构建可解释的说服性论证评估框架，提升论点设计效率
AutoPersuade: A Framework for Evaluating and Explaining Persuasive Arguments
- 基于人类评价数据构建论证特征识别模型
- 准确预测新论点说服力并分析关键影响因素
- 适用于需要优化论据策略的研究与实践者
我们提出AutoPersuade，一个三阶段框架用于构建说服性信息。首先，收集包含人类评价的大规模论证数据集；其次，开发新型主题模型以识别影响说服力的论证特征；最后，利用该模型预测新论证的有效性，并评估各组成部分的因果影响，提供可解释性分析。通过针对素食主义论点的实验研究验证了该框架的有效性，不仅在人类评估中表现优异，还实现了跨样本预测。结果表明，该框架能有效识别关键说服要素，为论证设计提供数据支持。
原文摘要 · Abstract (English)
We introduce AutoPersuade, a three-part framework for constructing persuasive messages. First, we curate a large dataset of arguments with human evaluations. Next, we develop a novel topic model to identify argument features that influence persuasiveness. Finally, we use this model to predict the effectiveness of new arguments and assess the causal impact of different components to provide explanations. We validate AutoPersuade through an experimental study on arguments for veganism, demonstrating its effectiveness with human studies and out-of-sample predictions.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。