标签
本文提出了一种针对政治辩论的联合论点和实体检测方法，采用仅解码器的LLM生成框架，以提升性能，优于顺序管道。
本文介绍了LLM-INSTRUCT，它是ArgMining 2026 UZH Shared Task中段落级论点挖掘任务的获胜系统。该系统采用约束感知检索和选择性辩论来提高准确性和schema合规性。
介绍MIRA-Ev，这是一个基于西班牙MIR执业资格考试案例构建的临床论据挖掘基准，由专家标注了跨度级别的论据、主张以及支持/反对关系，并提供西班牙语、英语和巴斯克语版本。该基准通过三级任务层次结构评估证据句子检索、论据成分提取和关系分类，弥补了临床自然语言处理中多选题问答基准的局限性。
CAF-Gen是一个基于多智能体LLM的框架，通过迭代的创作者-评审者流水线，将浅层论证结构丰富为正式的Carneades论证框架模型，从而提高了结构对齐性和质量。
本文提出了一种完全自动化的流程，通过提取、聚类和总结段落级块（使用LLM），将法院判决转化为法律评注，并在德国民法典案例上进行了评估。
本文介绍了 TIDE，一种新颖的框架，它整合了试炼与辩论机制，以改善基于标准的提示优化，用于议论文理解任务，如自动作文评分、论证成分检测和论证关系识别。实验结果显示性能提升，突显了结合基于提示的方法进行鲁棒论证分析的潜力。
# 基于社区的立场分布与论点组织方法 来源：[https://arxiv.org/html/2604.16852](https://arxiv.org/html/2604.16852) \\jvol vv\\jnumnn\\jyear2025\\dochead\\pageonefooter行动编辑：\{action editor name\}。收稿日期：DD Month YYYY；修改稿日期：DD Month YYYY；录用日期：DD Month YYYY。\\affilblock Laks V. S. Lakshmanan2 Raymond T. Ng3 University of British Columbia University of British Columbia University of Bri