Automatic generation of structured explanations for arguments from consequences

Kobbe, Jonathan

PDF
dissertation_kobbe.pdf - Veröffentlichte Version
Download (1MB)

URN:	urn:nbn:de:bsz:180-madoc-660153
Dokumenttyp:	Dissertation
Erscheinungsjahr:	2023
Ort der Veröffentlichung:	Mannheim
Hochschule:	Universität Mannheim
Gutachter:	Karnstedt-Hulpuș, Ioana
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Practical Computer Science II: Artificial Intelligence (Stuckenschmidt 2009-)
Fachgebiet:	004 Informatik
Freie Schlagwörter (Englisch):	computational argumentation
Abstract:	Argumentation is a complex means of communication which has been studied since many centuries. While argumentation generally aims to convince, it is also highly dependent of the context. Thus, many works on analyzing or mining arguments focus on a particular domain. In this thesis, we take a different perspective by addressing one particular type of arguments, called arguments from consequences. Our aim is to understand and automatically explain such arguments. General approaches for explaining texts are an important step towards explaining arguments, but they most often lack to complete the coherence of arguments. Instead, we propose methods to specifically explain arguments from consequences in a formalized and well-defined way which facilitates downstream tasks such as (counter-) argument generation or large scale analyses of debates. Our first step includes automatically finding modular representations for arguments from consequences. For evaluating these, we use them to detect the argument’s stance (in favor / against). We expand upon related work in stance detection by proposing an unsupervised method which specifically addresses one particular type of arguments, but offers the advantage of being topic independent and explainable. Further, in order to explain why the postulated consequence of an argument from consequences holds, we propose a method to extract effect relations from text. In contrast to related work, our proposed method is conceptually simple and does not involve training, but still achieves comparable results. We use this method on argumentative and, other than in related work, encyclopedic texts to generate a knowledge graph. Our evaluation shows that the graph has relatively high precision, but a low recall. Compared to related work, our graph is more comprehensive and publicly available. We use the graph to explain arguments from consequences by exploiting the transitivity of effect relations and evaluate the generated explanations a posteriori. Lastly, for explaining why the consequence is considered good or bad, we propose to use the moral foundations theory. The classification of moral foundations is being researched actively. We also train classifiers and, in contrast to related work, concretely evaluate their use on arguments. Further, we explore the usage of moral foundations in argumentative texts. We find their usage to be weakly correlated with argument quality and audience approval. Summarizing, we propose methods to analyze and explain specifically arguments from consequences. This focus allows us to access the arguments’ underlying reasoning, which we consider to be an important step towards the modeling of arguments and relevant background knowledge.
Übersetzung des Abstracts:	Argumentation ist ein komplexes Kommunikationsmittel, das seit vielen Jahrhunderten erforscht wird. Während Argumentation im Allgemeinen darauf abzielt zu überzeugen, ist sie auch stark kontextabhängig. Daher konzentrieren sich viele Untersuchungen zur Analyse oder Gewinnung von Argumenten auf einen bestimmten Bereich. In dieser Arbeit nehmen wir eine andere Perspektive ein, indem wir uns mit einer bestimmten Art von Argumenten befassen, die als Argumenta ad Consequentiam bezeichnet werden. Unser Ziel ist es, solche Argumente zu verstehen und automatisch zu erklären. Allgemeine Ansätze zur Erklärung von Texten stellen einen wichtigen Schritt zur Erklärung von Argumenten dar, sie reichen jedoch meist nicht aus, um die Kohärenz der Argumente zu vervollständigen. Stattdessen schlagen wir Methoden vor, um spezifisch Argumenta ad Consequentiam auf formalisierte und klar definierte Weise zu erklären, was nachgelagerte Aufgaben wie die Generierung von (Gegen-)Argumenten oder umfangreiche Analysen von Debatten erleichtert. Unser erster Schritt besteht darin, automatisch modulare Darstellungen für Argumenta ad Consequentiam zu finden. Um diese zu evaluieren, nutzen wir sie, um die Haltung des Arguments (pro / kontra) zu erkennen. Wir erweitern verwandte Arbeiten zur Erkennung von Haltungen, indem wir eine unüberwachte Methode vorschlagen, die speziell auf eine bestimmte Art von Argumenten eingeht, aber den Vorteil bietet, themenunabhängig und erklärbar zu sein. Um zu erklären, warum die postulierte Konsequenz eines Argumentum ad Consequentiam zutrifft, schlagen wir außerdem eine Methode vor, um Effektrelationen aus Text zu extrahieren. Im Gegensatz zu verwandten Arbeiten ist unsere vorgeschlagene Methode konzeptionell einfach und erfordert kein Training, erzielt aber dennoch vergleichbare Ergebnisse. Wir verwenden diese Methode auf argumentative und, anders als in verwandten Arbeiten, enzyklopädische Texte, um einen Wissensgraphen zu erstellen. Unsere Evaluation zeigt, dass der Graph eine relativ hohe Genauigkeit, aber eine geringe Sensitivität aufweist. Im Vergleich zu verwandten Arbeiten ist unser Graph umfassender und öffentlich zugänglich. Wir verwenden den Graphen, um Argumenta ad Consequentiam zu erklären, indem wir die Transitivität der Effektrelationen ausnutzen, und evaluieren die generierten Erklärungen a posteriori. Um schließlich zu erklären, warum die Konsequenz als gut oder schlecht angesehen wird, schlagen wir vor, die Moral Foundations Theory (Theorie moralischer Grundlagen) zu verwenden. Die Klassifizierung moralischer Grundlagen wird aktiv erforscht. Auch wir trainieren Klassifikatoren und evaluieren deren Verwendung, im Gegensatz zu verwandten Arbeiten, konkret auf Argumenten. Darüber hinaus untersuchen wir die Verwendung von moralischen Grundlagen in argumentativen Texten. Wir stellen fest, dass ihre Verwendung schwach mit der Qualität der Argumente und der Zustimmung des Publikums korreliert. Zusammenfassend schlagen wir Methoden vor, um Argumenta ad Consequentia gezielt zu analysieren und zu erklären. Dieser Fokus ermöglicht uns den Zugang zu den Schlussfolgerungen, die den Argumenten zugrunde liegen, was wir als wichtigen Schritt zur Modellierung von Argumenten und relevantem Hintergrundwissen betrachten. (Deutsch)