利用上下文进行政治辩论中的多模态谬误分类-计算机科学-多模态论证挖掘-机器学习.pdfVIP

利用上下文进行政治辩论中的多模态谬误分类

AlessioPittiglio

DISI,UniversityofBologna,Bologna,Italy

alessio.pittiglio@studio.unibo.it

摘要可以通过MAMKit(Mancinietal.,2024a)获得。

最初只发布了训练集，因此我们创建了自己的

在本文中，我们介绍了我们的MM-

本ArgFallacy2025共享任务提交，该任务旨验证划分用于内部评估。官方测试集稍后无标

在推进多模态论证挖掘的研究，重点是政签发布，并用于最终提交。AFC的主要评估标

译治辩论中的逻辑谬误。我们的方法使用了准是宏F1分数。

中预训练的基于Transformer的模型，并提出

1了几种利用上下文的方法。在谬误分类子我们提出一个系统，该系统利用基于

vTransformer的模型处理文本和音频两种模态。

1任务中，我们的模型分别实现了0.4444（文

4本）、0.3559（音频）和0.4403（多模态）的对于文本输入，我们实验了多种架构，包括简单

6

5宏F1分数。我们的多模态模型表现与仅文地将文本输入与其之前的上下文进行拼接、一

1.本模型相当，表明有改进的潜力。种上下文池化模型以及带有门控机制的跨注意

7

0力模型用于上下文整合。在这些方法中，结合

51介绍

2RoBERTa-large(Liuetal.,2019)的上下文池化模

:政客们总是求助于策略，试图说服尽可能型表现最佳。对于音频输入，我们使用了一个

v

i多的人为他们投票。近年来，已经有一些举措微调后的HuBERTBase模型(Hsuetal.,2021)，

x

r

a旨在验证政客言论的真实性。然而，这种类型并通过时间平均池化来获取全局嵌入。我们也

的验证虽然有用，但还不够：许多有说服力的尝试了一种将音频输入及其上下文的嵌入相结

技巧并不依赖于虚假的事实，而是依靠误导性合的变体，采用了类似于文本使用的上下文池

的推理，比如逻辑谬误。化策略的方法。在多模态整合方面，我们探索

我们解决了MM-ArgFallacy2025共享任了使用加权平均和多数投票组合文本和音频模

1

务，该任务专注于政治辩论中论辩谬误的多型输出的集成策略。这项工作的主要贡献在于

模态检测和分类。它提出了两个子任务：论辩研究如何有效地跨两种模态融入之前句子的上

谬误检测（AFD）和论辩谬误分类（AFC）。在下文。虽然文本上下文始终提高了性能，但音

本研究中，我们专注于AFC任务。AFC的任务频上下文的影响则不那么显著。最后，我们提

类别是由Goffredoetal.(2022)提出的。对于这出了一些未来改进的可能性方向。我们的代码

两个子任务，提供了三种输入设置：仅文本、仅2