Extracting Arguments, Not Just Classifying Them: Instruction-Tuned LLMs for Generative Component Detection

📄 arXiv: 2609.24855v1 📥 PDF

作者: Sofiane Elguendouze, Erwan Hain, Elena Cabrio, Serena Villata

分类: cs.AI, cs.CL

发布日期: 2026-09-21

期刊: COLM 2026 - Third Annual Conference on Language Modeling, Oct 2026, San Francisco, CA, United States

💡 一句话要点

提出ITFACD以解决论证成分检测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 论证挖掘 论证成分检测 大型语言模型 指令调优 语言生成任务 文本分析 信息提取

📋 核心要点

  1. 现有的论证成分检测方法多将其视为简化的序列标注问题，缺乏对成分的全面建模。
  2. 本文提出ITFACD，通过指令调优的大型语言模型，将论证成分检测重新定义为语言生成任务，直接从文本中识别论证。
  3. 实验结果显示，ITFACD在标准基准上超越了现有最先进的系统，展示了其有效性和创新性。

📝 摘要（中文）

论证成分检测（ACD）是论证挖掘（AM）的核心子任务之一，面临着同时界定论证范围和将其分类为主张和前提等成分的挑战。现有方法多将其简化为序列标注问题或分段后分类的管道。本文提出了一种基于指令调优的大型语言模型（LLMs）的新方法ITFACD，将ACD重新框架为语言生成任务，能够直接从原始文本中识别论证，而无需依赖预先分段的成分。实验结果表明，该方法在标准基准上表现优于现有最先进系统，展示了指令调优在复杂AM问题中的潜力。

🔬 方法详解

问题定义：本文旨在解决论证成分检测（ACD）这一复杂任务，现有方法往往将其简化为序列标注或分段后分类，导致对成分的识别不够准确和全面。

核心思路：论文提出的ITFACD方法通过指令调优的大型语言模型，将ACD视为语言生成任务，能够直接从未分段的文本中识别出论证成分，避免了传统方法的局限性。

技术框架：该方法的整体架构包括输入原始文本、生成指令提示、利用指令调优的LLMs进行论证成分的识别和分类，最终输出识别结果。

关键创新：ITFACD是首次将论证成分检测完全建模为生成任务，展示了指令调优在处理复杂AM问题中的潜力，显著提升了任务的表现。

关键设计：在模型设计中，采用了紧凑的指令提示，优化了模型的参数设置和损失函数，以提高生成的准确性和效率。实验中使用的标准数据集和代码均已开放，便于后续研究者使用和验证。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，ITFACD在标准基准上取得了显著的性能提升，相较于现有最先进系统，准确率提高了XX%，F1分数提升了YY%。这些结果验证了将论证成分检测视为生成任务的有效性。

🎯 应用场景

该研究的潜在应用领域包括法律文书分析、社交媒体内容理解和学术论文评估等。通过提高论证成分检测的准确性，能够帮助自动化分析和理解复杂文本，提升信息提取和决策支持的效率，具有重要的实际价值和未来影响。

📄 摘要（原文）

Argumentative component detection (ACD) is a core subtask of Argument(ation) Mining (AM) and one of its most challenging aspects, as it requires jointly delimiting argumentative spans and classifying them into components such as claims and premises. While research on this subtask remains relatively limited compared to other AM tasks, most existing approaches formulate it as a simplified sequence labeling problem, component classification, or a pipeline of component segmentation followed by classification. In this paper, we propose ITFACD, a novel approach based on instruction-tuned Large Language Models (LLMs) using compact instruction-based prompts, and reframe ACD as a language generation task, enabling arguments to be identified directly from plain text without relying on pre-segmented components. Experiments on standard benchmarks show that our approach achieves higher performance compared to state-of-the-art systems. To the best of our knowledge, this is one of the first attempts to fully model ACD as a generative task, highlighting the potential of instruction tuning for complex AM problems. Our code and the datasets used are openly available in the following GitHub repository.