[논문 리뷰] ArgLLM-App: An Interactive System for Argumentative Reasoning with Large Language Models

Adam Dejl, Deniz Gorur외 1명|arXiv (Cornell University)|2026. 02. 27.

Explainable Artificial Intelligence (XAI)인용 수 0

한 줄 요약

ArgLLM-App은 이진 결정에 대해 ArgLLMs를 구현하는 웹 기반 시스템으로, 상호작용적 QBAF 시각화, 사용자 편집, 문서 기반 RAG 가이드를 제공하여 추론을 설명하고 반박합니다.

ABSTRACT

Argumentative LLMs (ArgLLMs) are an existing approach leveraging Large Language Models (LLMs) and computational argumentation for decision-making, with the aim of making the resulting decisions faithfully explainable to and contestable by humans. Here we propose a web-based system implementing ArgLLM-empowered agents for binary tasks. ArgLLM-App supports visualisation of the produced explanations and interaction with human users, allowing them to identify and contest any mistakes in the system's reasoning. It is highly modular and enables drawing information from trusted external sources. ArgLLM-App is publicly available at https://argllm.app, with a video demonstration at https://youtu.be/vzwlGOr0sPM.

연구 동기 및 목표

• 설명 가능하고 논쟁 가능한 의사결정을 달성하기 위해 ArgLLMs의 사용을 촉진한다.
• LLM 유도 기본 점수로부터 QBAF를 생성하는 모듈식 웹 시스템을 제공한다.
• 사용자가 기본 신뢰도 조정하고 공격자/지지자를 통해 QBAF를 확장할 수 있도록 한다.
• 신뢰할 수 있는 소스를 포함하기 위해 문서 기반 및 채팅 주도 보강을 통해 QBAF를 확장하도록 지원한다.

제안 방법

• 서버에서 기본 LLM에 대한 접근을 매개하는 ArgLLM 로직을 구현한다.
• 결정을 공격과 지지를 가진 논증 간의 관계로 QBAFs로 표현한다.
• 깊이와 폭을 구성 가능하게 하는 점진적 의미론(예: DF-QuAD)을 통해 최종 주장 신뢰도를 계산한다.
• 기본 점수의 사용자가 제어하는 조정 및 공격자/지지자 추가를 허용한다.
• PDF를 LLM 프롬프트 데이터로 파싱하여 문서 기반 QBAF 생성을 포함한다.

실험 결과

연구 질문

• RQ1 ArgLLMs가 이진 작업에 대해 투명하고 논쟁 가능한 의사결정을 어떻게 생산할 수 있는가?
• RQ2 깊이, 폭 및 선택한 점진적 의미론이 QBAF 유도 결론에 어떤 영향을 미치는가?
• RQ3 사용자가 기본 신뢰도를 편집하고 새로운 주장이나 소스를 추가하여 출력을 효과적으로 수정할 수 있는가?
• RQ4 RAG 기반 QBAF 생성을 통해 외부 문서를 통합하는 타당성과 이점은 무엇인가?

주요 결과

• ArgLLM-App은 각 논증당 깊이 1 또는 2, 폭은 논증당 최대 4개의 공격자와 4개의 지지자를 지원한다.
• 사용자는 신뢰 근거의 강도를 반영하기 위해 슬라이더로 기본 신뢰도를 수정할 수 있다.
• 사용자는 인터랙티브한 컨트롤을 통해 지지자나 공격자를 추가하여 QBAF를 보강할 수 있다.
• 시스템은 업로드된 PDF를 파싱하고 이를 LLM 프롬프트에 통합하여 문서 기반 QBAF 생성을 가능하게 한다.