[논문 리뷰] Attentive Interaction Model: Modeling Changes in View in Argumentation

Yohan Jo, Shivani Poddar외 4명|arXiv (Cornell University)|2018. 03. 30.

Topic Modeling참고 문헌 23인용 수 5

한 줄 요약

이 논문은 도전자의 주장이 의견 소유자의 견해를 변화시키는지 예측하기 위해 의견 소유자의 추론에서 취약한 영역을 공동으로 모델링하고, 그들의 추론과 도전자의 주장을 상호작용시키는 신경망 아키텍처인 Attentive Interaction Model(AIM)을 제안한다. 이 모델은 주목을 통해 추론의 변화 가능성이 높은 부분을 식별하고, 타겟된 상호작용을 인코딩함으로써 베이스라인을 압도적으로 뛰어넘는 성능을 보이며, 사후 분석 결과 성공적인 주장을 더 자주 이러한 취약 영역에 초점화하고 있음을 확인할 수 있다.

ABSTRACT

We present a neural architecture for modeling argumentative dialogue that explicitly models the interplay between an Opinion Holder's (OH's) reasoning and a challenger's argument, with the goal of predicting if the argument successfully changes the OH's view. The model has two components: (1) vulnerable region detection, an attention model that identifies parts of the OH's reasoning that are amenable to change, and (2) interaction encoding, which identifies the relationship between the content of the OH's reasoning and that of the challenger's argument. Based on evaluation on discussions from the Change My View forum on Reddit, the two components work together to predict an OH's change in view, outperforming several baselines. A posthoc analysis suggests that sentences picked out by the attention model are addressed more frequently by successful arguments than by unsuccessful ones.

연구 동기 및 목표

• 의견 소유자의 추론과 도전자 주장 간의 역동적 상호작용을 포착하는 방식으로 논증 대화를 모델링하기.
• 도전자 주장이 의견 소유자의 견해를 성공적으로 변화시키는지 예측하기, 이는 이진 스탠스 분류를 넘어서기 위해.
• 의견 소유자의 추론에서 변화에 가장 취약한 부분(취약 영역)을 특정하고, 도전자 주장과의 상호작용이 이러한 변화에 어떻게 영향을 미치는지 이해하기.
• 견해를 이동시키는 데 가장 효과적인 상호작용 유형(예: 동의, 반대, 누락된 전제 제공 등)을 이해하기.

제안 방법

• 모델은 두 구성 요소로 이루어진 아키텍처를 사용한다: 의견 소유자의 추론 문장 중 변화에 가장 민감한 부분을 주목 기반 주의 메커니즘으로 식별하는 취약 영역 탐지.
• 상호작용 인코딩은 의견 소유자의 추론 문장 각각과 도전자 주장의 모든 문장 간의 의미적 관계를 캡처하여 상호작용 임베딩을 생성한다.
• 주목 기반 주의 메커니즘으로부터 도출된 취약도 점수로 상호작용 임베딩을 가중치 적용하여, 가장 취약한 추론 부분과의 상호작용을 강조한다.
• 최종 예측은 가중치가 적용된 상호작용 표현에 대해 분류기로 수행되며, 견해 변화 예측의 엔드 투 엔드 학습이 가능하다.
• 모델은 Change My View(CMV) 레딧 포럼에서 수집한 실제 세계의 논증 데이터를 기반으로 훈련 및 평가된다.
• 사후 분석은 주목 가중치와 상호작용 임베딩을 사용하여 모델의 행동을 해석하고, 논증 이론과 연관성을 확인한다.

실험 결과

연구 질문

• RQ1 RQ1: 취약 영역 탐지 및 상호작용 인코딩 아키텍처가 베이스라인 대비 견해 변화 예측 성능을 향상시키는가?
• RQ2 RQ2: 모델은 의견 소유자의 추론에서 변화 가능성이 더 높은 문장(취약 문장)을 식별할 수 있는가? 특히 이러한 문장이 도전자 주장에 의해 다뤄질 가능성이 더 높은가?
• RQ3 RQ3: 의견 소유자의 추론과 도전자 주장 간의 상호작용은 모델이 어떤 방식으로 포착하는가?
• RQ4 RQ4: 일상어의 특성(예: 1인칭 대명사, 예의 표현, 질문어 등)은 성공적인 견해 변화와 어떤 관련이 있는가?

주요 결과

• Attentive Interaction Model은 도전자 주장이 의견 소유자의 견해를 변화시키는지 예측하는 데 여러 강력한 베이스라인을 뛰어넘는 성능을 보였다.
• 주목 기반 주의 메커니즘이 취약하다고 식별한 문장들은 성공적인 도전자 주장에서 더 자주 다뤄지고 있으며, 이는 모델이 변화 가능성이 높은 추론을 탐지하는 데 성공했음을 검증한다.
• 상호작용 임베딩은 의미 있는 논증 패턴을 포착하며, 도전자들이 질문을 던지는 경우(상위 쌍의 22%)와 누락된 정보를 지적하는 경우(상위 쌍의 23%)를 포함한다.
• 모델은 명시적으로 신호되지 않은 경우에도 미흡한 전제를 제공하는 등의 미묘한 상호작용 패턴을 포착하며, 주제의 신선도와 상호작용 임베딩 차원 사이에 약간이지만 유의미한 상관관계(r = -0.04)를 보인다.
• 언어적 분석 결과, 1인칭 대명사(예: 'I', 'me')는 견해 변화와 정적 상관관계가 있으며, 2인칭 대명사(예: 'you', 'you_are')와 질문어(예: 'why', 'do_you')는 부정적 상관관계가 있다.
• 모델의 주목 기반 주의 메커니즘은 더 자주 설득적 주장이 겨냥할 가능성이 높은 추론 세그먼트를 효과적으로 강조하며, 이는 해석 가능하고 행동적으로 관련된 표현을 학습하고 있음을 시사한다.