| English | Português |
|---|
TARGRES, ou Tree-based Argumetation Resolution (Resolução de Argumentações baseada em Árvores), é um método para determinar a robustez de teses discutidas em grupo, onde argumentos e contra-argumentos podem ser representados como galhos numa árvore. Com base no desequilíbrio entre a robustez de argumentação pró-tese e anti-tese, TARGRES finalmente confirma ou refuta a tese - tudo isso, claro, baseando-se nas opiniões presentes nos dados.
A resolução de debates ajuda a moldar o progresso social e científico desde o início dos tempos. Na era atual ela não é só importante offline - é, também, uma das bases da própria internet:
- StackOverflow e mais de cem irmãos
- um grande pedaço do Reddit
- Quora
... e os vários fóruns similares. O mundo onipresente de Q&A (Questions & Answers, Perguntas & Respostas) foi inteiramente construído para prosperar sob a resolução de debates raramente unilaterais. O objetivo de TARGRES é direcionar o caminho à inteligência que pode receber um debate como input, e como output a resposta mais robusta - e provavelmente correta.
Através de um dataset custom com discussões vindas do site Kialo, este estudo almeja entender e rankear a robustez de argumentações em qualquer discussão, usando uma combinação de contexto, impacto social localizado (i.e. pontuação dos argumentos por outros usuários) e ramificações (prós & contras) decorrentes de cada argumento.
TARGRES Paper contém a pesquisa completa, construtos matemáticos por trás de TARGRES e o benchmark dos modelos construídos.
Em TARGRES.ipynb está o guia sequencial e documentado de como utilizar o algoritmo.
O único passo necessário:
pip install -r requirements.txt
O notebook presume uma instalação de pytorch com CUDA habilitado para rodar o processo de embedding do BERT. Uma GPU com ~2.5k CUDA cores e 12GB RAM (compute 3.7) levou ~1h30m para processar 100k linhas de dados.
Após instalação com sucesso, a execução de TARGRES.ipynb é sequencial. Recomenda-se pular o scraping e pré-processamento, já que a seção "5. Intelligence Architecture" carregará o dataset que está em data/clean_claims_df.pkl.
- Uma interface aberta na qual interagir com TARGRES.
- Automação de releases (e.g. através de GitHub Actions).
- Normalizar a equidade (fairness), como feito em scikit-fairness.
- Em conjunto com o time da própria Kialo, ou deduzindo a demografia dos usuários do site.
- Extrapolar TARGRES para dados externos (StackExchange ou Reddit)