تطبيق عملي لتصنيف مكونات الجدل

Other Title(s)

A practical application for argumentation components classification

Joint Authors

ريم حسون

Source

مجلة جامعة دمشق للعلوم الهندسية : مجلة علمية محكمة دورية

Publisher

Damascus University

Publication Date

2022-12-31

Country of Publication

Syria

No. of Pages

10

Main Subjects

Learning Technology

Arabic Abstract

بعد الجدل أمرا أساسيا في عملية اتخاذ القرار والتنبؤ بالتطور والنشاط الاقتصادي، كونه محركا للحياة السياسية و الفكرية للمجتمع.

حيث يعد فهم فيما إذا كان دليل evidence معين بدعم ادعاءا claim معينا، أو فيما إذا كان هناك ادعاءان يهاجمان بعضهما البعض، مشكلات معقدة تحتاج إلى تحليل واستدلال واستغلال المعرفة البشرية ومن الصعب على الآلة تعلمها، تهدف ضمن هذا البحث لمقارنة أداء تضمينات Bert بتضمينات الكلمات التقليدية في تصنيف مكونات الجدل في المجال السياسي إضافة لكوننا نستعرض مجموعة من التجارب التي قمنا بإجرائها في محاولة لتحسين دقة التصنيف في قاعدة بيانات ElecDeb60T016 التي تحوي ملفات المناظرات الانتخابية الأميركية من عام 1960 إلى عام 2016 ، باستخدام مصنف (Support Vector Machine(SVM مع مجموعة من الميزات ، كما أجرينا عدة تجارب في التعلم العميق deep learning تضمنت استخدام شبكات BiLSTM مع مجموعة من تضمينات الكلمات المدربة مسبقا مثل Glove, FastText .

أدى استعمال أشعة Bert المدربة مسبقا في تصنيف مكونات الجدل إلى زيادة الأداء بنحو 4% مقارنة بتضمينات FastText ، مع دقة تصنيف بلغت 0.75 fl-score و بذلك تفوقت نتائجنا على نتائج [12] بحوالي 8% ، و لتقييم فعالية النموذج عملنا على استخراج مكونات الجدل من المناظرات الانتخابية الأميركية لعام 2020 و تصنيفها باستعمال النموذج المقترح بدقة بلغت 0.87.

و بذلك أثبت تضمينات الكلمات السياقية فعاليتها في تصنيف مكونات الجدل في المجال السياسي.

English Abstract

Argumentation is essential in the decision-making process and in predicting economic development and activity, as it drives the political and intellectual life of society.

Understanding whether a particular evidence supports a particular claim, or whether two claims attack each other, are complex problems that need to be analyzed, inferred, and exploited by human knowledge and difficult for a machine to learn.

In this research, we aim to compare the performance of Bert's inclusions with traditional word inclusions in classifying the components of debate in the political field, in addition to the fact that we review a set of experiments that we conducted in an attempt to improve the accuracy of classification in the ElecDeb60T016 database that contains US electoral debate files from 1960 to 2016, using A Support Vector Machine (SVM) classifier with a set of features, we also conducted several deep learning experiments involving the use of BILSTM networks with a set of pre-trained word embeddings such as Glove, FastText.

The use of pre-trained Bert rays in classifying argument components increased performance by about 4% compared to FastText embeds, with classification accuracy of fl-score-0.75.

Thus, our results outperformed the results of [12] by about 8%.

The 2020 US election debates are categorized using the proposed model, with an accuracy of 0.82.

Thus, the contextual word embedding proved their effectiveness in classifying the components of the debate in the political field.

Data Type

Conference Papers

Record ID

BIM-1529974

• APA
• MLA
• AMA