CAF-Gen：丰富论证结构的多智能体系统

从自然文本中形式化复杂的推理是计算语言学的核心挑战之一。它要求系统不仅要理解关键字，还要理解文本中嵌入的上下文和复杂的推理。当前的论证挖掘 (AM) 技术可识别基本主张和前提，但它们常常难以捕获高级模式所需的更丰富的结构信息，例如卡尼德斯论证框架 (CAF)，该框架融合了前提类型、证明标准和论证方案等功能。我们通过引入 CAF-Gen 来解决这一限制，CAF-Gen 是一个自动化多智能体框架，旨在将浅层论证结构丰富到符合 CAF 的论证模型中。通过采用迭代的创建者-审阅者管道，创建者代理的输出由关键代理验证，以确保结构完整性。这种多智能体协作对于减轻单通道生成模型典型的结构不稳定性至关重要。我们的实验表明，迭代反馈循环提高了结果数据的质量，并实现了与原始注释的强烈对齐，同时生成结构更丰富的模型。我们的研究结果表明，多智能体系统可以克服单遍生成的局限性，为形式论证的自动建模提供了可靠的方法。