論文の概要: Argument Structure Prediction in Online Conversations: A Comparative Study of Modeling Paradigms and Task Architectures

• arxiv url: http://arxiv.org/abs/2609.39225v1
• Date: Wed, 30 Sep 2026 08:01:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.419129
• Title: Argument Structure Prediction in Online Conversations: A Comparative Study of Modeling Paradigms and Task Architectures
• Title（参考訳）: オンライン会話における議論構造予測:パラダイムとタスクアーキテクチャのモデル化の比較研究
• Abstract要約: 議論構造予測(ASP)は、議論単位とその関係を識別することにより、言論から完全な議論構造を構築する。 本稿では、厳密なスキーマ制約の下でASPを体系的に評価し、教師付き微調整とプロンプトベースの大規模言語モデルと比較する。 Inference Anchoring Theory からバイポーラ引数構造に適応した3つの多様なダイアログコーパスをベンチマークする。
• 参考スコア（独自算出の注目度）: 8.498018636270105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Argument structure prediction (ASP) constructs complete argument structures from discourse by identifying argumentative units and their relations. While recent work has explored diverse approaches---including unified neural models, multi-step pipelines, and prompt-based large language models (LLMs)---their relative trade-offs remain under-explored, particularly in dialogical settings. We present a systematic evaluation of ASP under strict schema constraints, comparing supervised fine-tuning and prompt-based LLMs across single- and multi-step task architectures, generating complete argument structures from dialogical input end-to-end. We benchmark them on three diverse dialogical corpora adapted from Inference Anchoring Theory into bipolar argument structures. Under a shared evaluation framework, we assess predictive performance, cross-domain generalization, schema compliance, and computational efficiency. Our results show that ASP remains a challenging task, with identifying argumentative relations emerging as the primary bottleneck, largely due to the implicit and context-dependent nature of dialogical argumentation. To facilitate future research, we release our data processing pipeline and end-to-end modeling framework for computational ASP on dialogical corpora.
• Abstract（参考訳）: 議論構造予測(ASP)は、議論単位とその関係を識別することにより、言論から完全な議論構造を構築する。 最近の研究では、統合ニューラルモデル、マルチステップパイプライン、プロンプトベースの大規模言語モデル(LLM)など、さまざまなアプローチが検討されているが、相対的なトレードオフは、特にダイアログ的な設定では、未探索のままである。 厳密なスキーマ制約下でのASPの体系的評価を行い、教師付き微調整と複数ステップのタスクアーキテクチャ間でのプロンプトベースのLCMを比較し、ダイアラル入力のエンドツーエンドから完全な引数構造を生成する。 Inference Anchoring Theory からバイポーラ引数構造に適応した3つの多様なダイアログコーパスをベンチマークする。 共有評価フレームワークでは,予測性能,クロスドメイン一般化,スキーマコンプライアンス,計算効率を評価する。 この結果から、ASPは依然として課題であり、主に暗黙的かつ文脈に依存した対話的議論の性質のため、主要なボトルネックとして出現する議論的関係を識別する。 今後の研究を容易にするため、ダイアログコーパス上でのASP計算のためのデータ処理パイプラインとエンドツーエンドモデリングフレームワークをリリースする。

関連論文リスト

• Designing and Analysing Argument Mining Pipelines: Towards a Comprehensive Assessment [5.685695952342598]
  Argument Mining (AM) は自然言語を基本となる引数構造に変換する。 この研究は、いくつかの最先端のエンドツーエンドのAMワークを体系的にレビューする予備的なメタスタディを提示している。 本稿では,言語的および計算的観点からの一般的な設計を提案し,議論構造のモデル化と計算のために重要なAMタスクがどのように設計されているかを示す。
  論文  参考訳（メタデータ） (2026-09-22T12:46:29Z)
• An LLM-Based System for Argument Mining [0.03499870393443267]
  本稿では,自然言語テキストから抽象的引数グラフへ引数を再構成する,エンドツーエンドの大規模言語モデル(LLM)を提案する。 このシステムは、議論的コンポーネントを段階的に識別し、関連する要素を選択し、それらの論理的関係を明らかにする多段階パイプラインに従う。 その結果,提案システムは議論構造を適切に復元することができ,異なるアノテーションスキームに適応すると,ベンチマークデータセット間で適切な性能が得られることがわかった。
  論文  参考訳（メタデータ） (2026-05-13T17:13:45Z)
• LSRIF: Logic-Structured Reinforcement Learning for Instruction Following [56.517329105764475]
  命令論理を明示的にモデル化するロジック構造化学習フレームワーク LSRIF を提案する。 実験の結果、LSRIFは命令追従と一般的な推論に大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-01-10T05:11:38Z)
• End-to-End Argument Mining through Autoregressive Argumentative Structure Prediction [2.0421986354783432]
  本研究では,自動回帰Argumentative Structure Prediction (AASP) フレームワークを用いて,Argument Mining (AM) の重要なタスクをエンドツーエンドに定式化する。 AASPフレームワークは、条件付き事前訓練された言語モデルの助けを借りて、引数構造を制約された事前定義されたアクションのセットとしてモデル化する。 3つの標準AMベンチマークで実施された実験は、AASPが2つのベンチマークですべてのAMタスクにまたがって最先端(SoTA)の結果を達成し、1つのベンチマークで強力な結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-10-18T06:10:57Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• Query Structure Modeling for Inductive Logical Reasoning Over Knowledge Graphs [67.043747188954]
  KGに対する帰納的論理的推論のための構造モデル付きテキスト符号化フレームワークを提案する。 線形化されたクエリ構造とエンティティを、事前訓練された言語モデルを使ってエンコードして、回答を見つける。 2つの帰納的論理推論データセットと3つの帰納的推論データセットについて実験を行った。
  論文  参考訳（メタデータ） (2023-05-23T01:25:29Z)
• Unifying Structure Reasoning and Language Model Pre-training for Complex Reasoning [26.811507121199323]
  本稿では,明示的な構造推論と言語事前学習を組み合わせ,PLMと構造推論のスキルを融合した統合学習フレームワークを提案する。 まず、コンテクスト内のいくつかの基本構造を識別し、構造化されたクエリを構築し、クエリに沿ってステップバイステップの推論を行い、回答エンティティを識別する。 4つのデータセットに対する実験結果から,提案モデルが多様構造を含む複雑な推論タスクにおいて,大幅な改善を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-01-21T08:18:11Z)
• Autoregressive Structured Prediction with Language Models [73.11519625765301]
  本稿では, PLM を用いた自己回帰的手法を用いて, モデル構造を行動列として記述する。 我々のアプローチは、私たちが見てきた全ての構造化予測タスクにおいて、新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-10-26T13:27:26Z)
• High-order Semantic Role Labeling [86.29371274587146]
  本稿では,ニューラルセマンティックロールラベリングモデルのための高階グラフ構造を提案する。 これにより、モデルは孤立述語-引数対だけでなく、述語-引数対間の相互作用も明示的に考慮することができる。 CoNLL-2009ベンチマークの7つの言語に対する実験結果から、高次構造学習技術は強力なSRLモデルに有益であることが示された。
  論文  参考訳（メタデータ） (2020-10-09T15:33:54Z)

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。