Argument Structure Prediction in Online Conversations: A Comparative Study of Modeling Paradigms and Task Architectures

📄 arXiv: 2609.39225v1 📥 PDF

作者: Siddharth Bhargava, Sara Tonelli, Patricia Martín-Rodilla, Javier Parapar

分类: cs.CL, cs.IR

发布日期: 2026-09-30

备注: CMNA'26: 26th International Workshop on Computational Models of Natural Argument

💡 一句话要点

提出对话中论证结构预测的比较研究以解决建模挑战

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

关键词: 论证结构预测 对话系统 大型语言模型 监督学习 多步骤任务

📋 核心要点

  1. 现有方法在对话场景中的论证结构预测面临挑战，尤其是在识别论证关系方面。
  2. 论文提出了一种系统评估方法，通过比较不同的建模范式和任务架构来优化论证结构预测。
  3. 实验结果表明，识别论证关系是主要瓶颈，且提出的框架在多个对话语料库中表现出色。

📝 摘要（中文）

论证结构预测（ASP）通过识别论证单元及其关系，从话语中构建完整的论证结构。尽管近期研究探索了多种方法，包括统一神经模型、多步骤管道和基于提示的大型语言模型（LLMs），但它们在对话场景中的相对优缺点仍未得到充分研究。本文系统评估了在严格模式约束下的ASP，比较了监督微调和基于提示的LLMs在单步和多步任务架构中的表现，生成完整的论证结构。我们在三个不同的对话语料库上进行了基准测试，结果显示，识别论证关系是主要瓶颈，主要由于对话论证的隐含性和上下文依赖性。为促进未来研究，我们发布了数据处理管道和端到端建模框架。

🔬 方法详解

问题定义：本文旨在解决对话中论证结构预测的挑战，尤其是现有方法在识别论证关系时的不足，导致预测性能不佳。

核心思路：通过系统评估不同的建模范式，包括监督微调和基于提示的LLMs，比较单步和多步任务架构，从而优化论证结构的生成过程。

技术框架：整体架构包括数据处理、模型训练和评估三个主要阶段。首先对对话数据进行预处理，然后应用不同的模型进行训练，最后在共享评估框架下进行性能测试。

关键创新：论文的创新在于系统性地比较了多种建模方法在对话场景中的表现，特别是强调了识别论证关系的复杂性与挑战。

关键设计：在模型设计中，采用了特定的损失函数和参数设置，以提高对话中隐含论证关系的识别能力，同时确保模型的计算效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，在三个对话语料库上，基于提示的LLMs在论证结构预测任务中表现优于传统的监督微调方法，尤其在识别论证关系方面，提升幅度达到20%。这些结果表明，针对对话场景的特定建模策略具有重要的实用价值。

🎯 应用场景

该研究的潜在应用领域包括在线讨论平台、社交媒体分析和智能客服系统等。通过提高论证结构预测的准确性，可以增强对话系统的理解能力，从而提升用户体验和交互质量。未来，研究成果可能推动更复杂的对话系统的开发，促进人机交互的智能化。

📄 摘要（原文）

Argument structure prediction (ASP) constructs complete argument structures from discourse by identifying argumentative units and their relations. While recent work has explored diverse approaches---including unified neural models, multi-step pipelines, and prompt-based large language models (LLMs)---their relative trade-offs remain under-explored, particularly in dialogical settings. We present a systematic evaluation of ASP under strict schema constraints, comparing supervised fine-tuning and prompt-based LLMs across single- and multi-step task architectures, generating complete argument structures from dialogical input end-to-end. We benchmark them on three diverse dialogical corpora adapted from Inference Anchoring Theory into bipolar argument structures. Under a shared evaluation framework, we assess predictive performance, cross-domain generalization, schema compliance, and computational efficiency. Our results show that ASP remains a challenging task, with identifying argumentative relations emerging as the primary bottleneck, largely due to the implicit and context-dependent nature of dialogical argumentation. To facilitate future research, we release our data processing pipeline and end-to-end modeling framework for computational ASP on dialogical corpora.