English(EN) Argumentation for Explainable and Globally Contestable Decision Support with LLMs

LLM 框架 ArgEval 支持可解释、可争议的 AI 决策

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-05 04:00

研究人员开发了一个名为 ArgEval 的新框架，以提高大型语言模型 (LLM) 所做决策的可解释性和可争议性。与之前关注个体实例的方法不同，ArgEval 通过映射特定任务的决策空间并构建论证框架来评估一般决策选项。这种方法允许为特定案例提供可解释的建议，同时也使用户能够全局地争议和修改潜在的决策逻辑。该框架已被证明可以为胶质母细胞瘤治疗建议提供与临床实践一致的可解释指导。 AI

影响为高风险决策场景中的 LLM 透明度和用户控制引入了一个新颖的框架。

排序理由这是一篇研究论文，详细介绍了改进 LLM 可解释性和可争议性的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇研究论文，详细介绍了改进 LLM 可解释性和可争议性的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 125 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Adam Dejl, Matthew Williams, Francesca Toni · 2026-05-05 04:00

基于LLM的可解释和全球可争议决策支持的论证

arXiv:2603.14643v2 Announce Type: replace-cross Abstract: Large language models (LLMs) exhibit strong general capabilities, but their deployment in high-stakes domains is hindered by their opacity and unpredictability. Recent work has taken meaningful steps towards addressing the…

本文如何被排名

报道来源 [1]

基于LLM的可解释和全球可争议决策支持的论证

相关实体

相关话题