CASA：因果驱动的论证充分性评估

论证充分性评估任务旨在确定给定论证的前提是否支持其结论。为解决此任务，现有工作通常在人工标注的数据上训练分类器。然而，数据标注工作繁重，且由于主观标准，标注往往不一致。受因果文献中充分性概率 (PS) 定义的启发，我们提出了 CASA，一个零样本因果驱动的论证充分性评估框架。PS 衡量当前提事件和结论事件均不存在时，引入前提事件导致结论事件发生的可能性。为了估计这一概率，我们提出使用大语言模型 (LLMs) 生成与前提和结论不一致的上下文，并通过注入前提事件对其进行修正。在两个逻辑谬误检测数据集上的实验表明，CASA 能准确识别不充分的论证。我们进一步将 CASA 部署于写作辅助应用中，发现 CASA 生成的建议增强了学生所写论证的充分性。代码和数据可在 https://github.com/xxxiaol/CASA 获取。