在科研領(lǐng)域，同行評審(review-rebuttal)是保證學術(shù)質(zhì)量的關(guān)鍵環(huán)節(jié)。這一過程中的辯論和反駁非常具有挑戰(zhàn)性。傳統(tǒng)的同行評審生成任務(wù)通常集中在表面層面的推理。研究人員發(fā)現(xiàn)，考慮論點背后的態(tài)度根源和主題可以提高反駁的有效性。

今天介紹的這篇研究將心理學理論與辯論技術(shù)相結(jié)合，為計算辯論領(lǐng)域帶來了新的視角。具體來說，文章主要做了以下工作：

• 提出了一種全新的同行評審反駁生成任務(wù)——柔道辯論(Jiu-Jitsu Argumentation)，結(jié)合態(tài)度根源和主題進行辯論。
• 開發(fā)了JITSUPEER數(shù)據(jù)集，包含豐富的態(tài)度根源、主題和典型反駁案例。
• 為同行評審反駁生成提供了強大的基準線。

Paper: Exploring Jiu-Jitsu Argumentation for Writing Peer Review Rebuttals
Link: https://arxiv.org/pdf/2311.03998.pdf

做一個專門面向年輕NLPer的每周在線論文分享平臺

Jiu-Jitsu Argumentation

同行評審對于確?？茖W的高質(zhì)量至關(guān)重要：作者提交研究成果，而審稿人則辯論應(yīng)不應(yīng)該接受其發(fā)表。通常評審后還會有一個反駁階段。在這里，作者有機會通過反駁論點來說服審稿人提高他們的評估分數(shù)。

這篇文章探索了同行評審領(lǐng)域中態(tài)度根源的概念，即在審查科學論文的標準時，識別審稿人的潛在信仰和觀點。

作者首先定義典型的rebuttal為：一種與潛在態(tài)度根源相一致并解決它們的反駁論點。它足夠通用，可以作為模板用于許多相同（態(tài)度根源-主題）審稿元組的實例，同時表達特定的反駁行動。

根據(jù)這個定義，作者提出了態(tài)度根源和主題引導的反駁生成任務(wù)：給定一個同行評審論點rev和一個反駁行動a，任務(wù)是根據(jù)rev的態(tài)度根源和主題生成典型反駁c。

下圖展示了如何通過一系列中間步驟，將審稿內(nèi)容映射到標準的反駁上。這個審稿的主要觀點是關(guān)于清晰度和整體性。

JITSUPEER 數(shù)據(jù)集

為了評估反駁生成任務(wù)，作者構(gòu)建了JITSUPEER數(shù)據(jù)集。該數(shù)據(jù)集專注于同行評審過程中的態(tài)度根源和主題，通過連接這些元素與基于特定反駁行動的典型反駁，實現(xiàn)了一種態(tài)度和主題引導的反駁生成方法。

• 態(tài)度根源與主題分布： 大多數(shù)審稿句子的態(tài)度根源是“實質(zhì)性”（Substance），這也是擁有最多主題（29個）的根源。最常見的主題是方法論（Methodology）、實驗（Experiments）和相關(guān)工作（Related Work）。這一發(fā)現(xiàn)符合直覺，因為機器學習領(lǐng)域的審稿者通常非常關(guān)注方法論的穩(wěn)健性和實用性。
• 典型反駁識別： 研究團隊為不同的態(tài)度根源和反駁行動識別了302個典型反駁。這些典型反駁可以映射到2,219個審稿句子（總共2,332個）。與“完成任務(wù)”（Task Done）這一反駁行動和“實質(zhì)性”態(tài)度根源相關(guān)的典型反駁句子數(shù)量最多。
• 典型反駁示例： 在報告的表格中，研究團隊展示了一些典型反駁的例子。顯然，不同的態(tài)度根源-主題描述與不同的典型反駁相關(guān)聯(lián)。

起始數(shù)據(jù)集

作為JITSUPEER的基礎(chǔ)，研究團隊采用了名為DISAPERE的數(shù)據(jù)集，該數(shù)據(jù)集包含了2019年和2020年ICLR會議的審稿和相應(yīng)反駁。這些審稿和反駁被細致地分解成單個句子，并被三層注釋標記，包括審稿方面和極性、審稿與反駁之間的鏈接，以及反駁行動的直接注釋。特別地，研究團隊關(guān)注于需要反駁的負面審稿句子，探索了審稿方面的使用，以此來體現(xiàn)社區(qū)共享的科學價值觀。

此外，研究者還使用了另一數(shù)據(jù)集PEER-REVIEW-ANALYZE，該數(shù)據(jù)集是一個基準資源，包含2018年ICLR的審稿，同樣配備了多層注釋。這些注釋包括了審稿句子所指目標論文的特定部分，如方法、問題陳述等，這些信息被視為態(tài)度主題的關(guān)鍵元素。這一研究提供了一個獨特的視角，通過關(guān)注論文的特定部分，進一步豐富了對工作的潛在信仰和主題信息的理解。

數(shù)據(jù)集豐富化

在這項研究中，研究團隊的目標是創(chuàng)建一個詳盡的語料庫，其中審稿句子不僅被標注為態(tài)度根源和主題，而且還與特定反駁行動的典型反駁句子相連接。為了實現(xiàn)這一目標，研究團隊采用了一系列方法來豐富DISAPERE數(shù)據(jù)集。

主題預(yù)測

首先，他們使用了PEER-REVIEW-ANALYZE數(shù)據(jù)集來預(yù)測態(tài)度主題，即審稿句子中所涉及的論文部分。研究團隊測試了不同的模型，包括通用模型和針對同行評審領(lǐng)域的專門模型，如BERT、RoBERTa和SciBERT。他們通過中間層的遮蔽語言模型(MLM)對這些模型進行了領(lǐng)域?qū)ｉT化處理，并在多個配置下進行了訓練和優(yōu)化。研究團隊在變壓器的頂部添加了sigmoid分類頭，以進行微調(diào)，并對不同的學習率進行了網(wǎng)格搜索。他們基于驗證性能采用早期停止策略，并在PEER-REVIEW-ANALYZE數(shù)據(jù)集上評估了模型的性能。結(jié)果顯示，所有變壓器模型的性能都顯著優(yōu)于基線模型，其中經(jīng)過領(lǐng)域?qū)ｉT化處理的SciBERTds_neg模型表現(xiàn)最佳。

根源–主題集群描述

接下來，研究團隊對每個態(tài)度根源–主題集群添加額外的自然語言描述，旨在提供比單純標簽元組更豐富的人類可解釋性。他們通過比較自動和手動生成的摘要來完成這一步驟。

摘要生成：在自動摘要方面，研究團隊采用了領(lǐng)域特定的SciBERTds_neg模型對句子進行嵌入，并根據(jù)余弦相似度選擇最具代表性的審稿句子。

評估： 研究團隊通過展示摘要和相應(yīng)的集群句子給注釋者，讓他們選擇更好地描述集群的摘要。他們使用INCEpTION開發(fā)了注釋界面，并雇用了額外的計算機科學博士生進行標注。通過測量注釋者間的一致性，研究團隊確保了摘要的質(zhì)量和準確性。

確定典型反駁

研究團隊為每個態(tài)度根源-主題集群確定典型的反駁，這是通過考慮特定的反駁行動來完成的。這一過程分為三個步驟：首先，減少候選典型反駁的數(shù)量；其次，手動比較縮減后候選集中的反駁句子對；最后，基于成對比較的分數(shù)計算排名，并選擇排名最高的候選作為典型反駁。

候選集減少：為了縮減典型反駁的候選集，研究團隊采用了兩種適用性分類器得出的分數(shù)。首先是一個二元分類器，基于自行訓練，用于預(yù)測一個反駁句子作為典型反駁的整體適用性。其次，考慮到典型反駁的原型性質(zhì)，他們還使用了SPECIFICITELLER模型來獲得特定性分數(shù)。該模型是一個預(yù)訓練的基于特征的模型，用來評估句子是通用的還是具體的。通過這兩個步驟，研究團隊最終將候選集縮減至1,845個候選。

手動標注：在手動決定典型反駁方面，研究團隊設(shè)計了一套方法：展示來自特定態(tài)度根源和主題集群的≤5個審稿句子，并將這些信息與特定的反駁行動配對。然后，他們隨機選擇兩個反駁句子，這些句子與集群中的任一審稿句子相關(guān)，并對應(yīng)于所選的反駁行動。標注者需要從這對反駁句子中選擇更好的一個。對于每個（態(tài)度根源、態(tài)度主題、反駁行動）三元組的n個反駁句子，成對標注設(shè)置需要對n(n ? 1)/2對句子進行評判。研究團隊雇傭了兩名計算機科學博士生進行這項任務(wù)。

典型反駁選擇:研究團隊基于收集的偏好通過注釋圖排名得出最佳反駁。具體來說，他們?yōu)槊總€根源-主題-行動集群創(chuàng)建了一個有向圖，圖中的節(jié)點是反駁句子。邊的方向基于偏好：如果A優(yōu)于B，則創(chuàng)建A → B的邊。然后，他們使用PageRank算法對節(jié)點進行排名，每條邊的權(quán)重為0.5。排名最低的節(jié)點，即很少或沒有入邊的節(jié)點，被選為典型反駁。這種方法不僅提高了數(shù)據(jù)集的質(zhì)量和實用性，也為未來在類似領(lǐng)域的研究提供了一個有力的方法論參考。

實驗分析

研究團隊提出了三項新穎的任務(wù)，以在其數(shù)據(jù)集上進行測試。分別是典型反駁評分，審稿意見生成，典型反駁生成。

典型反駁評分

這個任務(wù)的目標是給定一個自然語言描述d和一個反駁行動a，對所有反駁r（與特定態(tài)度根源-主題集群相關(guān)）進行評分，以表明r作為該集群的典型反駁的適用性。

這個任務(wù)被視為一個回歸問題。只考慮有典型反駁的反駁行動和態(tài)度根源-主題集群的組合（50個態(tài)度根源-主題集群描述，3,986個反駁句子，其中302個是典型反駁）。使用之前的PageRank分數(shù)作為模型訓練的預(yù)測目標。

結(jié)果

• 從下表可以看出，大多數(shù)領(lǐng)域?qū)ｉT化模型的表現(xiàn)優(yōu)于它們的非專門化對應(yīng)模型。

• SciBERTds_all 在所有方面都有最高的皮爾遜相關(guān)系數(shù)，然而，BERTds_neg 在排名分數(shù)方面表現(xiàn)最佳。

• 使用其他與集群相關(guān)的信息，如代表性審稿句子，以及對描述進行釋義，可能會帶來進一步的收益，這將留待未來研究探究。

審稿描述生成

給定一條同行評審句子rev，任務(wù)是生成該句子所屬集群的抽象描述d 。

實驗設(shè)置

• 數(shù)據(jù)集由2,332個審稿句子組成，每個句子都屬于144個集群之一，并且每個集群都有相關(guān)的描述。
• 采用70/10/20的訓練-驗證-測試分割。
• 使用以下序列到序列（seq2seq）模型：BART (bart-large)、Pegasus (pegasus-large) 和 T5 (t5-large)。
• 對訓練周期數(shù)e∈{1, 2, 3, 4, 5}和學習率λ∈{1 * 10^-4, 5 * 10^-4, 1 * 10^-5}進行網(wǎng)格搜索，批量大小b = 32。
• 使用帶有5個束的束搜索作為解碼策略。
• 在完全微調(diào)設(shè)置以及零次和少次（few-shot）場景中進行實驗（隨機選擇次數(shù)）。
• 根據(jù)詞匯重疊和語義相似性（ROUGE-1 (R-1), ROUGE-2 (R-2), ROUGE-L (R-L) 和 BERTscore）報告性能。

結(jié)果

• R-1分數(shù)展示在下圖中，完整結(jié)果在表中。

• 有趣的是，所有模型都表現(xiàn)出非常陡峭的學習曲線，在僅看到一個例子時，根據(jù)大多數(shù)指標，性能大致翻了一番。
• 在zero shot和one shot設(shè)置中，BART在所有方面表現(xiàn)出色。
• 但在完全微調(diào)模型時，T5的表現(xiàn)最佳。研究團隊推測這可能與T5更大的容量有關(guān)（BART有406M參數(shù)，而T5有770M參數(shù)）。

典型反駁生成

給定一條審稿句子rev 和一個反駁a，任務(wù)是生成典型反駁c。

實驗設(shè)置

• 從2,219個有至少一個行動的典型反駁的審稿句子開始。
• 輸入為將rev和a與分隔符連接在一起，產(chǎn)生17,873個獨特的審稿-反駁行動實例。
• 使用與前面實驗相同的超參數(shù)、模型和度量標準，并進行完全微調(diào)以及零次和少次預(yù)測實驗。
• 對這些實驗，應(yīng)用70/10/20的訓練-驗證-測試分割，以獲取訓練-驗證-測試部分，以典型反駁（302個反駁與17,873個獨特實例相連）為層次。

結(jié)果

• 模型間的差異與之前的發(fā)現(xiàn)一致：BART在零次和少次設(shè)置中表現(xiàn)出色，T5雖然起點最低，但很快趕上其他模型。

• 模型的表現(xiàn)比以前更加陡峭，并在兩次嘗試后就似乎達到了一個平臺。研究團隊認為這與典型反駁的有限多樣性有關(guān)，以及他們決定在典型反駁層次上進行的訓練-測試分割——任務(wù)是生成模板，并對這些模板進行概括。看到其中只有幾個模板后，模型很快就能抓住一般的要點，但無法超越它們所展示的內(nèi)容。

結(jié)語

在這項工作中，研究團隊探索了基于審稿者潛在態(tài)度驅(qū)動的同行評審中的柔術(shù)式論證，為此他們創(chuàng)建了JITSUPEER數(shù)據(jù)集。這個新穎的數(shù)據(jù)集包含與典型反駁相連的審稿句子，這些典型反駁可以作為撰寫有效同行評審反駁的模板。團隊在這個數(shù)據(jù)集上提出了不同的自然語言處理任務(wù)，并對多種基線策略進行了基準測試。JITSUPEER的注釋將公開提供，研究團隊相信這個數(shù)據(jù)集將成為促進計算論證領(lǐng)域中有效同行評審反駁寫作研究的寶貴資源。