[논문 리뷰] Implicit Knowledge in Argumentative Texts: An Annotated Corpus

Maria Becker, Katharina Korfhage외 1명|arXiv (Cornell University)|2019. 12. 04.

Topic Modeling참고 문헌 16인용 수 6

한 줄 요약

이 논문은 논증적 텍스트 내 암시적 지식에 대한 고품질이고 풍부하게 주석 처리된 코퍼스를 소개한다. 인간 주석자들이 마이크로텍스트 코퍼스의 논증 단위들 사이의 연결을 위해 누락된 전제를 제공한다. 이러한 삽입문장들에 의미적 절 유형과 ConceptNet 기반의 일반지식 관계를 추가로 주석 처리함으로써, 연구는 일반 문장과 인과 관계(예: Causes)가 논증적 간극을 메우는 데 지배적임을 밝혀내며, 자동화된 논증 분석 및 암시적 지식 재구성에 중요한 통찰을 제공한다.

ABSTRACT

When speaking or writing, people omit information that seems clear and evident, such that only part of the message is expressed in words. Especially in argumentative texts it is very common that (important) parts of the argument are implied and omitted. We hypothesize that for argument analysis it will be beneficial to reconstruct this implied information. As a starting point for filling such knowledge gaps, we build a corpus consisting of high-quality human annotations of missing and implied information in argumentative texts. To learn more about the characteristics of both the argumentative texts and the added information, we further annotate the data with semantic clause types and commonsense knowledge relations. The outcome of our work is a carefully de-signed and richly annotated dataset, for which we then provide an in-depth analysis by investigating characteristic distributions and correlations of the assigned labels. We reveal interesting patterns and intersections between the annotation categories and properties of our dataset, which enable insights into the characteristics of both argumentative texts and implicit knowledge in terms of structural features and semantic information. The results of our analysis can help to assist automated argument analysis and can guide the process of revealing implicit information in argumentative texts automatically.

연구 동기 및 목표

• 자연어에서 핵심 전제가 생략되거나 암시되는 불완전한 논증 문제를 다루기 위해, 특히 논증적 텍스트에서 발생하는 문제를 해결하기 위해.
• 논증 단위들을 연결하는 데 필요한 누락되거나 암시된 지식을 포괄하는 고품질의 인간 주석 처리 데이터셋을 구축하기 위해.
• 의미적 절 유형과 일반지식 지식 관계를 사용하여 원본 논증 단위들과 삽입된 암시적 지식의 구조적 및 의미적 특성 분석하기 위해.
• 논증적 구조, 의미적 특성, 지식 유형 간의 패턴과 상관관계를 규명하여 자동화된 암시적 지식 복원을 안내하기 위해.
• 미크로텍스트 코퍼스의 확장으로서 데이터셋을 공개하여 향후 논증 채굴 및 자연어 이해 분야의 연구를 지원하기 위해.

제안 방법

• 주석자들은 마이크로텍스트 코퍼스의 논증 단위 쌍을 제시받고, 이들 사이의 암시적 연결을 명시화하는 짧고 자연스러운 언어 문장을 생성하도록 요청받았다.
• 삽입된 문장 각각은 의미적 절 유형(예: Generic, State, Event)으로 주석 처리되어 암시적 지식의 구조적 특성과 일반화 특성을 포착하였다.
• 삽입된 문장 각각은 ConceptNet 지식 관계(예: IsA, Causes, PartOf)와 연결되어 암시적 지식의 의미적 내용을 일반지식 구조에 매핑하였다.
• 데이터셋은 레이블 분포, 공존 패턴, 논증 관계, 의미적 절 유형, 일반지식 관계 간의 상관관계를 분석하였다.
• 통계적 상관관계 분석(MCC 사용)을 통해 원본 마이크로텍스트와 삽입 문장에서 의미적 절 유형과 일반지식 관계 간의 관계를 조사하였다.
• 다양한 논증 관계(예: support, undercut) 간 삽입 문장의 특성을 비교하여 암시적 지식의 구조적 의존성 평가하였다.

실험 결과

연구 질문

• RQ1 논증 단위들 사이에 삽입된 암시적 지식에서 가장 흔한 의미적 절 유형(예: Generic, State, Event)은 무엇인가?
• RQ2 일반지식 관계(예: Causes, IsA, PartOf)는 원본 논증 단위와 삽입된 암시적 문장에서 어떻게 분포되어 있는가?
• RQ3 논증 관계(예: support, undercut)와 삽입된 암시적 지식의 특성(예: 절 유형, 지식 관계) 간 상관관계는 무엇인가?
• RQ4 논증 단위 간 관계 유형에 따라 암시적 지식의 구조적 및 의미적 특성은 어떻게 다를까?
• RQ5 특정 지식 유형(예: 일반 문장, 인과 관계)이 다수의 삽입 전제가 필요한 데 얼마나 관련이 있는가?

주요 결과

• 삽입된 암시적 지식에서 가장 지배적인 의미적 절 유형은 Generic 문장이며, 일반화가 논증적 간극을 메우는 데 중심적인 역할을 함을 시사한다.
• 삽입 문장에서 Causes 관계는 States와 강한 정적 상관관계를 보이며, 지원 관계를 연결할 때 인과적 설명이 자주 사용됨을 시사한다.
• 마이크로텍스트와 삽입 문장 양쪽에서 Generic 문장과 IsA, AtLocation, PartOf 관계 사이에 유의미한 부정적 상관관계가 존재하여, 일반 지식이 개별적 또는 공간적 관계와는 다름을 시사한다.
• 복잡한 논증 관계인 undercut은 간단한 관계보다 더 많은 삽입 문장을 요구함을 보이며, 이러한 연결을 해결하는 데 더 높은 인지적 및 정보적 부담이 있음을 시사한다.
• 연속된 논증 단위 사이에서는 State를 표현하는 문장이 가장 자주 사용되며, 비연속적이지만 논증적으로 관련된 단위를 연결할 때는 Event가 더 흔히 사용된다.
• IsA와 State 간의 상관관계는 마이크로텍스트와 삽입 문장 모두에서 일관되게 높게 유지되며, 정체성과 성격 관계가 특정 개인이나 사건을 묘사하는 데 자주 사용됨을 시사한다.