Détection automatique d'argument fallacieux

Automated fallacies detection

• Auteur / Autrice : Tom Calamai
• Direction : Fabian Suchanek
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/12/2022
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement et communication de l'information (Paris ; 2003-....)
• Partenaire(s) de recherche : Equipe de recherche : DIG – Data, Intelligence and Graphs

Mots clés

Mots clés libres

Argument Fallacieux

Traitement du langage naturel

Extraction d'argument

Schéma argumentatif

Bases de connaissances

Fallacies

Natural language processing

Argument Mining

Argumentation Scheme

Knowledge bases

Résumé

Les humains utilisent quotidiennement l'argumentation pour évaluer la validité de nouvelles idées ou résoudre une divergence d'opinion. Un argument repose sur deux composantes: une déclaration à valider (une proposition aussi appelée affirmation ou conclusion), et un ensemble de propositions supports (une prémisse, qui est une idée déjà acceptée). L'argument présuppose des connexions logiques entre ces composantes qui permettent d'inférer la conclusion. L'ensemble des composantes et des liens est le schéma argumentatif. Le travail de notre thèse va se concentrer sur la détection des arguments fallacieux, c'est-à-dire les arguments qui semblent à première vue convaincants, mais qui reposent sur des schémas qui ne sont pas suffisants pour prouver ou réfuter la conclusion. Au cours de cette thèse, nous étudierons trois axes principaux. La première est dans la représentation d'un argument comme une donnée semi-structurée. Par exemple, en plus de trouver la conclusion et la prémisse dans un texte, savoir quels sont les sujets, les relations et les objets dans les phrases de l'argument qui peuvent servir d'information supplémentaire pour un classifieur d'arguments fallacieux. Trouver la meilleure représentation du texte reste une question ouverte, et le directeur de thèse a une chaire ANR IA sur ce sujet2. Une fois qu'une telle représentation de l'argument a été déterminée, le deuxième axe consiste à récupérer un contexte supplémentaire, tel que des connaissances encyclopédiques ou de bon sens, dont la recherche a montré qu'elles améliorent les tâches d'exploration d'argumentation[Lauscher et al., 2021]. Enfin, le doctorant déterminera quels peuvent être les meilleurs algorithmes pour classer les arguments, en tenant compte de la théorie de l'argumentation [Macagno et al., 2017] mais aussi des derniers développements des modèles neuronaux profonds [Helwe et al., 2021, Sahai et al., 2021]. Références [Helwe et al., 2021] Helwe, C., Clavel, C., and Suchanek, F. M. (2021). Reasoning with transformer-based models: Deep learning, but shallow reasoning. In 3rd Conference on Automated Knowledge Base Construction. [Lauscher et al., 2021] Lauscher, A., Wachsmuth, H., Gurevych, I., and Glavaˇs, G. (2021). Scientia potentia est–on the role of knowledge in computational argumentation. arXiv preprint arXiv:2107.00281. [Macagno et al., 2017] Macagno, F., Walton, D., and Reed, C. (2017). Argumentation schemes. history, classifica tions, and computational applications. History, Classifications, and Computational Applications (December 23, 2017). Macagno, F., Walton, D. & Reed, C, pages 2493–2556. [Sahai et al., 2021] Sahai, S., Balalau, O., and Horincar, R. (2021). Breaking down the invisible wall of informal fallacies in online discussions. In Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Pa pers), pages 644–657, Online. Association for Computational Linguistics.

Humans use argumentation daily to evaluate the validity of new ideas, convince an addressee, or solve a difference of opinion. An argument contains a statement to be validated (a proposition also called claim or conclusion), a set of backing propositions (called premises, which should be accepted ideas), and a logical connection between all the pieces of information presented that allows the inference of the conclusion. In this work, we will focus on fallacies: weak arguments that seem convincing, however, their evidence does not prove or disprove the argument's conclusion In this work, we will explore three main tasks. The first will be in the representation of an argument as semi-structured data. For instance, not only finding the claim and the premises in a text, but also identifying subjects, relations, objects in the sentence of the argument, that could be useful for a fallacies classifier. Finding the best representation of a text is still an open question, and the PhD director of that thesis has an ANR IA chair on the topic. Once such a representation has been established, the second task consists of adding additional context, such as encyclopedic and commonsense knowledge, which has been shown to improve argument mining task[Lauscher et al., 2021]. Lastly, the PhD candidate will experiment to find the most suited algorithm for classifying arguments as fallacies or not, using argumentation theory [Macagno et al., 2017] and the latest development in deep learning [Helwe et al., 2021, Sahai et al., 2021]. Références [Helwe et al., 2021] Helwe, C., Clavel, C., and Suchanek, F. M. (2021). Reasoning with transformer-based models: Deep learning, but shallow reasoning. In 3rd Conference on Automated Knowledge Base Construction. [Lauscher et al., 2021] Lauscher, A., Wachsmuth, H., Gurevych, I., and Glavaˇs, G. (2021). Scientia potentia est–on the role of knowledge in computational argumentation. arXiv preprint arXiv:2107.00281. [Macagno et al., 2017] Macagno, F., Walton, D., and Reed, C. (2017). Argumentation schemes. history, classifica tions, and computational applications. History, Classifications, and Computational Applications (December 23, 2017). Macagno, F., Walton, D. & Reed, C, pages 2493–2556. [Sahai et al., 2021] Sahai, S., Balalau, O., and Horincar, R. (2021). Breaking down the invisible wall of informal fallacies in online discussions. In Proceedings of the 59th Annual Meeting of the Association for Co-mputational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Pa pers), pages 644–657, Online. Association for Computational Linguistics.