Что такое извлечение аргументов? Извлечение аргументов — это раздел обработки естественного языка, который автоматически определяет аргументативную структуру в обычном тексте — какие предложения выдвигают утверждения, какие приводят причины и поддерживает ли каждая причина или атакует ли утверждение, к которому она относится.
Аргументный майнинг (также называемый майнингом аргументации) превращает неструктурированный текст — стенограмму встречи, консультацию по политике, эссе, тему на форуме — в структурированную карту того, кто что аргументировал и на каких основаниях. Эта область обычно описывается как четыре взаимосвязанные задачи: нахождение аргументативных отрезков в тексте, маркировка каждого из них как утверждения, предпосылки или доказательства, определение, какой отрезок отвечает на какой, и решение, является ли каждая связь поддержкой или атакой. Она возникла из теории аргументации — описания Стивена Тулмина 1958 года о том, как на самом деле строятся повседневные аргументы, и каталога повторяющихся моделей рассуждений Дугласа Уолтона — и стала вычислительной дисциплиной в 2010-х годах благодаря аннотированным корпусам, таким как убедительные эссе Кристиана Стаба и Ирины Гуревич и аргументативные микротексты Андреаса Пельдсзуса и Манфреда Стеде. Argumentree использует аргументный майнинг, чтобы превратить вставленную стенограмму или документ в дерево аргументов "за" и "против", которое люди могут затем читать, исправлять, оценивать и расширять.
Что такое аргументный майнинг?
Аргументный майнинг — это отрасль ИИ, которая анализирует обычный текст и определяет его аргументативную структуру — какие предложения являются утверждениями, какие причины приводятся для них и поддерживает ли каждая причина поддерживает или атакует точку, к которой она относится. Это технология, позволяющая преобразовать стенограмму встречи в структурированное дерево «за» и «против».
Последнее обновление: 2026-07-29
Короче говоря
Добыча аргументов (или аргументационная добыча) автоматически извлекает рассуждения из неструктурированного текста. В то время как анализ настроений задает вопрос каково это тексту, а суммирование спрашивает о чем он говорит, добыча аргументов задает вопрос что утверждается, на каких основаниях и что говорит против этого. Это то, что позволяет программному обеспечению преобразовывать стенограмму, ответ на консультацию или эссе в карту аргументов, а не в резюме.
Четыре задачи, которые необходимо решить в аргументации.
Исследователи обычно разбивают проблему на четыре взаимосвязанные задачи. Каждая из них сложнее предыдущей, и ошибка на раннем этапе распространяется на все последующие.
1. Найдите аргументированные части
Большинство предложений в реальном документе не являются аргументами — это приветствия, логистика, фон или переформулировка. Первая задача заключается в том, чтобы определить, какие фрагменты текста действительно содержат утверждение или причину.
2. Обозначьте, что представляет собой каждая часть
Утверждение — это позиция, которую занимает кто-то. Посыл — это причина, предложенная для этого. Доказательства — это данные, исследование или пример, подтверждающие причину. Одна и та же фраза может быть утверждением в одном документе и посылом в другом — роль зависит от того, что она делает, а не от того, как она сформулирована.
3. Выясните, что на что реагирует
Аргументы не представляют собой плоский список. Причина относится к конкретному утверждению; опровержение относится к конкретной причине. Восстановление этой структуры превращает кучу извлеченных предложений в дерево.
4. Решите, поддерживать или атаковать
Для каждой ссылки в дереве: усиливает ли она то, к чему прикреплена, или ослабляет? Это шаг, который чаще всего идет не так, и причина объясняется ниже.
Только когда все четыре пункта выполнены, у вас есть то, что вы действительно можете использовать для навигации: утверждение, причины для него, возражения против этих причин и ответы на эти возражения.
Откуда возник майнинг аргументов
Аргументная добыча — это молодая вычислительная область, основанная на гораздо более старой теоретической. Теория появилась примерно на полвека раньше.
Тулмин отказывается от формальной логики
В книге "Использование аргументов" Стивен Тулмин утверждает, что реальные аргументы не выглядят как силлогизмы. Он предлагает следующие элементы повседневного аргумента: утверждение, основания, гарантии, поддержку, квалификатор и опровержение — словарь, который до сих пор используется в этой области.
Уолтон каталогизирует, как люди на самом деле спорят.
Дуглас Уолтон документирует повторяющиеся паттерны повседневного рассуждения — обращение к мнению эксперта, аргумент по аналогии, аргумент из последствий — каждый из которых имеет набор критических вопросов, выявляющих, где он может потерпеть неудачу.
Фриман формализует структуру аргументации
Джеймс Фриман различает предпосылки, которые работают только вместе, и предпосылки, каждая из которых может существовать самостоятельно, а также отделяет атаку на вывод от атаки на вывод, который к нему приводит — различие, которое имеет огромное значение, когда машине необходимо это сделать.
Корпуса прибывают
Аргументный майнинг становится измеримой вычислительной задачей, когда появляются аннотированные наборы данных. Стеб и Гуревич аннотируют утверждения, предпосылки и отношения в убедительных эссе; Пельдсзус и Стеде создают корпус коротких аргументативных текстов специально для изучения структуры аргументации. Общие эталоны делают прогресс сопоставимым.
Статистические и нейронные модели
Системы учатся маркировать аргументативные отрезки и классифицировать отношения на основе размеченных примеров. Обнаружение компонентов становится достаточно надежным. Обнаружение отношений — определение того, что к чему прикрепляется, и поддерживает ли это или атакует — остается упорно сложной задачей.
Большие языковые модели меняют экономику.
Языковые модели общего назначения могут выполнять задачи извлечения аргументов без предварительного обучения на аннотированном корпусе. Это устраняет крупнейшее практическое препятствие — необходимость в тысячах вручную аннотированных примеров для каждой области — и делает извлечение аргументов применимым к обычным бизнес-текстам.
Почему это сложнее, чем кажется
Извлечение требований — это легкая часть. Сложность заключается в отношениях — и на это есть три причины.
Большинство споров оставляют связь невыраженной.
"Мост небезопасен, поэтому мы должны его закрыть" скрывает неявный принцип: небезопасные конструкции должны быть закрыты. Тулмин назвал это гарантией. Люди почти никогда не произносят это вслух, что означает, что машине нужно восстановить шаг, которого нет в тексте.
Атаки редки, поэтому модели недооценивают их.
В большинстве аннотированных корпусов подавляющее большинство отношений — это поддержка; атака составляет небольшое меньшинство. Модель, обученная или запрашиваемая на основе этого распределения, учится, что угадывать поддержку обычно безопасно — что совершенно неверно для случаев, которые имеют наибольшее значение в принятии решения.
Согласие с темой не означает поддержку родителя.
Под возражением понимается причина, которая усиливает возражение, поддерживая его родительское утверждение, в то время как противостоит общему предложению. Системы, которые оценивают позицию по тому, как предложение относится к теме, делают это неправильно, и ошибка накапливается по ветви.
Как Argumentree использует добычу аргументов
Argumentree применяет аргументный майнинг к конкретной задаче: преобразованию стенограммы, документа или обсуждения в дерево аргументов "за" и "против", с которым команда может затем работать. Дизайн следует практике области, а не изобретает частный метод.
Каждый аргумент остается связанным со своим источником.
Каждый извлеченный аргумент содержит точную формулировку, из которой он был взят. Если утверждение не может быть прослежено до чего-то, что действительно присутствует в источнике, оно не попадает в дерево.
Поддержка и атака смоделированы правильно
Следуя Уолтону и Фримену, возражение может оспаривать вывод, оспаривать доказательства, лежащие в его основе, или оспаривать выводительный шаг, связывающий их. Это разные действия и рассматриваются как разные отношения.
Выходные данные — это проект, а не вердикт.
Извлечение создает предложенное дерево. Люди просматривают, исправляют, изменяют родительские связи и оценивают его, прежде чем оно станет записью. Машина выполняет утомительный первый проход; решение остается за группой.
Структура выживает в разговоре
Поскольку результат представляет собой дерево, а не резюме, последующие участники могут прикрепить новое возражение к конкретной причине, к которой оно относится, спустя месяцы после первоначального обсуждения.
Практический эффект заключается в том, что логика, лежащая в основе решения, остается под контролем — не только то, что было решено, но и какие аргументы были приведены, что на них ответило и что вообще не было отвечено.
Исследовать дальше
Картирование аргументов
Ручной аналог: визуальное представление аргументов и причин от руки. Аргументный майнинг автоматизирует то, что делает картирование аргументов намеренно.
Теория аргументации
Широкая область, в которой осуществляется аргументный майнинг — логика, риторика, диалектика и формальные структуры, стоящие за ними.
Модель Тулмина
Шестичастная анатомия повседневного аргумента и источник словарного запаса, связанного с утверждением, основаниями и гарантией, используемого в процессе извлечения аргументов.
Искусственный интеллект для анализа встреч
Аргументный анализ, применяемый к стенограммам встреч — фиксирование причин принятия решения, а не только того, что было сказано.
Часто задаваемые вопросы
Что такое извлечение аргументов простыми словами?
Аргументный майнинг — это программное обеспечение, которое читает текст и выявляет в нем аргументы: что утверждается, какие приводятся причины и какие причины поддерживают или опровергают какие утверждения. Результатом является структурированная карта, а не блок прозы.
В чем разница между извлечением аргументов и суммированием?
Резюме сжимает текст и примерно рассказывает, о чем он. Аргументный анализ сохраняет структуру: он сообщает, что это конкретное возражение было высказано против этой конкретной причины, и что никто на него не ответил. Резюме теряет именно то несогласие, которое имеет значение для принятия решения.
Является ли извлечение аргументов тем же самым, что и анализ настроений?
Нет. Анализ настроений измеряет отношение — положительное, отрицательное, нейтральное. Извлечение аргументов восстанавливает рассуждения. Предложение может быть сформулировано отрицательно, поддерживая при этом точку зрения, к которой оно относится, и анализ настроений будет это воспринимать неправильно каждый раз.
Кто изобрел аргументный майнинг?
Нет единого изобретателя. Теоретической основой является модель структуры аргумента Стивена Тулмина 1958 года, дополненная схемами аргументации Дугласа Уолтона и описанием макроструктуры аргумента Джеймса Фримана. Вычислительное направление начало формироваться в 2010-х годах, с аннотированными корпусами от Кристиана Стаба и Ирины Гуревич, а также от Андреаса Пельдсзуса и Манфреда Стеде среди работ, которые сделали это измеримым.
Почему обнаруживать атаки сложнее, чем обнаруживать поддержку?
Две причины. Атаки встречаются гораздо реже, чем поддержка, в наборах данных, на которых обучаются эти системы, поэтому модели склонны предсказывать поддержку. Кроме того, атаку часто нужно оценивать относительно ее непосредственного родителя, а не по отношению к общей теме — причина может усилить возражение, при этом противореча предложению, на которое направлено это возражение.
Замещает ли анализ аргументов человеческое суждение?
Нет, и относиться к этому таким образом — ошибка. Извлечение создает первый черновик структуры аргумента. Решение о том, хорош ли аргумент — выдерживает ли доказательство, приемлемо ли неявное предположение — это человеческая работа. Ценность заключается в том, что не нужно вручную строить структуру, прежде чем эта работа может начаться.
Ссылки и дополнительная литература
Тулмин, С. Э. (1958). Использование аргументации. Издательство Кембриджского университета.
Модель Претензия-Данные-Гарантия-Поддержка-Квалификатор-Опровержение - теоретическая основа структуры аргументации.
View source →Уолтон, Д., Рид, К., & Макагно, Ф. (2008). Схемы аргументации. Издательство Кембриджского университета.
Каталог повторяющихся моделей рассуждений и критических вопросов, которые их проверяют - словарь для поддержки и атакующих отношений.
Фриман, Дж. Б. (1991). Диалектика и макроструктура аргументов: Теория структуры аргумента. Foris / De Gruyter.
Поддержка, опровержение и подрыв в обмене между сторонником и противником - различие между атакой на вывод и атакой на умозаключение к нему.
View source →Пельдшус, А., & Штеде, М. (2013). От диаграмм аргументов к добыче аргументации в текстах: Обзор. Международный журнал когнитивной информатики и естественного интеллекта, 7(1), 1-31.
Операционализация модели Фримена для автоматизированного извлечения аргументов.
View source →Стаб, К., & Гуревич, И. (2014). Аннотирование компонентов аргументации и отношений в убедительных эссе. Труды COLING 2014.
Фундаментальная вычислительная добыча аргументов - аннотированный корпус и схема автоматизированного извлечения аргументов.
View source →Лоренс, Дж., & Рид, К. (2019). Добыча аргументов: Обзор. Компьютерная лингвистика, 45(4), 765-818.
Стандартный обзор области - определения задач, методы и открытые проблемы.
View source →Серия извлечения аргументов
Преобразуйте стенограмму в дерево аргументов.
Вставьте стенограмму встречи, ответ на консультацию или документ и получите структурированное дерево плюсов и минусов, которое ваша команда может просмотреть, исправить, оценить и развить.
Начать бесплатно