Extraction des arguments au fil du temps

Mining arguments over time

• Auteur / Autrice : Deborah Dore
• Direction : Serena Villata, Elena Cabrio
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Web-Instrumented Man-Machine Interactions, Communities and Semantics

Mots clés

Mots clés libres

Extraction d'Arguments

Débats politiques

Traitement du langage naturel

Argument Mining

Political debates

Natural Language Processing

Résumé

L'argumentation imprègne le comportement intelligent humain, et c'est un élément indispensable pour concevoir des machines artificielles capables d'exploiter des modèles d'argumentation et des outils dans les tâches cognitives qu'elles doivent accomplir. Le domaine de l'argumentation artificielle joue un rôle important dans l'intelligence artificielle (IA). La raison en est basée sur la reconnaissance que, si nous devons développer des machines intelligentes robustes capables d'agir dans des équipes mixtes homme-machine, il est impératif qu'elles puissent gérer des informations incomplètes et incohérentes d'une manière qui émule en quelque sorte la façon dont les humains s'attaquent à une tâche aussi complexe. Pour ce faire, l'argumentation artificielle combine une argumentation formelle, basée sur le raisonnement critique, avec une argumentation naturelle humaine extraite par des méthodes de fouille d'arguments. La fouille d'arguments (AM) est le domaine de recherche en argumentation artificielle visant à traiter automatiquement les arguments en langage naturel et à raisonner sur eux. Elle vise à extraire les arguments en langage naturel et leurs relations à partir de textes, dans le but final de fournir des données structurées traitables par des machines pour des modèles computationnels d'argumentation. En gros, chaque argument est un ensemble de prémisses ou d'hypothèses qui, avec une affirmation, est obtenu par un processus de raisonnement. L'objectif global de l'argumentation est d'augmenter ou de diminuer l'acceptabilité des affirmations en les soutenant ou en les attaquant avec de nouveaux arguments. L'objectif de ce poste de doctorat sera d'étudier la dynamique de l'argumentation au fil du temps. Plus précisément, la manière dont l'argumentation se déroule dans le discours public, les débats politiques et la communication scientifique évolue au fil du temps. Un autre objectif à moyen terme de l'équipe sera d'explorer automatiquement la dynamique des structures inter et intra-arguments au fil du temps. D'une part, la tâche consistera à enquêter, par des méthodes d'apprentissage semi-supervisées et non supervisées, sur l'évolution de l'argumentation au fil du temps. Par exemple, pour les débats politiques, nous prévoyons de commencer avec le jeu de données USElecDeb60To20, qui contient tous les débats présidentiels américains de 1960 à 2020. L'objectif est d'étudier les tendances de l'évolution temporelle de l'argumentation, pour voir comment la structure des arguments a évolué (par exemple, nombre et degré de finesse des prémisses, présence d'affirmations majeures, emploi d'éléments rhétoriques, choix d'événements d'actualité, points de changement). D'autre part, la tâche consistera en l'étude de la dynamique de l'argumentation en termes d'attaques et de soutiens entre les arguments des candidats (c'est-à-dire une analyse au niveau du graphe de l'argumentation). L'objectif final sera d'évaluer si et comment la dynamique de l'argumentation a influencé le résultat du processus de prise de décision. Par exemple, cela nous permettrait d'apprendre des dynamiques d'argumentation passées pour prédire les résultats des élections futures dans un pays.

Argumentation pervades human intelligent behavior, and it is a mandatory element to conceive artificial machines that can exploit argumentation models and tools in the cognitive tasks they are required to carry out. The field of artificial argumentation plays an important role in AI. The reason for this is based on the recognition that if we are to develop robust intelligent machines able to act in mixed human-machine teams, then it is imperative that they can handle incomplete and inconsistent information in a way that somehow emulates the way humans tackle such a complex task. To do so, artificial argumentation combines formal argumentation, based on critical reasoning, with human natural argumentation extracted through argument mining methods. Argumentation mining (AM) is the research field in artificial argumentation aiming at automatically processing natural language arguments and reasoning upon them. It aims at extracting natural language arguments and their relations from text, with the final goal of providing machine-processable structured data for computational models of argument. Roughly, each argument is a set of premises or assumptions that, together with a claim, is obtained by a reasoning process. The overall goal of argumentation is to increase or decrease the acceptability of claims by supporting or attacking them with new arguments. The goal of this PhD position will be to investigate the dynamics of argumentation over time. More precisely, the way argumentation is carried out in public discourse, political debates, and scientific communication changes over time. Another mid-term goal of the team will be to automatically explore the dynamics of inter and intra-argument structures over time. On the one side, the task will be to investigate through semi-supervised and unsupervised learning methods how the argumentation evolved over time. For instance, for political debates, we plan to start with the USElecDeb60To20 dataset, containing all the US presidential debates since 1960 to 2020. The objective is to study the temporal evolution trends of argumentation, to see how the structure of the arguments evolved (e.g., number and fine-grade degree of the premises, presence of major claims, employment of rhetorical elements, choice of news events, change points). On the other side, the task will consist in the investigation of the dynamics of argumentation in terms of attacks and supports among the candidates' arguments (i.e., graph level analysis of argumentation). The final goal will be to assess if and how the dynamics of argumentation impacted the outcome of the decision-making process. For instance, this would allow us to learn from past argumentation dynamics to predict the results of future elections in a country.