基于论证的LLM可解释、可全局质疑决策支持

大语言模型（LLM）展现出强大的通用能力，但其不透明与不可预测性阻碍了在高风险领域的部署。近期工作通过基于计算论证的事后推理来增强LLM，从而提供忠实的解释并让用户能够质疑错误决策，在解决这些问题上迈出了有意义的步伐。然而，这一范式局限于预先定义的二元选择，且仅支持针对具体实例的局部质疑，底层的决策逻辑保持不变，容易重复犯错。本文提出ArgEval，一个从实例特定推理转向对一般性决策选项进行结构化评估的框架。ArgEval不再仅针对个别案例挖掘论证，而是系统性地映射任务特定的决策空间，构建相应的选项本体，并为每个选项构造一般性的论证框架（AF）。这些框架随后可被实例化，为具体案例提供可解释的推荐，同时通过修改共享的AF来支持全局可质疑性。我们在胶质母细胞瘤（一种侵袭性脑肿瘤）的治疗推荐上检验了ArgEval的有效性，表明它能产出与临床实践一致的可解释指导。