論文の概要: Have You Been Convinced? A Neuro-symbolic Argumentation Reasoning Approach to Detecting Persuasiveness in ChangeMyView Discussions
- arxiv url: http://arxiv.org/abs/2610.15091v1
- Date: Sat, 10 Oct 2026 18:00:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.162133
- Title: Have You Been Convinced? A Neuro-symbolic Argumentation Reasoning Approach to Detecting Persuasiveness in ChangeMyView Discussions
- Title（参考訳）: 納得したか? ChangeMyViewの議論における説得力検出のためのニューロシンボリック・アグメンテーション・推論アプローチ
- Abstract要約: オンラインディスカッションから直接説得力検出を行うためのニューロシンボリック・アグメンテーション・推論システム(NARS)を提案する。
神経成分は、二極性引数構造を抽出するために、検索増強反復LDM推論を用いる。
記号的成分は、その構造に対する議論的影響を伝播するために段階的な議論的意味論を適用する。
- 参考スコア（独自算出の注目度）: 5.685695952342598
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Argument structures represent how individual arguments interact within a discourse. However, leveraging these structures to infer meaningful knowledge remains challenging, as it requires a formal representation of how argumentative influence propagates across the structure. We propose Neuro-symbolic Argumentation Reasoning System (NARS) for performing persuasiveness detection directly from online discussions. The neural component employs retrieval-augmented iterative LLM reasoning to extract bipolar argument structures, while the symbolic component applies gradual argumentation semantics to propagate argumentative influence over the structure. Using the Webis-CMV-20 corpus, we construct CMV2BAS, a dataset of long, multi-threaded ChangeMyView discussions annotated with LLM-derived bipolar argument structures and labeled with delta events (view change vs.\ no change). We investigate whether gradual argumentation semantics can effectively detect persuasiveness, whether augmenting them with argument quality and graph-based centrality improves performance, and whether symbolic reasoning remains necessary in the presence of modern LLMs. NARS achieves F1=0.57 and AUC=0.56 under its best configuration, outperforming zero-shot Qwen3.6:27B and GPT-oss:20B. We identify support-dominant discussions and long argumentative chains as key failure modes limiting attack influence propagation. Our work demonstrates the feasibility of operationalizing formal gradual argumentation semantics over noisy real-world discourse for scalable macro-level persuasion analysis, while highlighting key challenges and directions for future research in neuro-symbolic argumentation reasoning. We release both CMV2BAS dataset and the NARS framework for public use.
- Abstract（参考訳）: 引数構造は、談話の中で個々の引数がどのように相互作用するかを表す。
しかし、これらの構造を活用して意味のある知識を推測することは依然として困難であり、議論的影響が構造全体にわたってどのように伝播するかを形式的に表現する必要がある。
オンラインディスカッションから直接説得力検出を行うために,ニューロシンボリック・アグメンテーション・推論システム(NARS)を提案する。
ニューラルコンポーネントは、検索強化反復LDM推論を用いて双極子引数構造を抽出し、シンボリックコンポーネントは、その構造に対する議論的影響を伝播するために段階的議論意味論を適用する。
Webis-CMV-20コーパスを用いて,長いマルチスレッドのChangeMyView議論のデータセットであるCMV2BASを構築した。
変更なし)。
本稿では,議論の質とグラフに基づく集中度を増大させることで説得力を効果的に検出できるのか,また,現代LLMの存在下では記号的推論が依然として必要かを検討する。
NARSはF1=0.57とAUC=0.56を最高の構成で達成し、ゼロショットのQwen3.6:27BとGPT-oss:20Bを上回った。
我々は、攻撃影響の伝播を制限する重要な障害モードとして、サポート優先の議論と長い議論の連鎖を識別する。
我々の研究は、スケーラブルなマクロレベルの説得分析のためのノイズの多い現実の談話に対して、フォーマルな漸進的論証セマンティクスを運用可能であることを示し、また、ニューロシンボリック論証推論における今後の研究の鍵となる課題と方向性を強調した。
CMV2BASデータセットとNARSフレームワークの両方を公開しています。
関連論文リスト
- ARGUS: Theory-of-Mind Guided Argument Generation with Strategy-Aware Planning and Knowledge Grounding [5.0921317897723215]
本稿では,古典的レトリックを操作可能なエージェントベースのフレームワークであるArgusを提案する。
理論・オブ・ミンド(ToM: Theory-of-Mind)は、視聴者の信念と価値観を明確に二重の精神モデルを構築し、下流の意思決定を導く。
自動ペアワイズEloとLCM-as-judgeのメトリクスを用いて,Argusを3つの多様なベンチマークで評価した。
論文 参考訳（メタデータ） (2026-08-06T02:26:10Z) - From Argument Components to Graphs: A Multi-Agent Debate with Confidence Gating for Argument Relations [0.0]
大規模言語モデル (LLMs) は、Argument Mining (AM) の分野でますます評価され、利用されている。
標準的なトレーニングフリーモデルは、特にテキストの2つの部分を一緒に分析しなければならないコンテキストにおいて、洗練された詳細を見逃すことが多い。
最近の研究で、多エージェントのパラダイムは、確率-オッポネント・ジャッジアーキテクチャによる弁証的洗練によって、コンポーネント分類タスクのそのような弱点に対処できることが示されている。
論文 参考訳（メタデータ） (2026-06-14T22:33:54Z) - Look on Demand: A Cognitive Scheduling Framework for Visual Evidence Acquisition in Multimodal Reasoning [82.86343313807158]
我々は、視覚的証拠が推論プロセスにどのように、いつ導入されるかが中心的な課題であると主張している。
この知見により,言語モデルが推論プロセスを制御するマルチモーダル推論フレームワークCSMRを提案する。
論文 参考訳（メタデータ） (2026-05-27T08:43:13Z) - 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) - Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts [74.47786985522762]
テキスト慣性(textual inertia)と呼ばれる重要な障害モードを特定し、矛盾する視覚的証拠を無視しながら、モデルは間違ったテキストに盲目的に固執する傾向がある。
本稿では,多種多様なLMMの推論連鎖に摂動を構造的に注入するLogicGraph摂動プロトコルを提案する。
その結果,10%未満の症例で自己修正が成功し,主に視覚的テキスト誤りの伝播に寄与することが判明した。
論文 参考訳（メタデータ） (2026-01-07T16:39:34Z) - Can LLMs Judge Debates? Evaluating Non-Linear Reasoning via Argumentation Theory Semantics [24.173784986846687]
我々はCAT(Computational Argumentation Theory)からLarge Language Models (LLMs) を推定できるかどうかを評価する。
我々はQuADセマンティクスを用いて、攻撃とサポートの関係に基づいて、アクセプティビリティスコアを引数に割り当てる。
論文 参考訳（メタデータ） (2025-09-19T08:10:32Z) - Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [83.15653194899126]
神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。
現在のVSNベースのNCD検出法は主にボトムアップ、刺激駆動認知プロセスと密接に結びついている言語マイクロ構造に焦点を当てている。
本稿では,話題の時間的変化を追跡する動的トピックモデル(DTM)と,物語と視覚刺激の相互整合性を測定するテキスト画像時間アライメントネットワーク(TITAN)の2つの新しいマクロ構造手法を提案する。
論文 参考訳（メタデータ） (2025-01-07T12:16:26Z) - 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)
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。