지시 학습된 LLM에서 공동 논증 요소 탐지를 위한 압축 프롬프트 활용

Compact Prompting in Instruction-tuned LLMs for Joint Argumentative Component Detection

논증 요소 탐지(ACD)는 논증 채굴(AM)의 핵심 하위 작업이며, 논증 범위를 동시에 구분하고 주장, 전제와 같은 요소로 분류해야 하므로 가장 어려운 측면 중 하나입니다. 다른 AM 작업에 비해 이 하위 작업에 대한 연구는 상대적으로 제한적이며, 대부분의 기존 접근 방식은 이를 단순화된 시퀀스 라벨링 문제, 요소 분류 또는 요소 분할 후 분류의 파이프라인으로 정의합니다. 본 논문에서는 지시 학습된 대규모 언어 모델(LLM)을 기반으로, 압축된 지시 기반 프롬프트를 사용하여 ACD를 언어 생성 작업으로 재구성하고, 사전 분할된 요소에 의존하지 않고 텍스트에서 직접 논증을 식별할 수 있도록 제안합니다. 표준 벤치마크에서의 실험 결과, 제안하는 접근 방식이 최첨단 시스템보다 더 높은 성능을 달성함을 보여줍니다. 현재까지 알려진 바로는, 본 연구는 ACD를 완전한 생성 작업으로 모델링하는 최초의 시도 중 하나이며, 복잡한 AM 문제에 대한 지시 학습의 잠재력을 강조합니다.

Argumentative component detection (ACD) is a core subtask of Argument(ation) Mining (AM) and one of its most challenging aspects, as it requires jointly delimiting argumentative spans and classifying them into components such as claims and premises. While research on this subtask remains relatively limited compared to other AM tasks, most existing approaches formulate it as a simplified sequence labeling problem, component classification, or a pipeline of component segmentation followed by classification. In this paper, we propose a novel approach based on instruction-tuned Large Language Models (LLMs) using compact instruction-based prompts, and reframe ACD as a language generation task, enabling arguments to be identified directly from plain text without relying on pre-segmented components. Experiments on standard benchmarks show that our approach achieves higher performance compared to state-of-the-art systems. To the best of our knowledge, this is one of the first attempts to fully model ACD as a generative task, highlighting the potential of instruction tuning for complex AM problems.