WIBA: What Is Being Argued? A Comprehensive Approach to Argument Mining

我们提出了WIBA，一种新颖的框架和一套方法，使得可以全面理解“正在争论什么”在各种情境下。我们的方法开发了一个全面的框架，可以检测：(a)存在性，(b)主题，以及(c)一个论点的立场，正确地考虑到这三个任务之间的逻辑依赖关系。我们的算法利用了大型语言模型的微调和提示工程。我们评估了我们的方法，并展示它在这三个能力方面表现良好。首先，我们开发并发布了一个论点检测模型，可以将一段文本分类为论点，并在三个不同的基准数据集上获得79%到86%的F1分数。其次，我们发布了一个语言模型，可以识别句子中正在争论的主题，无论是隐含的还是明确的，平均相似度得分为71%，比当前的朴素方法高出近40%。最后，我们开发了一种论点立场分类方法，并评估了我们方法的能力，显示它在三个不同的基准数据集上实现了71%到78%的分类F1分数。我们的评估表明，WIBA允许在不同的上下文中全面理解大型语料库中正在争论的内容，这对于语言学、交流、社会和计算机科学的许多应用都非常重要。为了方便大家使用本文中概述的进展，我们将WIBA发布为一个免费的开放访问平台(wiba.dev)。

WIBA论文试图解决的问题是全面理解不同语境下的争论内容，包括争论的存在、话题和立场。这是一个新问题。

WIBA的关键思路是利用大语言模型的fine-tuning和prompt-engineering技术，开发了一个综合框架，能够同时检测争论的存在、话题和立场，并正确考虑它们之间的逻辑依赖关系。相比当前领域研究，WIBA的思路具有创新性。

论文提出了一个Argument Detection模型，可以将文本分类为争论或非争论，F1得分在三个基准数据集上介于79%和86%之间。同时，论文还提出了一个语言模型，可以识别句子中正在争论的话题，无论是隐含还是显式的，平均相似度得分为71%，比当前的朴素方法高出近40%。最后，论文开发了一种争论立场分类方法，并评估了其性能，显示其在三个不同的基准数据集上的分类F1得分介于71%和78%之间。WIBA平台是免费开放的。

最近在这个领域中，还有一些相关的研究，例如基于神经网络的文本分类方法、基于卷积神经网络的情感分析方法等。