An LLM-Based System for Argument Reconstruction

📄 arXiv: 2605.13793v1 📥 PDF

作者: Paulo Pirozelli, Victor Hugo Nascimento Rocha, Fabio G. Cozman, Douglas Aldred

分类: cs.CL

发布日期: 2026-05-13

💡 一句话要点

提出基于LLM的端到端系统，用于从自然语言文本中重构论证结构。

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

关键词: 论证重构 大型语言模型 自然语言处理 论证挖掘 抽象论证图

📋 核心要点

  1. 现有论证重构方法在处理复杂自然语言文本时存在局限性，难以准确捕捉论证结构。
  2. 利用大型语言模型强大的理解和推理能力，构建多阶段流程，逐步解析论证要素及其关系。
  3. 实验结果表明，该系统能够有效恢复论证结构，并在基准数据集上取得可比较的性能。

📝 摘要（中文）

论证是人类推理的一个基本方面，其中主张被支持、挑战和相互权衡。本文提出了一个基于大型语言模型（LLM）的端到端系统，用于将自然语言文本中的论证重构为抽象论证图。该系统遵循一个多阶段流程，逐步识别论证组件，选择相关元素，并揭示它们的逻辑关系。这些元素表示为有向无环图，由两种组件类型（前提和结论）和三种关系类型（支持、攻击和削弱）组成。我们进行了两个互补的实验来评估该系统。首先，我们对从论证理论教科书中提取的论证进行手动评估，以评估系统恢复论证结构的能力。其次，我们对基准数据集进行定量评估，通过将我们的输出映射到已建立的注释方案，从而与先前的工作进行比较。结果表明，该系统可以充分恢复论证结构，并且在适应不同的注释方案时，可以在基准数据集上实现合理的性能。这些发现突出了基于LLM的流程在可扩展论证重构方面的潜力。

🔬 方法详解

问题定义：论文旨在解决从自然语言文本中自动重构论证结构的问题。现有方法在处理复杂、非结构化的文本时，通常难以准确识别论证组件（前提、结论）以及它们之间的关系（支持、攻击、削弱），导致重构的论证图不够完整或准确。

核心思路：论文的核心思路是利用大型语言模型（LLM）强大的自然语言理解和生成能力，构建一个端到端的论证重构系统。通过多阶段的流程，逐步从文本中提取论证要素，并建立它们之间的逻辑关系，最终生成抽象论证图。

技术框架：该系统采用多阶段流水线架构，主要包含以下几个阶段：1) 论证组件识别：利用LLM识别文本中的前提和结论；2) 相关元素选择：从识别出的组件中选择与论证相关的元素；3) 关系挖掘：利用LLM判断组件之间的逻辑关系，包括支持、攻击和削弱。这些元素最终被表示为有向无环图。

关键创新：该方法的主要创新在于将LLM应用于端到端的论证重构任务，并设计了一个多阶段的流程，充分利用了LLM的理解和推理能力。与传统方法相比，该方法无需人工特征工程，能够更好地适应不同类型的文本。

关键设计：论文中没有明确提及关键的参数设置、损失函数或网络结构等技术细节。具体使用的LLM模型以及各个阶段的prompt设计是影响性能的关键因素，但论文中没有详细描述。关系挖掘阶段如何利用LLM进行关系分类，以及如何处理复杂论证结构中的嵌套关系，也是需要进一步研究的关键设计。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过人工评估和基准数据集评估验证了系统的有效性。人工评估表明，该系统能够较好地恢复论证结构。在基准数据集上的定量评估表明，该系统在适应不同注释方案后，能够取得合理的性能，与现有方法具有可比性。具体性能数据和提升幅度在摘要中没有明确给出。

🎯 应用场景

该研究成果可应用于自动论证分析、辩论评估、舆情监控、智能问答等领域。通过自动重构论证结构，可以帮助人们更好地理解和评估复杂的论证，提高决策质量。未来，该技术有望应用于教育领域，辅助学生学习批判性思维。

📄 摘要（原文）

Arguments are a fundamental aspect of human reasoning, in which claims are supported, challenged, and weighed against one another. We present an end-to-end large language model (LLM)-based system for reconstructing arguments from natural language text into abstract argument graphs. The system follows a multi-stage pipeline that progressively identifies argumentative components, selects relevant elements, and uncovers their logical relations. These elements are represented as directed acyclic graphs consisting of two component types (premises and conclusions) and three relation types (support, attack, and undercut). We conduct two complementary experiments to evaluate the system. First, we perform a manual evaluation on arguments drawn from an argumentation theory textbook to assess the system's ability to recover argumentative structure. Second, we conduct a quantitative evaluation on benchmark datasets, allowing comparison with prior work by mapping our outputs to established annotation schemes. Results show that the system can adequately recover argumentative structures and, when adapted to different annotation schemes, achieve reasonable performance across benchmark datasets. These findings highlight the potential of LLM-based pipelines for scalable argument reconstruction.