谁在辩论什么？政治辩论中的联合论点-实体检测与分类

# 谁在论证什么？政治辩论中的联合论证-实体检测与分类
来源：https://arxiv.org/html/2609.10192
Stefano Francesco Monea  
隶属单位：v. P. Bucci 44Z, 87036 Rende, CS, Italy  
Sergio Greco  
隶属单位：{lucio.lacava, sf.monea, greco}@dimes.unical.it

###### 摘要
政治辩论常通过论证挖掘（Argument Mining, AM）进行分析，以探究驱动辩论的关键论证。然而，政治论证很少能仅通过论证片段来解释，因为其主张和前提通常依赖于所提及的实体（例如，人物、事件、地点、政党）。现有的AM资源和方法通常标注论证片段及其角色，但并未提供一个配对的辩论实体层，用于询问在辩论中调用了哪些辩论命名实体（Debate Named Entities, DNE），例如参与者和事件。本研究通过以下方式解决这些数据和方法上的缺口：（i）引入DNE-ElecDeb，这是一个实体增强版的USElecDeb数据集，在论证和非论证片段中均添加了DNE，并定义辩论命名实体识别（Debate Named Entity Recognition, DNER）为检测DNE的任务；（ii）提出联合论证与实体标注（Joint Argument and Entity Tagging, JAET），这是一个生成式框架，它微调仅解码器（decoder-only）的大语言模型（LLM），在保留原始转录文本的同时，将行内论证和实体标签插入辩论轮次中。在BIO标注评估下，JAET在联合AM+DNER任务上的相对F1值（F1）分别提升了+27.3%（无类型设置）和+41.9%（有类型设置），超越了最强的顺序AM-DNER流水线，表明这种增益无法通过组合两个独立模块来获得。值得注意的是，在说服性文章（Persuasive Essays）上也复现了类似的边际提升（+26.6% 和 +52.7%），显示出其有效泛化到与政治辩论正交的领域。通过在单一视图内统一论证和实体级表示，我们的贡献为更丰富的政治辩论理解铺平了道路。

## 1 引言
论证挖掘（AM）旨在识别和解释自然语言、非结构化文本中的论证结构Lawrence and Reed (2019) (https://arxiv.org/html/2609.10192#bib.bib22)。通过自动提取前提和主张等论证组件，并识别它们之间的关系，AM使得能够使用形式化的论证形式主义Dung (1995) (https://arxiv.org/html/2609.10192#bib.bib10); Bondarenko et al. (1997) (https://arxiv.org/html/2609.10192#bib.bib1); Prakken (2010) (https://arxiv.org/html/2609.10192#bib.bib33)对论证进行结构化表示和分析。这些表示支持广泛的下游应用，包括法律分析Palau and Moens (2009) (https://arxiv.org/html/2609.10192#bib.bib29)、科学辩论Sukpanichnant et al. (2024) (https://arxiv.org/html/2609.10192#bib.bib38)、在线话语分析Habernal and Gurevych (2017) (https://arxiv.org/html/2609.10192#bib.bib19)以及政治传播Goffredo et al. (2023) (https://arxiv.org/html/2609.10192#bib.bib15)。政治辩论是AM最具挑战性的场景之一Cabrio and Villata (2018) (https://arxiv.org/html/2609.10192#bib.bib4)：它们并非一系列孤立和独立论证的简单集合，而是发言者之间交错的、基于轮次的对话互动，这些互动反复提及对手、政党、机构和组织。值得注意的是，这些实体不仅出现在非论证片段中（例如，主持人在开场时提及），而且也渗透到发言者的论证中（例如，当一个主张针对特定参与者或事件时）。传统的政治辩论AM标注框架捕捉了论证片段和角色，但通常未显式地建模那些使论证具有（政治）意义的实体。这是一个关键的局限：知道一个文本片段是主张是有信息量的，但知道主张涉及哪些实体使得标注对辩论分析更有用。事实上，实体成为解释政治辩论论证的明确语义锚点。考虑到辩论通常需要流式兼容分析，这一点变得更为重要。如果没有显式的实体层，传统的AM标注框架可以检测发言者是否在提出主张或前提，但无法可靠地识别这些主张是否涉及相同的实体集合。因此，它们错过了比较论证立场所需的宝贵辩论结构部分。仅靠通用的命名实体识别（NER）无法弥补这一差距，因为它在恢复实体的同时完全忽略了这些实体所处的论证结构。同样，将AM和NER作为顺序但独立的模块运行仍然不尽如人意：论证和实体相互交织，分离处理可能丢失相互依赖性，甚至产生不兼容的边界。这促使我们采用一种统一的表述方式，在其中学习和预测论证和实体标注，而非事后合并。大语言模型（LLMs）非常适合这种场景，因为它们可以微调，以自回归方式保留原始话语流，同时插入实体和论证标记。

#### 贡献
为填补这一空白，本工作做出了以下贡献：
- •我们策划并发布了DNE-ElecDeb，这是USElecDeb60To20数据集Haddadan et al. (2019) (https://arxiv.org/html/2609.10192#bib.bib20); Goffredo et al. (2023) (https://arxiv.org/html/2609.10192#bib.bib15)的实体增强版本，为所有44个手动标注的辩论扩展了涵盖论证和非论证片段的辩论相关实体层；
- •我们提出**联合论证与实体标注**（JAET），这是一种单次处理方法，旨在联合预测论证组件边界、论证组件标签、实体边界和实体类型。JAET在轮次级别操作，使得一旦发言者的轮次到达，即可进行辩论结构的流式兼容挖掘；
- •我们评估了一组具有代表性的、小型、开放权重的LLMs，结果表明，在联合AM+DNER标注任务上，JAET相比基于相同骨干的最强顺序流水线，在无类型和有类型设置下分别将相对F1值（F1）提升了+27.3%和+41.9%；对于每个任务各自可用的最强非JAET基线，在仅AM标注或仅DNER标注上，分别最高提升了+24%和+36.4%。

## 2 相关工作
论证挖掘涉及多个子任务，包括论证组件分割（ACS）和分类（ACC）、论证关系识别（ARI）以及论证关系分类（ARC）Cabrio and Villata (2018) (https://arxiv.org/html/2609.10192#bib.bib4)。早期的AM方法利用了特征丰富的监督方法，如最大熵分类器Palau and Moens (2011) (https://arxiv.org/html/2609.10192#bib.bib30)、逻辑回归Levy et al. (2014) (https://arxiv.org/html/2609.10192#bib.bib23)、支持向量机Stab and Gurevych (2014) (https://arxiv.org/html/2609.10192#bib.bib36); Niculae et al. (2017) (https://arxiv.org/html/2609.10192#bib.bib28)以及优化技术Stab and Gurevych (2017) (https://arxiv.org/html/2609.10192#bib.bib37)。神经网络架构，如循环神经网络（RNNs）Eger et al. (2017) (https://arxiv.org/html/2609.10192#bib.bib11); Niculae et al. (2017) (https://arxiv.org/html/2609.10192#bib.bib28)、长短期记忆网络（LSTMs）Potash et al. (2017) (https://arxiv.org/html/2609.10192#bib.bib32)以及基于Transformer的模型Mayer et al. (2020) (https://arxiv.org/html/2609.10192#bib.bib26); Kashefi et al. (2023) (https://arxiv.org/html/2609.10192#bib.bib21); Ding et al. (2022) (https://arxiv.org/html/2609.10192#bib.bib8); Dore et al. (2025) (https://arxiv.org/html/2609.10192#bib.bib9)，通过从论证文本中捕获更丰富的上下文表示，提升了AM能力。政治辩论被广泛认为是AM的自然场景Cabrio and Villata (2018) (https://arxiv.org/html/2609.10192#bib.bib4)。一方面，研究人员引入了美国大选辩论语料库，标注了论证组件及其对应标签Haddadan et al. (2019) (https://arxiv.org/html/2609.10192#bib.bib20)，以及谬误标注Goffredo et al. (2023) (https://arxiv.org/html/2609.10192#bib.bib15); Goffredo et al. (2025) (https://arxiv.org/html/2609.10192#bib.bib16)和社交反应Visser et al. (2020) (https://arxiv.org/html/2609.10192#bib.bib39)。另一方面，一系列工作评估并应用AM技术于政治辩论。其中包括Lippi and Torroni (2016) (https://arxiv.org/html/2609.10192#bib.bib24)检测政治辩论中的主张，Cano-Basave and He (2016) (https://arxiv.org/html/2609.10192#bib.bib5)研究论证风格在影响观众支持候选人方面的作用，以及Menini et al. (2018) (https://arxiv.org/html/2609.10192#bib.bib27)预测政治演讲中论证之间的关系。然而，所有这些资源和工作都侧重于论证组件及其关系，忽略了实体层。

表 1：与相关AM/NER文献的比较。辩论=该工作是否使用辩论数据；发布=该工作是否引入或扩展了与其任务相关的标注数据集；ACS=论证组件分割；ACC=论证组件分类；ACS+ACC=联合ACS和ACC；NER=（通用）命名实体识别；ACS+ACC+NER=联合预测论证和实体的边界及类型。星号表示RooseBERT需要在使用前进行特定于任务的微调。

大语言模型（LLMs）的出现通过将所有子任务重新表述为生成式视角，为AM带来了新能力Chen et al. (2024) (https://arxiv.org/html/2609.10192#bib.bib7)。代表性工作包括使用LLMs提取论证Liu et al. (2023) (https://arxiv.org/html/2609.10192#bib.bib25); Cabessa et al. (2024) (https://arxiv.org/html/2609.10192#bib.bib2); Cabessa et al. (2025) (https://arxiv.org/html/2609.10192#bib.bib3); Caputo et al. (2026) (https://arxiv.org/html/2609.10192#bib.bib6); Elguendouze et al. (2026) (https://arxiv.org/html/2609.10192#bib.bib13)以及关系Gorur et al. (2025) (https://arxiv.org/html/2609.10192#bib.bib17)，跨越多个领域Pojoni et al. (2023) (https://arxiv.org/html/2609.10192#bib.bib31); Favero et al. (2025) (https://arxiv.org/html/2609.10192#bib.bib14)。尽管这些工作展示了LLMs在AM中的潜力，但它们通常并非针对政治辩论设计，也未通过实体提取来扩展论证挖掘。关于后者，LLMs也被证明在命名实体识别（NER）任务中具有前景。GPT-NER Wang et al. (2025) (https://arxiv.org/html/2609.10192#bib.bib40)将NER从监督任务转变为文本生成任务，并利用自我验证来提高性能；PROMPT-NER Shen et al. (2023) (https://arxiv.org/html/2609.10192#bib.bib35)通过多提示模板在提示学习中统一了实体定位和实体分类用于NER；Universal-NER Zhou et al. (2024) (https://arxiv.org/html/2609.10192#bib.bib42)将大型LLMs蒸馏到小型模型中用于开放域NER。然而，面向NER的工作并未建模AM场景所需的论证层。表1 (https://arxiv.org/html/2609.10192#S2.T1)将我们的工作定位在当前处理AM或通用NER的文献中，突出了数据和任务相关的新颖性与贡献，使我们能够填补文献中的一个关键空白。

## 3 问题定义
令辩论转录文本 D = [u₁, u₂, ..., uₙ] 表示为按顺序排列的轮次序列。每个轮次 uᵢ = (sᵢ, xᵢ) 是一个对，其中 sᵢ 表示发言者元数据，而 xᵢ = [tᵢ₁, tᵢ₂, ..., tₘᵢ] 是一个文本序列，其中每个 tᵢⱼ 是从词汇表 V 中抽取的一个词元。我们考虑一个基于轮次、流式兼容的标注设置。在时间步 i，模型仅观察当前轮次 uᵢ，并且必须在不访问先前轮次 u₁, ..., uᵢ₋₁ 或未来轮次 uᵢ₊₁, ..., uₙ 的情况下生成其标注。

###### 定义 1（论证组件）
给定一个轮次 uᵢ，其文本为 xᵢ = [tᵢ₁, ..., tₘᵢ]，一个**论证组件（AC）**是一个连续的、不重叠的词元片段 AC = [t_b, ..., t_e], i₁ ≤ b ≤ e ≤ mᵢ，它表达一个有意义的论证单元。每个论证组件被分配一个论证标签 c，c 来自集合 C = {主张, 前提}。一个带标注的论证组件是通过将其片段封闭在与其论证标签对应的配对标签中获得的，即 <c>AC</c>, c ∈ C。
示例 1：给定轮次“我们必须减税，因为家庭正在挣扎。”，一个可能的论证组件标注是：“We must reduce taxes because families are struggling.” □

###### 定义 2（辩论命名实体）
给定一个轮次 uᵢ，其文本为 xᵢ = [tᵢ₁, ..., tₘᵢ]，一个**辩论命名实体（DNE）**是一个连续的、不重叠的词元片段 DNE = [t_b, ..., t_e], i₁ ≤ b ≤ e ≤ mᵢ，它指代一个辩论相关的实体。每个命名实体被分配一个类型 τ，τ 来自预定义的集合 T。因此，一个带标注的DNE是通过将其片段封闭在具有相应实体类型的配对标签中获得的：<τ>NE。我们接下来将检测和标注DNE片段称为**辩论命名实体识别（DNER）**，即一个针对DNE清单的、辩论特定的NER任务。请注意，DNE也可能在论证片段之外被找到，因此也可以被标注。
示例 2：给定轮次“拜登总统在华盛顿的竞选期间发表讲话。”，一个可能的命名实体标注是：“President Biden spoke in Washington during the campaign.” □

###### 定义 3（联合论证-实体标注）
给定一个轮次 uᵢ，**联合论证-实体标注（JAET）**是学习一个映射函数 f(uᵢ) = uᵢ* 的任务，其中 uᵢ* = (sᵢ, xᵢ*)，而 xᵢ* 是 xᵢ 的标注版本，它保留原始词元顺序，并为论证组件和辩论相关命名实体插入配对的行内标签。

## 4 JAET 映射学习
我们将JAET表述为一个监督式文本生成任务，旨在学习定义3 (https://arxiv.org/html/2609.10192#Thmdefinition3)中的变换函数 f。我们使用一个参数为 θ 的**仅解码器（decoder-only）大语言模型**来实现这种表述，参数 θ 通过微调进行优化。参见图注。
图 1：JAET在辩论轮次上的标注示例。
### 4.1 学习范式
每个训练实例对应一个辩论轮次 uᵢ = (sᵢ, xᵢ)。模型必须产生一个输出，该输出（i）保留逐字的输入文本，并且（ii）在适当时添加行内的论证和实体标签，如图1所示 (https://arxiv.org/html/2609.10192#S4.F1)（详见附录E (https://arxiv.org/html/2609.10192#A5)中的图5 (https://arxiv.org/html/2609.10192#A4.F5)）。为了使我们的方法适用于辩论的基于轮次的解析，训练单元中不包含任何先前或未来的辩论轮次，从而强制模型仅依赖于