설득력 탐지를 위한 신경-기호 논증 추론 접근법: Have You Been Convinced?

논증 구조(Argument structures)는 담화 내에서 개별 논증들이 어떻게 상호작용하는지를 나타냅니다. 그러나 이러한 구조를 활용하여 의미 있는 지식을 추론하는 것은 여전히 어려운 과제입니다. 왜냐하면 이는 논증적 영향력(argumentative influence)이 구조 전반에 걸쳐 어떻게 전파되는지에 대한 형식적인 표현을 요구하기 때문입니다. 우리는 온라인 토론에서 직접 설득력 탐지(persuasiveness detection)를 수행하기 위해 신경-기호 논증 추론 시스템(Neuro-symbolic Argumentation Reasoning System, NARS)을 제안합니다. 이 시스템의 신경 구성 요소는 검색 증강 반복 LLM 추론(retrieval-augmented iterative LLM reasoning)을 사용하여 양극성 논증 구조(bipolar argument structures)를 추출하는 반면, 기호 구성 요소는 점진적 논증 의미론(gradual argumentation semantics)을 적용하여 구조 전반에 걸쳐 논증적 영향력을 전파합니다. Webis-CMV-20 코퍼스를 사용하여, 우리는 LLM이 파생한 양극성 논증 구조로 주석 처리되고 델타 이벤트(delta events: 견해 변화 vs. 변화 없음)로 레이블링된 장문의 다중 스레드 ChangeMyView 토론 데이터셋인 CMV2BAS를 구축합니다. 우리는 점진적 논증 의미론이 설득력을 효과적으로 탐지할 수 있는지, 여기에 논증 품질 및 그래프 기반 중심성(graph-based centrality)으로 보강하는 것이 성능을 개선하는지, 그리고 현대 LLM의 존재 하에서도 기호 추론이 여전히 필요한지를 조사합니다. NARS는 최적 구성에서 F1=0.57과 AUC=0.56을 달성하며, zero-shot Qwen3.6:27B와 GPT-oss:20B를 능가하는 성능을 보입니다. 우리는 지원 우세 토론(support-dominant discussions)과 긴 논증 사슬(long argumentative chains)을 공격 영향력 전파를 제한하는 주요 실패 모드로 식별합니다. 본 연구는 노이즈가 많은 실제 세계 담화에 형식적인 점진적 논증 의미론을 운영화하여 확장 가능한 거시적 수준의 설득 분석을 수행할 수 있음을 입증하는 동시에, 신경-기호 논증 추론 분야에서 향후 연구를 위한 주요 과제와 방향을 강조합니다. 우리는 CMV2BAS 데이터셋과 NARS 프레임워크를 모두 공개적으로 사용하도록 공개합니다.