pie/aae2

AAE2数据集是一个包含学生议论文的语料库，标注了论点结构，包括主要主张、主张和前提，以及它们之间的关系。数据集用于论证挖掘、组件识别、组件分类和结构识别等任务。数据集的创建是为了支持论证性写作系统，并更好地理解论证结构。数据集的语言为英语，包含402篇议论文，分为训练集和测试集。

原始信息汇总

PIE Dataset Card for "aae2"

数据集概述

Argument Annotated Essays Corpus (AAEC) 包含学生撰写的议论文。每个议论文表达一个关于争议主题的立场，通过主要论点（Major Claim）、论点（Claim）和前提（Premise）来支持或反驳。攻击和支持标签定义为关系。所有组件都按照 AAEC 标注指南进行标注，不包括所谓的“外壳”语言，如 On the other hand 和 Hence。每个段落内的论证树结构是完整的，因此可以对整个文档或仅在段落级别进行模型训练，后者通常更节省内存。

支持的任务和排行榜

• 任务: 论证挖掘、组件识别、组件分类、结构识别
• 排行榜: 需要更多信息

语言

数据集中的语言为英语（议论文）。

数据集变体

aae2 数据集有一个版本 (default)，文档类型为 BratDocumentWithMergedSpans。这与基础的 brat 数据集不同，后者 default 版本的文档类型为 BratDocument。原因是 AAE2 数据集已经发布，只包含单片段跨度，无需合并片段，BratDocumentWithMergedSpans 类型更易于处理大多数任务模块。

数据模式

参见 PIE-Brat Data Schema。

使用示例

python from pie_datasets import load_dataset, builders

加载默认版本

datasets = load_dataset("pie/aae2") doc = datasets["train"][0] assert isinstance(doc, builders.brat.BratDocumentWithMergedSpans)

数据分割

统计数据	训练	测试
文档数量	322	80
组件 <br/>- MajorClaim<br/>- Claim<br/>- Premise	<br/>598<br/>1202<br/>3023	<br/>153<br/>304<br/>809
关系*<br/>- supports<br/>- attacks	<br/>3820<br/>405	<br/>1021<br/>92

• 包括所有论点和前提之间的关系以及所有论点归属。

标签描述

组件

组件	数量	百分比
MajorClaim	751	12.3%
Claim	1506	24.7%
Premise	3832	62.9%

• MajorClaim 是论证结构的根节点，代表作者对主题的立场。文章主体要么支持要么攻击作者在主要论点中表达的立场。主要论点可以在单个文档中多次提及。
• Claim 构成每个论证的中心组件。每个论点至少有一个前提，并采取“支持”或“反对”的立场属性值，相对于主要论点。
• Premise 是论证的理由；要么链接到论点或另一个前提。

注意 MajorClaim 和 Claim 之间的关系未标注；然而，每个论点都标注了一个值为“支持”或“反对”的 Attribute 标注，这表明了其与 MajorClaim 的关系。此外，当两个不相关的 Claim 出现在一个段落中时，它们之间也没有关系。

关系

关系	数量	百分比
支持: supports	3613	94.3%
攻击: attacks	219	5.7%

• 每个前提 p 有一个出站关系（即有一个关系以 p 为源组件），没有或多个入站关系（即可以有一个关系以 p 为目标组件）。
• Claim 可以展示多个入站关系，但没有出站关系。
• 从论证的论点到主要论点的关系是虚线，因为我们不会明确标注它们。每个论证与主要论点的关系由每个论点的立场属性指示。这个属性可以是支持或反对，如图1.4所示。

文档转换器

数据集提供以下目标文档类型的文档转换器：

• pytorch_ie.documents.TextDocumentWithLabeledSpansAndBinaryRelations 带有以下层：
  • labeled_spans: LabeledSpan 标注，从 BratDocumentWithMergedSpans 的 spans 转换而来
    • 标签: MajorClaim, Claim, Premise
  • binary_relations: BinaryRelation 标注，从 BratDocumentWithMergedSpans 的 relations 转换而来
    • 有两种转换方法将 Claim 属性转换为其与 MajorClaim 的关系：
      • connect_first (默认设置):
        • 根据 Claim 的属性（支持或反对），从每个 Claim 构建一个 supports 或 attacks 关系到第一个 MajorClaim，并且
        • 在后续的 MajorClaim 和第一个 MajorClaim 之间构建一个 semantically_same 关系
      • connect_all
        • 从每个 Claim 构建一个 supports 或 attacks 关系到每个 MajorClaim
        • 没有 MajorClaim 之间的关系
    • 标签: supports, attacks, 如果使用 connect_first 还有 semantically_same
• pytorch_ie.documents.TextDocumentWithLabeledSpansBinaryRelationsAndLabeledPartitions 带有以下层：
  • labeled_spans, 如上
  • binary_relations, 如上
  • labeled_partitions, LabeledSpan 标注，从 BratDocumentWithMergedSpans 的 text 在新行 ( ) 处分割创建。
    • 每个分区标记为 paragraph

文档转换后的标签统计

从 BratDocumentWithMergedSpan 转换到 TextDocumentWithLabeledSpansAndBinaryRelations 和 TextDocumentWithLabeledSpansBinaryRelationsAndLabeledPartitions 时，我们应用了一种关系转换方法（见上文），这改变了关系的标签计数，如下所示：

1. connect_first (默认):

关系	数量	百分比
支持: supports	4841	85.1%
攻击: attacks	497	8.7%
其他: semantically_same	349	6.2%

2. connect_all

关系	数量	百分比
支持: supports	5958	89.3%
攻击: attacks	715	10.7%

搜集汇总

背景与挑战

背景概述

该数据集是一个论证注释论文数据集（AAE2），包含学生论文中的主要论点、主张和前提等组件的标注信息，以及它们之间的支持或攻击关系。数据集基于BRAT标注格式，适用于论证挖掘和结构识别等任务，语言为英语。