモーダル(音響、視覚、言語)データを使用した最初のフレームワークです。
論文 参考訳（メタデータ） (2020-06-03T18:47:24Z)
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。