論文の概要: Extracting Arguments, Not Just Classifying Them: Instruction-Tuned LLMs for Generative Component Detection

• arxiv url: http://arxiv.org/abs/2609.24855v1
• Date: Mon, 21 Sep 2026 16:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.413002
• Title: Extracting Arguments, Not Just Classifying Them: Instruction-Tuned LLMs for Generative Component Detection
• Title（参考訳）: 規則の抽出, 単にテーマを分類するだけでなく: 生成成分検出のための命令付きLLM
• Abstract要約: ACDはArgument(ation) Mining(AM)のコアサブタスクである 本稿では,命令調整型大規模言語モデル(LLM)に基づく新しいアプローチであるITFACDを提案する。 標準ベンチマーク実験により,本手法は最先端システムよりも高い性能を実現することが示された。
• 参考スコア（独自算出の注目度）: 9.542561151544984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Argumentative component detection (ACD) is a core subtask of Argument(ation) Mining (AM) and one of its most challenging aspects, as it requires jointly delimiting argumentative spans and classifying them into components such as claims and premises. While research on this subtask remains relatively limited compared to other AM tasks, most existing approaches formulate it as a simplified sequence labeling problem, component classification, or a pipeline of component segmentation followed by classification. In this paper, we propose ITFACD, a novel approach based on instruction-tuned Large Language Models (LLMs) using compact instruction-based prompts, and reframe ACD as a language generation task, enabling arguments to be identified directly from plain text without relying on pre-segmented components. Experiments on standard benchmarks show that our approach achieves higher performance compared to state-of-the-art systems. To the best of our knowledge, this is one of the first attempts to fully model ACD as a generative task, highlighting the potential of instruction tuning for complex AM problems. Our code and the datasets used are openly available in the following GitHub repository.
• Abstract（参考訳）: Argumentative component detection (ACD) は Argument(ation) Mining (AM) のコアサブタスクであり、議論的なスパンを共同で分離し、クレームや前提のようなコンポーネントに分類する必要があるため、最も難しい側面の1つである。 このサブタスクの研究は、他のAMタスクと比較しても比較的限られているが、既存のほとんどのアプローチでは、単純化されたシーケンスラベリング問題、コンポーネント分類、またはコンポーネントセグメンテーションのパイプラインとして定式化されている。 本稿では,命令ベースプロンプトを用いた命令調整型大規模言語モデル(LLM)に基づく新しい手法であるITFACDを提案する。 標準ベンチマーク実験により,本手法は最先端システムよりも高い性能を実現することが示された。 我々の知る限り、これはACDを生成タスクとして完全にモデル化する最初の試みの1つであり、複雑なAM問題に対する命令チューニングの可能性を強調している。 私たちのコードと使用するデータセットは、以下のGitHubリポジトリで公開されています。

関連論文リスト

• PRIMA: Operational Patterns for Resilient Multi-Agent Research with Verifiable Identity and Convergent Feedback [0.0]
  PRIMAは、複数時間にわたる協調型マルチエージェント研究システムとして運用されている。 主なコントリビューションは、生存可能な障害モードのための3つの運用パターンである。 グラフ同型ケーススタディは、生成されたアーティファクトのアーキテクチャ的クレームを根拠にしている。
  論文  参考訳（メタデータ） (2026-05-23T23:27:46Z)
• Argument Mining as a Text-to-Text Generation Task [9.144312884638545]
  本稿では,事前学習したエンコーダ・デコーダ言語モデルを用いて,テキストからテキストへ変換する手法を提案する。 提案手法は,スパン,コンポーネント,リレーションのための議論的注釈付きテキストを同時に生成する。
  論文  参考訳（メタデータ） (2026-03-25T05:10:39Z)
• Explainable Semantic Textual Similarity via Dissimilar Span Detection [53.32175252285023]
  テキストのペア間で意味的に異なるスパンを識別することを目的として,DSD(Dissimilar Span Detection)タスクを導入する。 これにより、ユーザーはどの特定の単語やトークンが類似度スコアに悪影響を及ぼすかを理解したり、STS依存のダウンストリームタスクのパフォーマンス向上に使用することができる。
  論文  参考訳（メタデータ） (2026-03-22T11:32:31Z)
• Compact Prompting in Instruction-tuned LLMs for Joint Argumentative Component Detection [9.542561151544984]
  ACDはArgument(ation) Mining(AM)のコアサブタスクである 本稿では,命令型大規模言語モデル (LLM) に基づく新しい手法を提案する。 標準ベンチマーク実験により,本手法は最先端システムよりも高い性能を実現することが示された。
  論文  参考訳（メタデータ） (2026-03-03T15:32:58Z)
• Think Before You Segment: High-Quality Reasoning Segmentation with GPT Chain of Thoughts [64.93416171745693]
  ThinkFirstはトレーニング不要の推論セグメンテーションフレームワークである。 我々のアプローチでは、GPT-4oや他の強力なMLLMが画像の詳細なチェーン記述を生成することができる。 この要約された記述は、セグメンテーションプロセスを支援するために言語で指示されたセグメンテーションアシスタントに渡される。
  論文  参考訳（メタデータ） (2025-03-10T16:26:11Z)
• Exploration of Marker-Based Approaches in Argument Mining through Augmented Natural Language [2.1639459844313564]
  Argument Mining (AM)は、Argumentative Components (AC)とそれに対応するArgumentative Relations (AR)を識別・抽出する。 本稿では、生成パラダイムに基づくエンドツーエンドフレームワークargTANLを紹介する。 Augmented Natural Language (ANL) というラベル付きテキストに議論構造をフレーム化する。
  論文  参考訳（メタデータ） (2024-06-12T19:22:29Z)
• Automated Few-shot Classification with Instruction-Finetuned Language Models [76.69064714392165]
  我々は、AuT-Fewが最先端の数ショット学習方法より優れていることを示す。 AuT-Few は RAFT few-shot ベンチマークにおいて,データセット間で最高のランク付け手法であることを示す。
  論文  参考訳（メタデータ） (2023-05-21T21:50:27Z)

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。