Principes et pratiques pour les sémantiques bipolaires et les mesures d'impact dans l'argumentation computationnelle

Principles and Practices for Bipolar Semantics and Impact Measures in Computational Argumentation

• Auteur / Autrice : Caren Al Anaissy
• Direction : Srdjan Vesic, Nathalie Nevejans
• Type : Thèse de doctorat
• Discipline(s) : Informatique et applications
• Date : Soutenance le 04/07/2024
• Etablissement(s) : Artois
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en informatique (Lens, Pas-de-Calais ; 2008-....) - Centre Droit Ethique et Procédures (Douai, Nord) (1998-....)
• Jury : Président / Présidente : Sébastien Konieczny
• Jury : Examinateurs / Examinatrices : Srdjan Vesic, Nathalie Nevejans, Sébastien Konieczny, Leïla Amgoud, Anthony Hunter, Nico Potyka
• Jury : Rapporteurs / Rapporteuses : Leïla Amgoud, Anthony Hunter

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Argumentation juridique

Argumentation

Mots clés libres

Sémantiques bipolaires

Mesures d'impact

Argumentation computationnelle

Bipolar semantics

Impact measures

Computational argumentation

Résumé

L’argumentation computationnelle permet d’évaluer l’acceptabilité des arguments afin de tirer des conclusions du processus de raisonnement ou de résoudre des conflits d’opinions dans les dialogues. Cette thèse introduit plusieurs nouveaux développements en argumentation computationnelle, s’appuyant sur les fondements du cadre d’argumentation abstraite de Dung. Tout d’abord, la thèse présente une analyse de sept types de sémantiques pour les cadres d’argumentation bipolaire, étendant le cadre d’argumentation abstraite de Dung en intégrant des interprétations diversifiées du support en plus de l’attaque. Nous étudions trois groupes de sémantiques : basées sur la défense, la sélection, et la réduction, par rapport à dix principes. Cette analyse basée sur des principes aboutit à une évaluation approfondie des sémantiques d’argumentation bipolaire, reflétant la profondeur et l’ampleur de l’étude. Deuxièmement, la thèse affine une mesure d’impact existante et en définit une nouvelle pour les sémantiques d’argumentation graduées afin de quantifier l’influence des ensembles d’arguments sur l’acceptabilité d’autres arguments. Plusieurs principes sont définis pour évaluer ces mesures d’impact, qui sont essentiels pour démontrer l’effet des arguments spécifiques dans le renforcement ou l’affaiblissement de l’acceptabilité d’un argument. Troisièmement, bien que les réseaux de neurones, y compris les modèles avancés de langage, aient réalisé d’importantes avancées, ils continuent de rencontrer des défis en matière de raisonnement. Considérant que l’argumentation est un aspect fondamental de la pensée et de la prise de décision humaines, cette thèse examine si les réseaux de neurones peuvent apprendre les sémantiques d’argumentation, constituant ainsi une étape importante vers le développement de systèmes de raisonnement plus réalistes. Cela inclut une application pratique à des ensembles de données réels - Twelve Angry Men et Debatepedia - utilisant trois architectures de réseaux de neurones: Perceptron Multicouche (Multilayer Perceptron), Réseaux de Neurones en Graphes (Graph Convolution Network), et Réseaux de Neurones d’Attention Graphique (Graph Attention Network). Les résultats montrent que ces architectures, en particulier les Réseaux de Neurones en Graphes, peuvent capturer efficacement les sémantiques d’argumentation bipolaire graduées, soulignant l’importance d’utiliser des architectures neurales basées sur les graphes qui modélisent explicitement les graphes d’argumentation. Enfin, la thèse montre comment utiliser l’argumentation pour améliorer l’explicabilité et la compréhensibilité des mécanismes et techniques de persuasion menés par les chatbots persuasifs. Elle examine le cadre juridique existant et les principes éthiques, et propose une représentation graphique des interactions argumentatives pour améliorer la transparence du système et la confiance des utilisateurs. Cette approche aide non seulement à rendre les chatbots persuasifs plus compréhensibles, mais permet également aux utilisateurs de fournir un retour sur les dimensions éthiques des arguments.

Computational argumentation allows for evaluating and assessing the acceptability of arguments in order to infer conclusions out of the reasoning process or to resolve conflicts of opinions in dialogues. This thesis introduces several new developments in computational argumentation, building on the foundations of Dung’s abstract argumentation framework. First, the thesis introduces an analysis of seven types of semantics for bipolar argumentation frameworks, extending Dung’s abstract argumentation framework by incorporating diverse interpretations of support alongside attack. We study three groups of semantics: defense-based, selection-based, and reduction-based with respect to ten principles. This principle-based analysis results in an extensive evaluation of bipolar argumentation semantics, reflecting the depth and breadth of the study. Second, the thesis refines an existing impact measure and defines a novel one for gradualargumentation semantics to quantify the influence of argument sets on the acceptability of other arguments. Several principles are defined to evaluate these impact measures, which are essential for demonstrating the effect of specific arguments in strengthening or weakening an argument’s acceptability. Third, neural networks, including advanced language models, have achieved significant advancements yet continue to face challenges in reasoning. Considering that argumentation is a fundamental aspect of human thinking and decision-making, this thesis investigates whether neural networks can learn argumentation semantics, serving as an important step toward developing more realistic reasoning systems. This includes a practical application to real-world datasets—Twelve Angry Men and Debatepedia—utilizing three neural network architectures: Multilayer Perceptron, Graph Convolution Network, and Graph Attention Network. The results demonstrate that these architectures, particularly the Graph Convolution Network, can effectively capture bipolar gradual argumentation semantics, highlighting the importance of using graph-based neural architectures that model argumentation graphs explicitly.Finally, the thesis shows how to use argumentation to enhance the explainability and understandability of the persuasion mechanisms and techniques conducted by persuasive chatbots. It surveys the existing legal framework and ethical principles, and it proposes a graphical representation of argumentative interactions to improve system transparency and user trust. This approach not only helps in making persuasive chatbots more understandable but also allows for user feedback on the ethical dimensions of arguments.