36、机器学习分类器在论证语境中的应用及受限计算的参数算法类型理论

机器学习分类器在论证语境中的应用及受限计算的参数算法类型理论

1. 论证语境下机器学习分类器的应用

在组织决策中，群体决策是一个长期被研究的领域。许多组织由于结构要求或群体决策带来的好处，如分担责任、更全面地考虑问题和解决方案，以及让经验不足的成员学习等，大多采用群体决策方式。为支持群体决策过程，群体决策支持系统（GDSS）应运而生，经过30多年的研究，如今主要以基于网络的界面形式发展。

随着市场全球化和跨国公司的出现，管理者经常身处不同地点和时区，这就要求GDSS提供自动协商、代表决策者利益、促进创意生成等机制。研究团队在过去几年致力于支持地理分散的决策者的方法和工具，特别是基于论证的框架。动态论证框架使GDSS具备相关功能，通过多智能体系统陪伴决策者完成决策过程，智能体代表人类决策者寻找解决方案，能理解决策者引入和交换的新论点，并利用这些论点为决策者提供建议和寻找解决方案。

近年来，机器学习（ML）技术在论证语境中的应用不断增加。论证挖掘（AM）可自动识别和提取自然语言中以论点形式表达的推理结构。研究的目标是自动对动态论证框架中决策者引入的两个论点之间的关系进行分类。该框架如同社交网络，决策者可发表关于替代方案和标准的意见，并需将论点方向分类为“反对”或“支持”。为创建自动分类模型，使用了包含526个论点的数据集，该数据集标注了论点之间的支持和攻击关系。

相关研究中，不同学者采用了多种方法。Rosenfeld和Kraus用ML技术预测人类论证行为；Carstens和Toni识别和提取论证关系；Cocarascu和Toni用长短期记忆（LSTM）网络识别论点的攻击和支持关系；Rosenfeld和Kraus提出基于加权双极论证框架（WBAF）的自动化智能体说服