| عنوان مقاله به انگلیسی | A Logical Fallacy-Informed Framework for Argument Generation |
| عنوان مقاله به فارسی | ترجمه فارسی مقاله یک چارچوب مبتنی بر مغالطه منطقی برای تولید استدلال |
| نویسندگان | Luca Mouchel, Debjit Paul, Shaobo Cui, Robert West, Antoine Bosselut, Boi Faltings |
| فرمت مقاله انگلیسی | |
| زبان مقاله تحویلی | ترجمه فارسی |
| فرمت مقاله ترجمه شده | به صورت فایل ورد |
| نحوه تحویل ترجمه | دو تا سه روز پس از ثبت سفارش (به صورت فایل دانلودی) |
| تعداد صفحات | 18 |
| دسته بندی موضوعات | Computation and Language,Artificial Intelligence,Machine Learning,محاسبه و زبان , هوش مصنوعی , یادگیری ماشین , |
| توضیحات | Submitted 7 August, 2024; originally announced August 2024. |
| توضیحات به فارسی | ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. |
توضیحات گزینههای خرید
دانلود مقاله اصل انگلیسی
با انتخاب این گزینه، میتوانید فایل PDF مقاله اصلی را به زبان انگلیسی دانلود کنید.
قیمت: 19,000 تومان
سفارش ترجمه فارسی مقاله
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، ترجمه فارسی مقاله را نیز سفارش میدهید.
قیمت: 720,000 تومان
زمان تحویل: 2 تا 3 روز کاری
| فرمت ارائه ترجمه مقاله | تحویل به صورت فایل ورد |
| زمان تحویل ترجمه مقاله | بین 2 تا 3 روز پس از ثبت سفارش |
| کیفیت ترجمه | بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
| جداول و فرمول ها | کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |
چکیده
Despite the remarkable performance of Large Language Models (LLMs), they still struggle with generating logically sound arguments, resulting in potential risks such as spreading misinformation. An important factor contributing to LLMs’ suboptimal performance in generating coherent arguments is their oversight of logical fallacies. To address this issue, we introduce FIPO, a fallacy-informed framework that leverages preference optimization methods to steer LLMs toward logically sound arguments. FIPO includes a classification loss, to capture the fine-grained information on fallacy categories. Our results on argumentation datasets show that our method reduces the fallacy errors by up to 17.5%. Furthermore, our human evaluation results indicate that the quality of the generated arguments by our method significantly outperforms the fine-tuned baselines, as well as prior preference optimization methods, such as DPO. These findings highlight the importance of ensuring models are aware of logical fallacies for effective argument generation.
چکیده به فارسی (ترجمه ماشینی)
با وجود عملکرد قابل توجه مدل های بزرگ زبان (LLM) ، آنها هنوز هم با ایجاد استدلال های منطقی صحیح تلاش می کنند و در نتیجه خطرات احتمالی مانند گسترش اطلاعات نادرست ایجاد می شود.یک عامل مهم که به عملکرد زیر حد نهایی LLMS در ایجاد استدلال های منسجم کمک می کند ، نظارت آنها از خطاهای منطقی است.برای پرداختن به این مسئله ، ما FIPO را معرفی می کنیم ، یک چارچوب آگاهانه آگاهانه که از روشهای بهینه سازی اولویت برای هدایت LLM ها به سمت استدلال های منطقی استفاده می کند.FIPO شامل از دست دادن طبقه بندی ، برای گرفتن اطلاعات ریز و درشت در دسته های مغالطه است.نتایج ما در مجموعه داده های استدلال نشان می دهد که روش ما خطاهای مغالطه را تا 17.5 ٪ کاهش می دهد.علاوه بر این ، نتایج ارزیابی انسانی ما نشان می دهد که کیفیت آرگومان های تولید شده با روش ما به طور قابل توجهی از خطوط تنظیم شده خوب و همچنین روش های بهینه سازی اولویت قبلی مانند DPO بهتر عمل می کند.این یافته ها اهمیت اطمینان از مدل ها را از خطاهای منطقی برای تولید استدلال مؤثر آگاه می کند.
| فرمت ارائه ترجمه مقاله | تحویل به صورت فایل ورد |
| زمان تحویل ترجمه مقاله | بین 2 تا 3 روز پس از ثبت سفارش |
| کیفیت ترجمه | بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
| جداول و فرمول ها | کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |


نقد و بررسیها
هنوز بررسیای ثبت نشده است.