Компьютерный анализ приемов и стратегий аргументации в текстах научной коммуникации

В статье приведены результаты анализа приемов аргументации, реализуемых в текстах научной коммуникации. Под приемами понимаются повторяющиеся в корпусе текстов с разметкой аргументации отдельные типы аргументов и структуры, образуемые ими. Корпус содержит тексты трех жанров: научные статьи по лингвистике и информационным технологиям из научной электронной библиотеки CyberLeninka (https://cyberleninka. ru/), научно-популярные статьи с форума «Хабр» (habr.com/ru, далее ‒ статьи Habr), новости науки (poisknews. ru). Двойная разметка аргументации в текстах корпуса произведена на платформе ArgNetBank Studio пятью экспертами, специалистами в области теоретической и прикладной лингвистики. Вычисленные коэффициенты согласия между аннотаторами могут быть отнесены к разряду «существенное согласие». Моделирование аргументации соответствует стандарту Argument Interchange Format. Результатом разметки и объектом анализа являются построенные согласно стандарту графы аргументации с двумя типами вершин: информационными вершинами, содержащими аргументативные утверждения, и вершинами-схемами, определяющими для каждой связи между ними точную модель рассуждения из компендиума Уолтона. Исследуются графы, полученные из графов аргументации путем удаления всех информационных вершин и слияния входящей и выходящей дуг каждой исключенной информационной вершины в одну дугу (таким образом получаемые графы состоят только из вершин-схем), и подграфы таких графов. Частотный анализ подграфов, составляющих графы корпуса, проведен методом Frequent Subgraph Mining с учетом изоморфизма, выявляемого посредством реализации алгоритма Корделлы VF2 из библиотеки NetworkX. В результате выявлены приемы аргументации (повторяющиеся подграфы с числом вершин от 1 до 9), применяемые в текстах всех жанров (межжанровые), каждого отдельного жанра (межтекстовые), а также приемы, повторяющиеся в отдельных текстах (внутритекстовые). Установлено, что для научных статей корпуса характерны наибольшие устойчивость и разнообразие приемов аргументации, научно-популярные характеризуются активной полемической аргументацией, а приемы в научных новостях основаны на двух ключевых моделях, применяемых при компактной аргументации. Внутритекстовые приемы повторяют тенденции межтекстовых, тогда как приемы, встречающиеся в текстах всех жанров, редки. Совокупность приемов, используемых в тексте, образует применяемую в нем стратегию рассуждения. С целью выявления близких по стратегиям текстов проведена их кластеризация методами Ward и K-means. Построенные кластеры характеризуются однородностью текстов по жанру, а в кластерах с текстами одного жанра – по теме. Выявленные приемы аргументации, помимо классификации текстов, могут также применяться для оценки аргументативной составляющей текста, поиска убедительной аргументации, ее генерации и т. д. Работы по данной теме редко встречаются в исследованиях для текстов на английском языке, а для текстов на русском языке автоматический анализ закономерностей аргументации не проводился.

1. Пименов И. С., Саломатина Н. В., Тимофеева М. К. Формальное выявление приемов аргументации в научных текстах // Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация. 2022. Т. 20. № 1. С. 21–36. DOI 10.25205/1818-7935-2022-20-1-21-36

2. Саломатина Н. В., Пименов И. С., Сидорова Е. А. Распознавание в научных текстах аргументов с этосом и пафосом // Тез. Международ. конф. «Марчуковские чтения ‒ 2022», 3‒7 октября 2022, Академгородок, Новосибирск, Россия. 2022. C. 140.

3. Сидорова Е. А., Ахмадеева И. Р., Загорулько Ю. А., Серый А. С., Шестаков В. К. Платформа для исследования аргументации в научно-популярном дискурсе // Онтология проектирования. 2020. Т. 10, № 4(38). С. 489–502.

4. Сидорова Е. А., Ахмадеева И. Р., Загорулько Ю. А., Кононенко И. С., Серый А. С., Чагина П. М., Шестаков В. К. Комплексный подход к анализу аргументативных отношений в текстах научной коммуникации // Онтология проектирования. 2023. Т. 13, № 4(50). С. 562–579.

5. Al-Khatib K., Wachsmuth H., Kiesel J., Hagen M., Stein B. A News Editorial Corpus for Mining Argumentation Strategies // Proc. of COLING 2016, the 26th International Conference on Computational Linguistics: Technical Papers. 2016. P. 3433–3443.

6. Al Khatib K. Computational Analysis of Argumentation Strategies // Dissertation to obtain the academic degree of Dr. rer. nat. Faculty of Media Bauhaus-Universität Weimar, Germany, September 2019.

7. Al-Khatib K., Wachsmuth H., Hagen M., Stein B. Patterns of Argumentation Strategies across Topics // Proc. of the 2017 Conference on Empirical Methods in Natural Language Processing, Copenhagen, Denmark, September 7–11, 2017. P. 1351–1357.

8. Anand P., King J., Boyd-Graber J., Wagner E., Martell C., OardD., Resnik P. Believe Me—We Can Do ThisAnnotating Persuasive Acts in Blog Text // Proc. of the conf. Computational Models of Natural Argument, San Francisco, California, USA, August 7, 2011.

9. Cordella L. P., Foggia P., Sansone C., Vento M. A (Sub) Graph Isomorphism Algorithm for Matching Large Graphs // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2004. Vol. 26, no. 10. P. 1367‒1372.

10. El Baff R., Wachsmuth H., Al Khatib K., Stede M., Stein B. Computational Argumentation Synthesis as a Language Modeling Task // Proc. of the 12th International Conference on Natural Language Generation. Tokyo, Japan, 2019. P. 54–64.

11. Hagberg A. A., Schult D. A., Swart P. J. Exploring network structure, dynamics, and function using NetworkX // Proc. of the 7th Python in Science Conference (SciPy2008), Pasadena, CA USA, Aug 2008. P. 11–15.

12. Jiang C., Coenen F., Zito M. A Survey of Frequent Subgraph Mining Algorithms. // The Knowledge Engineering Review. 2004. Vol. 1. P. 1–31.

13. Krippendorff K. Content analysis: An introduction to its methodology, 3rd edition. Thousand Oaks, CA: Sage, 2013.

14. Lauscher A., Wachsmuth H., Gurevych I, and Glavaš G. Scientia Potentia Est – On the Role of Knowledge in Computational Argumentation, arXiv: 2107.00281v3 [cs.CL] 8 Nov 2022.

15. Mirzakhmedova N., Kiesel J., Al-Khatib K., Stein B. Unveiling the Power of Argument Arrangement in Online Persuasive Discussions // Proc. of the Conference on Empirical Methods in Natural Language Processing (EMNLP 2023) ‒ Singapore, Singapore, 6‒10 Dec, 2023. P. 15659‒15671.

16. Pimenov I. S., Salomatina N. V. Identification of Scientific Texts with Similar Argumentation Complexity // 2022 IEEE International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON). 2022. P. 880–875.

17. Rahwan I., Reed C. The argument interchange format. Argumentation in artificial intelligence, ed. Rahwan I. and Simari G., Springer, 2009. P. 383–402.

18. Ullmann J. R. An Algorithm for Subgraph Isomorphism // Journal of the ACM. 1976. Vol. 23(1). P. 31–42.

19. Wachsmuth H., Stede M., El Baff R., Al-Khatib K., Skeppstedt M., Stein B. Argumentation Synthesis following Rhetorical Strategies // Proceedings of the 27th International Conference on Computational Linguistics, Santa Fe, New Mexico, USA, August 20‒26, 2018. P. 3753–3765.

20. Walton D., Reed C., Macagno F. Argumentation schemes Fundamentals of critical argumentation. New York: Cambridge University Press, 2008. 443 p.

21. Yan M., Lin Y., Litman D. Argumentatively Phony? Detecting Misinformation via Argument Mining // ACM Trans. Graph. 2018. Vol. 37 (4). Article 111. https://doi.org/10.1145/1122445.1122456.

22. Zukerman I., McConachy R., George S. Using argumentation strategies in automated argument generation // In INLG’2000 Proc. of the First International Conference on Natural Language Generation. Mitzpe Ramon, Israel. Association for Computational Linguistics. 2000. P. 55–62.