使用大语言模型解析联合国决议中的论证结构：HYBRIDS项目的创新方法

核心观点：HYBRIDS项目旗下HybridArguer团队开发了四阶段LLM推理流程，可自动从英法双语联合国决议文本中提取论证结构，解决传统方法难以捕捉深层次修辞和论证模式的问题，为政治话语分析提供新的技术路径。该方法在2026年ArgMining研讨会共享任务中得到验证。

在政治学与计算语言学交叉领域，理解国际外交文本（如联合国决议）的论证结构是核心挑战。传统文本分析方法难以捕捉其深层次修辞和论证模式。HYBRIDS项目由欧洲地平线计划资助（Grant Agreement No.101073351），HybridArguer团队（意大利FBK研究所Siddharth Bhargava博士等）聚焦“识别政治话语中论证性观点的立场”课题，并在2026年ArgMining研讨会共享任务验证成果。

数据集：训练集含2695份英法双语UN决议（UN-RES数据集，Gao et al.,2025）；测试集含45份联合国教科文组织国际教育会议（1934-2008）决议。数据以JSON格式存储，含文档标识符、建议编号、元数据（结构、段落索引）、正文段落（标注类型、标签、翻译等）。

任务定义：共享任务需完成三个子任务：1.段落分类为“序言性”或“操作性”；2.为段落分配多个语义标签；3.预测段落间论证关系及类型。

HybridArguer团队提出四阶段模块化架构：

1. 文档级段落分类：用推理型LLM整体分类段落（序言性/操作性），捕捉段落连贯性；
2. 标签候选检索：基于嵌入向量相似度检索标签候选；
3. 源段落候选选择：基于相似度+时间顺序约束（仅前序段落）选择前提候选；
4. 段落级精细推理：LLM整合前序输出，为段落分配标签并预测与源段落的论证关系类型。

技术实现：采用Docker容器化部署，实验环境为48GB NVIDIA Ampere A40 GPU、CUDA12.4、Python3.11的Linux服务器，确保可复现性。

评估方法：因缺乏人工标注ground truth，采用启发式基于特征的评估方法，为共享任务系统比较提供可行途径。

代码结构：含数据下载脚本、四个核心处理模块（文档级LLM生成、标签候选选择、段落候选选择、段落级LLM生成）及主执行脚本，模块化设计便于复现。

研究意义：学术上，展示LLM推理能力与传统计算论证学结合的新路径；应用上，支持政策分析师、外交官高效理解国际决议论证模式。体现欧洲地平线计划对跨学科（计算机、语言学、政治学）研究的重视（观点仅代表作者，不反映欧盟立场）。

未来展望：扩展到议会辩论、法院判决、国际条约等文本；利用多语言LLM支持更多语种的政治话语分析。