论文
抽取论证，而不只是分类：面向生成式成分识别的指令调优 LLM
Extracting Arguments, Not Just Classifying Them: Instruction-Tuned LLMs for Generative Component Detection
摘要
论证成分识别（ACD）是论辩挖掘（AM）的核心子任务，也是其最具挑战性的方面之一，因为它需要同时界定论证跨度并将其分类为主张、前提等成分。与其他 AM 任务相比，针对该子任务的研究仍相对有限，且大多数现有方法将其简化为序列标注问题、成分分类，或先切分后分类的流水线。本文提出 ITFACD，一种基于指令调优大语言模型（LLM）的新方法，使用紧凑的指令式提示，将 ACD 重构为语言生成任务，从而能够直接从纯文本中识别论证，无需依赖预先切分的成分。在标准基准上的实验表明，我们的方法取得了优于最先进系统的性能。据我们所知，这是首批将 ACD 完整建模为生成任务的尝试之一，凸显了指令调优在复杂 AM 问题上的潜力。代码与所用数据集已在 GitHub 仓库公开。