神经符号论证推理系统NARS用于在线讨论说服力检测
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究者提出神经符号论证推理系统NARS，直接从在线讨论中检测说服力。其神经部分用检索增强的迭代LLM推理抽取双极论证结构，符号部分用渐进论证语义在结构上传播论证影响。基于Webis-CMV-20语料构建CMV2BAS数据集，包含长多线程ChangeMyView讨论，标注LLM导出的双极论证结构和delta事件。NARS最佳配置下F1=0.57、AUC=0.56，优于零样本Qwen3.6:27B和GPT-oss:20B。研究识别出支持主导讨论和长论证链是限制攻击影响传播的关键失败模式，并公开数据集与框架。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载系统构成与推理路径
NARS由神经与符号两部分组成。神经部分使用检索增强的迭代LLM推理，从在线讨论中抽取双极论证结构；符号部分则应用渐进论证语义，在该结构上传播论证影响，从而判断讨论是否具有说服力。这一设计试图把论证结构的形式化表示与真实话语的噪声处理结合起来。
数据集构建方式
研究基于Webis-CMV-20语料构建CMV2BAS数据集，内容为长多线程的ChangeMyView讨论。每条讨论标注了由LLM导出的双极论证结构，并以delta事件作为标签，区分观点改变与未改变两种情况。该数据集用于支撑说服力检测任务的训练与评估。
性能对比与失败模式
在最佳配置下，NARS取得F1=0.57、AUC=0.56，表现优于零样本的Qwen3.6:27B和GPT-oss:20B。研究还发现，支持主导的讨论和较长的论证链是主要失败模式，会限制攻击影响的传播。作者认为这说明了在噪声真实话语上操作形式化渐进论证语义的可行性，同时指出神经符号论证推理仍面临挑战。
为什么值得看
展示神经符号方法在真实噪声话语中操作形式化论证语义的可行性，并公开数据集与框架。
GPTQwen论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。