Qualité de l'argumentation : des principes généraux aux applications dans le domaine de la santé

Argumentation quality : from general principles to healthcare applications

• Auteur / Autrice : Santiago Marro
• Direction : Serena Villata
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 08/11/2023
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Maurizio Filippone
• Jury : Examinateurs / Examinatrices : Serena Villata, Maurizio Filippone, Véronique Moriceau, Frédérique Segond
• Jury : Rapporteurs / Rapporteuses : Véronique Moriceau, Frédérique Segond

Mots clés

Mots clés contrôlés

Intelligence artificielle en médecine

Exploration de données

Analyse automatique (linguistique)

Argumentation

Traitement automatique du langage naturel

Mots clés libres

Traitement automatique du langage naturel

Qualité de l'argumentation

Fouille d'arguments

Extraction d'information

IA au service de la médecine

Natural language processing

Argument quality

Argument mining

Information extraction

AI for medicine

Résumé

L'analyse automatisée de l'argumentation a suscité un intérêt considérable ces dernières années, car les méthodes informatiques permettent d'améliorer la qualité du discours dans tous les domaines. Ceci est particulièrement pertinent dans des domaines complexes tels que les soins de santé, où un raisonnement sain a un impact direct sur la vie humaine. Le travail présenté dans cette thèse fait progresser l'état de l'art en matière d'extraction d'arguments et d'évaluation de la qualité, adapté aux complexités du domaine médical.La thèse apporte quatre contributions principales : (1) Développement et application des techniques d'extraction d'arguments, y compris l'analyse de leur utilisation dans divers domaines et les contributions à la recherche COVID-19. (2) Méthodes d'évaluation de la qualité de l'argumentation, y compris l'annotation d'un nouvel ensemble de données de 402 essais d'étudiants avec des dimensions de qualité telles que la cohérence, la rhétorique et la vraisemblance. Des architectures neuronales innovantes combinant des caractéristiques textuelles et des encastrements de graphes se révèlent capables de classer correctement ces facettes, obtenant respectivement 0,78 F1, 0,89 F1 et 0,54 F1. (3) Identification des prémisses potentielles dans le domaine médical en analysant automatiquement les symptômes de 314 cas cliniques et en les alignant sur des sources de connaissances externes telles que l'ontologie du phénotype humain (HPO) à l'aide d'enchâssements contextuels (précision de 0,53). (4) Développement d'une fonction de prévalence transparente pour classer le pouvoir explicatif des prémisses identifiées, en s'appuyant sur des statistiques telles que l'anormalité et l'unicité de la base de connaissances.Cette thèse apporte des contributions significatives aux domaines de l'extraction d'arguments et de l'évaluation de la qualité grâce au développement de nouvelles techniques et ressources. Les méthodes proposées repoussent les limites de l'analyse automatique des arguments, tandis que les ensembles de données spécialement conçus offrent de nouvelles opportunités pour la recherche axée sur les données. Un point fort est l'application personnalisée au domaine médical, qui a nécessité l'adaptation des notions et des objectifs de l'argumentation pour convenir à ce domaine complexe. La thèse améliore notre compréhension théorique de la modélisation de la qualité et apporte des avancées pratiques dans l'extraction d'arguments. En reliant les idées entre les domaines, elle ouvre la voie à de futures recherches interdisciplinaires à l'intersection de l'argumentation, de l'apprentissage automatique et de disciplines spécialisées telles que les soins de santé.

The automated analysis of argumentation has garnered significant interest in recent years, as computational methods stand to enhance discourse quality across domains. This is especially pertinent in complex fields like healthcare, where sound reasoning bears direct impacts on human lives. The work presented in this thesis advances the state-of-the-art in argument mining and quality assessment, crafted to the intricacies of the medical domain.The thesis makes four main contributions: (1) Development and application of argument mining techniques, including analysis of their use in various domains and contributions to COVID-19 research. (2) Argumentation quality assessment methods, including annotation of a new dataset of 402 student essays with quality dimensions like cogency, rhetoric, and reasonableness. Innovative neural architectures combining textual features and graph embeddings are shown to aptly classify these facets, obtaining .78 F1, .89 F1, and 0.54 F1 respectively. (3) Identification of potential premises in the medical domain by automatically analyzing symptoms from 314 clinical cases and aligning them with external knowledge sources such as the Human Phenotype Ontology (HPO) using contextual embeddings (.53 accuracy). (4) Development of a transparent prevalence function to rank the explanatory power of the identified premises, leveraging statistics like abnormality and uniqueness from the knowledge base.This thesis makes significant contributions to the fields of argument mining and quality assessment through the development of novel techniques and resources. The proposed methods push the boundaries of automatic argument analysis, while the specially crafted datasets provide new opportunities for data-driven research. A major highlight is the tailored application to the medical domain, which required adapting argumentation notions and objectives to suit this complex field. The thesis enhances our theoretical understanding of quality modelling and delivers practical advancements in argument mining. By connecting insights across domains, it paves the way for future interdisciplinary research at the intersection of argumentation, machine learning, and specialized disciplines like healthcare.