arXiv cs.AI· Siddharth Bhargava, Sara Tonelli, Patricia Mart\'in-Rodilla·· 3 天前AI 评分19
NARS：用神经符号论证推理检测 ChangeMyView 讨论中的说服力
Have You Been Convinced? A Neuro-symbolic Argumentation Reasoning Approach to Detecting Persuasiveness in ChangeMyView Discussions
AI 导读
研究者提出神经符号论证推理系统 NARS，直接从在线讨论中检测说服力：神经部分用检索增强的迭代 LLM 推理抽取双极论证结构，符号部分用渐进论证语义在结构上传播论证影响。
正文 · AI 翻译
摘要：论证结构表示各个论点在话语中如何相互作用。然而，利用这些结构来推断有意义的知识仍然具有挑战性，因为它需要对论证影响力如何在结构中传播进行形式化表示。我们提出神经符号论证推理系统（NARS），用于直接从在线讨论中进行说服力检测。神经组件采用检索增强的迭代 LLM 推理来提取双极论证结构，而符号组件则应用渐进论证语义在结构上传播论证影响力。
使用 Webis-CMV-20 语料库，我们构建了 CMV2BAS，这是一个包含长篇、多线程 ChangeMyView 讨论的数据集，标注了由 LLM 推导出的双极论证结构，并标记了 delta 事件（观点改变 vs.\ 未改变）。我们研究渐进论证语义是否能有效检测说服力，将其与论证质量和基于图的中心性相结合是否能提高性能，以及在现代 LLM 存在的情况下符号推理是否仍然必要。NARS 在其最佳配置下达到 F1=0.57 和 AUC=0.56，优于零样本 Qwen3.6:27B 和 GPT-oss:20B。我们识别出支持主导的讨论和长论证链是限制攻击影响力传播的关键失败模式。我们的工作证明了在嘈杂的现实世界话语中操作形式化渐进论证语义以实现可扩展的宏观层面说服分析的可行性，同时强调了神经符号论证推理未来研究的关键挑战和方向。我们公开发布 CMV2BAS 数据集和 NARS 框架供公众使用。
| 评论： | 已接收，将在第 25 届国际知识工程与知识管理会议（EKAW 2026）论文集上发表 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；符号计算（cs.SC） |
| 引用为： | arXiv:2610.15091 [cs.CL] |
| （或 arXiv:2610.15091v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15091 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Siddharth Bhargava [查看电子邮件]
[v1]
2026 年 10 月 10 日星期六 18:00:05 UTC（973 KB）
来源：arXiv cs.AI · arxiv.org