面向可解释且全球可争议的决策支持论证
人工智能
2026-05-05 v2 计算与语言
摘要
大型语言模型 (LLM) 具备强大的通用能力，但因其不透明和不可预测性，限制了其在高风险领域的应用。近期研究通过基于计算论证的后置推理增强 LLM，提供可靠的解释并使用户能够争议错误决策，但该范式仅限于预定义的二元选择，仅支持针对特定实例的局部争议，决策逻辑仍保持不变且易重复出错。本文引入 ArgEval 框架，将从实例特定推理转向对一般决策选项的结构化评估。不同于仅为单个案例挖掘论证，ArgEval 系统性地映射任务特定的决策空间，构建相应的选项本体，并为每个选项构建通用论证框架 (AF)。这些框架随后可用于为特定案例提供可解释建议，同时通过修改共享 AF 实现全局争议。我们在肌母瘤治疗推荐任务中检验了 ArgEval 的有效性，该任务为一类侵袭性脑肿瘤，结果表明其能产生符合临床实践的可解释指导。
引用
@article{arxiv.2603.14643,
title = {Argumentation for Explainable and Globally Contestable Decision Support with LLMs},
author = {Adam Dejl and Matthew Williams and Francesca Toni},
journal= {arXiv preprint arXiv:2603.14643},
year = {2026}
}
备注
KR 2026, KR Meets Machine Learning and Explanation Track