基于多智能体论证细化的增强论证分类
计算与语言
2026-03-31 v1 人工智能
摘要
论证挖掘 (AM) 是自动化写作评估的基础技术，但传统的监督方法依赖大量的、特定于领域的微调数据。虽然大型语言模型 (LLM) 提供了无需训练的替代方案，但它们常常在结构歧义方面困难，难以区分类似组件，如主张和前提。此外，单智能体自纠正机制常常受到“从众”问题，即模型会强化其初始错误而非批判性地评估它们。我们引入 MAD-ACC (Multi-Agent Debate for Argument Component Classification)，一种利用论证细化来解决分类不确定性的框架。MAD-ACC 采用 Proponent-Opponent-Judge 模型，其中代理对模糊文本的含义发展矛盾解释，暴露单智能体模型所忽略的逻辑细微差别。在 UKP Student Essays 语料库上的评估显示，MAD-ACC 达到了 85.7% 的宏平均 F1 分数，显著优于单智能体推理基线，且无需特定于领域的训练。此外，与“黑箱”分类器不同，MAD-ACC 的论证方法提供了透明且可解释的替代方案，通过生成人类可读的辩论记录解释决策背后的推理。
引用
@article{arxiv.2603.27451,
title = {Multi-Agent Dialectical Refinement for Enhanced Argument Classification},
author = {Jakub Bąba and Jarosław A. Chudziak},
journal= {arXiv preprint arXiv:2603.27451},
year = {2026}
}
备注
Accepted for publication in the proceedings of ACIIDS 2026