多智能体辩证细化增强论证分类

论据挖掘（AM）是自动写作评估的基础技术，但传统的监督方法严重依赖昂贵的、特定领域的 微调。虽然 大语言模型 (LLM) 提供了 无需训练 替代方案，但它们经常与结构模糊性作斗争，无法区分声明和前提等类似组件。此外，单智能体自我纠正机制经常受到阿谀奉承的影响，模型强化了自己的初始错误，而不是批判性地评估它们。我们引入了 MAD-ACC（参数成分分类的多智能体辩论），这是一个利用辩证细化来解决分类不确定性的框架。 MAD-ACC 采用支持者-反对者-判断模型，其中代理捍卫对模糊文本的冲突解释，揭示单代理模型忽略的逻辑细微差别。对 UKP 学生论文语料库的评估表明，MAD-ACC 的 Macro F1 得分为 85.7%，显着优于单智能体推理基线，且不需要特定领域的训练。此外，与“黑盒”分类器不同，MAD-ACC 的辩证方法通过生成人类可读的辩论记录来解释决策背后的推理，从而提供了透明且可解释的替代方案。