论证理论、音频模态与数据丰富对基于 LLM 的谬误分类的联合影响
计算与语言
2025-09-16 v1
摘要
本研究探讨了上下文和情感语调元数据如何影响大语言模型（LLM）在谬误分类任务中的推理和性能，尤其是在政治辩论场景中。我们采用美国总统辩论数据，对六类谬误进行分类，通过对 Qwen-3（8B）模型应用各种提示策略。我们引入两个理论依据的链式思考框架：Pragma-Dialectics 和论证周期表，并评估它们相对于基线提示的效果，在三种输入设置下：文本唯一、带上下文的文本、以及文本与情感语调元数据结合的文本。结果表明，虽然理论提示可提高可解释性并在某些情况下提升准确率，但上下文的添加尤其是情感语调元数据的添加常常导致性能下降。情感语调元数据倾向于使模型将陈述标记为“情感诉求”，恶化逻辑推理。总体而言，基础提示往往优于增强型提示，表明额外输入的注意力稀释可能恶化而非改善 LLM 的谬误分类。
引用
@article{arxiv.2509.11127,
title = {Joint Effects of Argumentation Theory, Audio Modality and Data Enrichment on LLM-Based Fallacy Classification},
author = {Hongxu Zhou and Hylke Westerdijk and Khondoker Ittehadul Islam},
journal= {arXiv preprint arXiv:2509.11127},
year = {2025}
}