論文の概要: Interpretive Variation and Discourse Structure in Detecting Enthymemes in Controversial Political Discourse

• arxiv url: http://arxiv.org/abs/2610.30987v1
• Date: Thu, 22 Oct 2026 09:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.303759
• Title: Interpretive Variation and Discourse Structure in Detecting Enthymemes in Controversial Political Discourse
• Title（参考訳）: 論争的政治談話におけるエンサイメムの検出における解釈的変化と談話構造
• Abstract要約: 本稿では,不一致が課題の一部である場合のエントロメムの検出と評価方法について述べる。 予防接種と移民に関するツイートでは、それぞれ5人のアノテーターによってラベル付けされている。 モデルは明示的な議論的構造に頼り、ツイートをエントロメムなしで確実に認識するが、そのうち1つを含むツイートにコミットすることは滅多にない。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Enthymemes are arguments that leave a premise or conclusion unstated, and they are a common persuasion device on social media. Because readers must fill in the missing part themselves, they often disagree on whether a text contains one. This paper asks how to detect and evaluate enthymemes when such disagreement is part of the task. On tweets about vaccination and immigration, each labeled by five annotators, F1 stalls around 0.67 for every fine-tuned model we train, regardless of data size, added features or label type. We therefore ask how these models should be evaluated instead, and propose metrics that compare predictions with the full distribution of annotator votes, together with a model that predicts this distribution directly and captures disagreement better at no cost in F1. We then ask what role discourse structure plays. Models learn to rely on explicit argumentative structure: they reliably recognize tweets without an enthymeme but rarely commit on tweets that contain one. Both the models and a discourse parser miss arguments whose links are left implicit and must be inferred by the reader. Finally, we discuss what these blind spots mean for content moderation systems trained on majority labels.
• Abstract（参考訳）: エンサイメム(Enthymeme)とは、前提や結論を未定のまま残した議論であり、ソーシャルメディア上の一般的な説得装置である。 読者は、欠落した部分を記入しなければならないため、テキストが1つを含むかどうかについては、しばしば意見が一致しない。 本稿では,このような不一致が課題の一部である場合のエントロメムの検出と評価方法について述べる。 予防接種と移民に関するツイートでは、5つのアノテータによってラベル付けされたF1は、データサイズ、追加機能、ラベルタイプに関わらず、トレーニングする微調整モデルの約0.67が停止する。 そこで我々は,これらのモデルをどのように評価すべきかを問うとともに,予測とアノテータ投票の完全な分布を比較するメトリクスと,この分布を直接予測し,F1のコストを伴わずに不一致を捉えるモデルを提案する。 次に、談話構造が果たす役割を尋ねます。 モデルは明示的な議論的構造に頼り、ツイートをエントロメムなしで確実に認識するが、そのうち1つを含むツイートにコミットすることは滅多にない。 モデルと談話パーサの両方が、リンクが暗黙的に残され、読み手によって推論されなければならない引数を見逃す。 最後に、これらの盲点が、大多数のラベルでトレーニングされたコンテンツモデレーションシステムにとって何を意味するかについて議論する。

関連論文リスト

• Detectable Only Where It Is Confounded: What Verified Duplication Counts Say About Membership Evidence in Language Models [0.0]
  言語モデルが予測する文章を異常に安価に見つけると、その文章が訓練データに含まれていたと結論付ける傾向があることが示される。 ほぼ全ての公開テストでは、どの文章がトレーニングデータ、メンバー、どれがそうでなかったかを推測する必要があった。 本稿では,OLMo-2とPythiaの2つのモデルファミリーが事前学習コーパスを公開し,各コーパスに現れる文の正確な回数を公開インデックスとして返却する。 答えは2つの側面から閉じてピンサーを形成する。
  論文  参考訳（メタデータ） (2026-09-09T21:01:56Z)
• Who Put the I in AI? Provenance and the Admissibility of Machine Self-Report [0.0]
  本稿は、これらの記述がどこから来たのかを正確に示し、それらがいつ報告されるかの証拠とみなすことができるのかを考察する。 Pythia and OLMo 2 across 66 pretraining checkpoints, three-training stage OLMo 2 which has released, about 90,000 continuation, and four training corpora。
  論文  参考訳（メタデータ） (2026-08-24T13:13:40Z)
• A Resource for Enthymeme Detection in Controversial Political Discourse [0.42970700836450487]
  我々は,5つのアノテーションによって注釈付けされた1,482のツイートを,エントロメムの存在とその引数構造について提示する。 本稿では,Waltonの議論スキームに固定されたアノテーションガイドラインを提案し,構造化された制約付きアプローチを提案する。 予備実験では、アノテータで訓練されたモデルは、ハード・マジョリティ・ボーカルで訓練されたモデルよりも優れていた。
  論文  参考訳（メタデータ） (2026-06-10T15:09:36Z)
• Missci: Reconstructing Fallacies in Misrepresented Science [84.32990746227385]
  ソーシャルネットワーク上の健康関連の誤報は、意思決定の貧弱さと現実世界の危険につながる可能性がある。 ミスシは、誤った推論のための新しい議論理論モデルである。 大規模言語モデルの批判的推論能力をテストするためのデータセットとしてMissciを提案する。
  論文  参考訳（メタデータ） (2024-06-05T12:11:10Z)
• Cobra Effect in Reference-Free Image Captioning Metrics [58.438648377314436]
  視覚言語事前学習モデル(VLM)を活用した参照フリー手法の普及が出現している。 本稿では,基準自由度に欠陥があるかどうかを考察する。 GPT-4Vは生成した文を評価するための評価ツールであり,提案手法がSOTA(State-of-the-art)の性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-02-18T12:36:23Z)
• Which Argumentative Aspects of Hate Speech in Social Media can be reliably identified? [2.7647400328727256]
  議論のどの側面が言語モデルに確実に識別され、統合されるのかは、不明である。 いくつかのコンポーネントが合理的な信頼性で識別可能であることを示す。 より確実に再現できるカテゴリの適応を提案する。
  論文  参考訳（メタデータ） (2023-06-05T15:50:57Z)
• ERTIM@MC2: Diversified Argumentative Tweets Retrieval [0.0]
  英語とフランス語のフェスティバルに関する最も議論の的かつ多様なつぶやきを、多言語による大規模なコレクションから検出する。 最初のステップでは、元のデータセットをフィルタリングして、タスクの言語とトピック要件に適合させる。 最後のステップでは、ツイートをテキストの内容に応じてクラスタリングし、各クラスタから最も議論的な引数を選択することで、最も多様な引数を抽出する。
  論文  参考訳（メタデータ） (2023-04-17T08:06:17Z)
• Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
  入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。 また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。 我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
  論文  参考訳（メタデータ） (2023-03-14T16:11:47Z)
• AES Systems Are Both Overstable And Oversensitive: Explaining Why And Proposing Defenses [66.49753193098356]
  スコアリングモデルの驚くべき逆方向の脆さの原因について検討する。 のモデルとして訓練されているにもかかわらず、単語の袋のように振る舞うことを示唆している。 高い精度で試料を発生させる過敏性と過敏性を検出できる検出ベース保護モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-24T03:49:38Z)
• My Teacher Thinks The World Is Flat! Interpreting Automatic Essay Scoring Mechanism [71.34160809068996]
  最近の研究では、自動スコアリングシステムが常識的な敵対的サンプルになりやすいことが示されています。 近年の解釈能力の進歩を活かし,コヒーレンスやコンテント,関連性といった特徴がスコアリングの自動化にどの程度重要であるかを見出す。 また、モデルが意味的に世界知識や常識に基づかないことから、世界のような虚偽の事実を追加することは、それを減らすよりもむしろスコアを増加させる。
  論文  参考訳（メタデータ） (2020-12-27T06:19:20Z)

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。