کتابی که قرار بود یک حرفه را به پایان برساند

زمانی که استیون تولمین در سال 1958 کتاب کاربردهای استدلال را منتشر کرد، واکنش منطق‌دانان حرفه‌ای خصمانه بود. او کتابی درباره استدلال نوشته بود که از پرداختن به منطق صوری خودداری کرده بود و به او گفته شد که به نوعی از نقشه خارج شده است. تولمین بعدها نقل کرد که یکی از همکارانش به آن کتاب، کتاب ضدمنطق او می‌گفت.

این به پایان کار او نینجامید. آنچه اتفاق افتاد این بود که یک مخاطب کاملاً متفاوت پیدا کرد. دپارتمان‌های بلاغت و ارتباطات — به‌ویژه در ایالات متحده — این کتاب را برداشتند و بر اساس آن برنامه‌های درسی ساختند، زیرا تولمین کاری را انجام داده بود که منطق صوری هرگز به آن توجه نکرده بود. او توصیف کرده بود که یک استدلال وقتی یک فرد واقعی آن را مطرح می‌کند چگونه به نظر می‌رسد.

شصت و اندی سال بعد، اگر از یک ماشین بخواهید که یک متن جلسه را بخواند و به شما بگوید چه چیزی مطرح شده است، از واژگان تولمین برای پاسخ دادن استفاده خواهد کرد. این داستان این سری است و این پست قوس آن است: چگونه یک کتاب فلسفی که منطق‌دانان آن را رد کردند، به مشخصات یک وظیفه یادگیری ماشین تبدیل شد.

آنچه تولمین واقعاً تغییر داد

منطق رسمی به اعتبار concerned است: با توجه به این مقدمات، آیا این نتیجه به دست می‌آید؟ این یک ابزار فوق‌العاده است و تقریباً هیچ چیزی را که مردم واقعاً می‌گویند توصیف نمی‌کند. هیچ‌کس در قالب قیاس استدلال نمی‌کند.

حرکت تولمین این بود که سوال متفاوتی بپرسد — نه آیا این معتبر است بلکه این چگونه ساخته شده است. او یک استدلال واقعی را به شش بخش تقسیم کرد و سه تا از آن‌ها بار اصلی را به دوش می‌کشند:

• ادعا — موقعیتی که به پیش کشیده می‌شود. آنچه که در واقع از کسی می‌خواهید که بپذیرد.
• دلایل — حقایق ارائه شده به عنوان پشتیبانی. شواهد، داده‌ها، مثال.
• مجوز — اصل که انتقال از دلایل به ادعا را مجاز می‌سازد. تقریباً هرگز به صورت علنی بیان نمی‌شود.

دستور قضایی جالب است و دلیل اینکه استخراج استدلال سخت است و نه خسته‌کننده. پل از نظر ساختاری ناپایدار است، بنابراین باید آن را ببندیم حاوی یک پیش‌فرض پنهان است: اینکه ساختارهای ناپایدار باید بسته شوند. هیچ‌کس آن جمله را نمی‌گوید. همه آن را فرض می‌کنند. یک ماشین که متن را می‌خواند باید مرحله‌ای را بازسازی کند که در متن وجود ندارد.

سه بخش دیگر — پشتیبانی، شرایط، و رد — به احتیاط و استثناها می‌پردازند. این سه بخش به طور مشترک یک استدلال را به عنوان یک ساختار توصیف می‌کنند نه یک زنجیره، و این دیدگاه ساختاری است که باعث شد کل موضوع بعداً قابل محاسبه باشد.

والتون و سوالی که بحث را شکسته می‌کند

اگر تولمین به این حوزه آناتومی آن را داد، داگلاس والتون راهنمای میدانی آن را ارائه داد. او در دهه‌های 1990 و 2000، الگوهای تکراری استدلال روزمره — استناد به نظر کارشناسان، استدلال از طریق تشابه، استدلال از طریق پیامدها، استدلال از طریق نشانه — را به عنوان طرح‌های استدلالی فهرست‌بندی کرد.

کتابچه مفید است. آنچه آن را قدرتمند می‌سازد نیمه دوم است: هر طرح با سوالات انتقادی همراه است، چالش‌های خاصی که نشان می‌دهد آن الگو در کجا شکست می‌خورد. برای جلب نظر کارشناسان: آیا این فرد واقعاً در این حوزه متخصص است؟ آیا سایر کارشناسان با این نظر موافقند؟ آیا ادعا با شواهد سازگار است؟

این تنها مفیدترین چیز در کل سنت برای هر کسی است که در یک جلسه نشسته است و هزینه‌ای برای به کارگیری آن وجود ندارد. وقتی کسی از مقام خود استدلال می‌کند، نیازی نیست با نتیجه‌گیری او مخالفت کنید. شما سوال بحرانی را می‌پرسید که الگو خود دعوت می‌کند. این تهاجمی نیست؛ بلکه چیزی است که استدلال به آن نیاز دارد.

فریمن و تمایزی که آن را قابل محاسبه کرد

کار جیمز فریمن در سال 1991 درباره ساختار کلان استدلال، بخشی را اضافه کرد که برای ماشین‌ها از اهمیت بیشتری برخوردار بود. او خط سختی بین دو چیزی که مردم به طور غیررسمی اختلاف نظر می‌نامند، ترسیم کرد.

شما می‌توانید به یک نتیجه‌گیری حمله کنید — استدلال کنید که نادرست است. یا می‌توانید به استنتاج حمله کنید — هر واقعیتی که ارائه شده را بپذیرید و انکار کنید که نتیجه‌گیری از آن‌ها ناشی می‌شود. مطالعه شما دارای نقص است و مطالعه شما خوب است اما آنچه را که فکر می‌کنید نشان نمی‌دهد حرکات کاملاً متفاوتی هستند و برخورد با آن‌ها به عنوان یک موضوع، بیشتر اطلاعات را در یک اختلاف واقعی از دست می‌دهد.

فریمن همچنین premises را که فقط با هم کار می‌کنند از premises هایی که هر کدام به تنهایی ایستاده‌اند جدا کرد — تفاوت بین یک استدلال که اگر یکی از پایه‌هایش را بردارید فرو می‌ریزد و یکی که فقط ضعیف‌تر می‌شود. هنگامی که این تمایزها را داشته باشید، یک استدلال دیگر نثر نیست. این یک گراف برچسب‌گذاری شده است و یک گراف برچسب‌گذاری شده چیزی است که یک کامپیوتر می‌تواند بر اساس آن نمره‌گذاری شود.

سپس به مدت بیست سال هیچ اتفاقی نیفتاد

این نظریه تا اوایل دهه 1990 وجود داشت. حوزه محاسباتی تا دهه 2010 به وجود نیامد و دلیل آن چندان جذاب نیست: هیچ چیزی برای اندازه‌گیری وجود نداشت.

یک حوزه تحقیقاتی زمانی به یک حوزه تحقیقاتی تبدیل می‌شود که رویکردهای رقیب بتوانند بر روی داده‌های یکسان مقایسه شوند. این نیازمند این بود که کسی با هزاران سند نشسته و به‌صورت دستی مشخص کند که کدام بخش‌ها ادعا هستند، کدام‌ها مقدمه‌اند و کدام‌ها کدام را حمایت یا حمله می‌کنند. کریستین استاب و ایریا گورویچ این کار را برای مقالات قانع‌کننده انجام دادند. آندریاس پلدزوس و مانفرد استده یک مجموعه از متون کوتاه استدلالی را به‌طور خاص برای مطالعه ساختار ایجاد کردند.

آن کار به درستی در پست بعدی در این سری پوشش داده شده است. آنچه در اینجا مهم است، شکلی است که نمایان شد. هنگامی که می‌توانید سیستم‌ها را امتیازدهی کنید، می‌توانید ببینید کدام بخش‌ها دشوار هستند — و پاسخ فوری بود و هرگز واقعاً تغییر نکرده است.

یافتن ادعاها آسان است. اما هر چیز دیگری بعد از آن آسان نیست.

معیارهای منتشر شده داستانی یکسان را روایت می‌کنند. در مجموعه مقالات قانع‌کننده، شناسایی و برچسب‌گذاری اجزای استدلالی به حدود 73% F1 می‌رسد. تصمیم‌گیری درباره اینکه این اجزا چگونه به یکدیگر مرتبط هستند — چه چیزی به چه چیزی متصل می‌شود و آیا از آن حمایت می‌کند یا به آن حمله می‌کند — نزدیک به 48% است. در مجموعه داده‌های نظرات عمومی CDCP که توسط جون‌سک پارک و کلر کاردی ساخته شده است، شناسایی روابط به حدود 34% کاهش می‌یابد.

آن فاصله میدان است. این یک پدیده ناشی از مدل‌های ضعیف نیست و از هر تغییر معماری که از آن زمان اتفاق افتاده، جان سالم به در برده است. تشخیص به طور مداوم بهبود یافته است. روابط به سختی تغییر کرده‌اند.

دلایل ساختاری هستند تا فنی، و موضوع سومین پست در این سری می‌باشند: عدم توافق در داده‌ها نادر است، به زمینه‌ای بستگی دارد که جمله شامل آن نمی‌شود، و مرحله ارتباطی معمولاً بیان نشده است — ضمانت تولمین، که هنوز شصت سال بعد غایب است.

اما آیا این فقط پردازش زبان طبیعی نیست؟

این از همان ماشین‌آلات استفاده می‌کند، بنابراین اعتراض منصفانه است. تفاوت در آنچه که بازیابی می‌شود، وجود دارد.

تحلیل احساس می‌پرسد که یک متن چه احساسی دارد. خلاصه‌سازی می‌پرسد که متن چه می‌گوید. شناسایی موجودیت‌های نام‌دار می‌پرسد که چه کسی و چه چیزی در آن ظاهر می‌شود. هر سه مورد مربوط به محتوا هستند. استخراج استدلال به ساختار می‌پردازد — کدام جمله در حال انجام کار استدلالی بر روی کدام جمله دیگر است و در کدام جهت.

این تمایز یک جنبه عملی دارد. یک جمله می‌تواند به صورت منفی بیان شود در حالی که ادعای مرتبط با آن را حمایت می‌کند: فشار زمانی به ریسک اضافه می‌کند استدلالی را که پروژه پرخطر است، تقویت می‌کند. هر سیستمی که بر اساس لحن امتیازدهی می‌کند، این را هر بار به اشتباه می‌گیرد. اطلاعاتی که استخراج استدلالی به دست می‌آورد، در کلمات نیست. بلکه در روابط بین آن‌هاست.

چه چیزهایی مدل‌های بزرگ تغییر دادند و چه چیزهایی را تغییر ندادند

آخرین فصل، فصلی است که همه آن را می‌شناسند. مدل‌های زبان عمومی می‌توانند وظایف استخراج استدلال را بدون نیاز به آموزش بر روی یک مجموعه داده حاشیه‌نویسی شده انجام دهند، که بزرگ‌ترین مانع عملی که این حوزه تا به حال داشته را برطرف می‌کند: نیاز به هزاران مثال با برچسب دستی برای هر دامنه جدید.

این یک ناپیوستگی واقعی است و همین باعث شد که استخراج استدلال در متن‌های تجاری عادی قابل استفاده باشد و نه فقط در مجموعه‌های مقاله‌ای انتخاب شده. این موضوع در پست چهارم پوشش داده شده است.

آنچه انجام نداد، پر کردن فاصله بود. مشکلات ساختاری هنوز هم ساختاری هستند. مدلی که تمام اینترنت را خوانده هنوز باید تصمیم بگیرد که آیا این اعتراض به آن دلیل اشاره دارد یا به نتیجه‌ای که پشت آن است، و متن هنوز هم این را نمی‌گوید.

آنچه شصت سال از این نشان می‌دهد درباره استدلال‌های خودتان

• اختلاف نظر معمولاً در حکم وجود دارد. دو نفر که بر هر واقعیتی توافق دارند و هنوز هم اختلاف نظر دارند، در حال بحث درباره یک اصل ناگفته هستند. آن را نام ببرید و گفتگو کوتاه‌تر می‌شود.
• حمله به استنتاج با حمله به حقایق یکی نیست. تصمیم‌گیری در مورد اینکه کدام یک را انجام می‌دهید — به صورت بلند — از دفاع شخص دیگر در برابر چیز نادرست جلوگیری می‌کند.
• هر درخواست به مقام، سوال آزمون خاص خود را دارد. والتون آن‌ها را نوشت. استفاده از آن‌ها خصومت نیست؛ این الگو به‌طور مورد نظر عمل می‌کند.
• ساختار چیزی است که باقی می‌ماند. شش ماه بعد هیچ‌کس wording را به یاد نمی‌آورد. آنچه آنها نیاز دارند این است که کدام اعتراض مطرح شده و آیا کسی به آن پاسخ داده است یا خیر.

کتاب ضد منطق

منتقدان تولمین در یک مورد حق داشتند: کاربردهای استدلال واقعاً کتابی درباره منطق رسمی نبود. این کتاب درباره این بود که مردم چگونه استدلال می‌کنند زمانی که stakes واقعی هستند و مقدمات قابل بحث‌اند و هیچ‌کس وقت برای یک قیاس ندارد.

این مشکل سخت‌تر و مفیدتر از آب درآمد. هر سیستمی که امروز یک متن را می‌خواند و به شما می‌گوید چه چیزی ادعا شده، بر چه اساسی و چه چیزی علیه آن استدلال شده، بر اساس توصیف او کار می‌کند. برای یک کتاب ضد منطق بد نیست.

سری استخراج استدلال

پنج پست درباره اینکه چگونه ماشین‌ها یاد گرفتند استدلال‌ها را بخوانند — از کجا این حوزه آغاز شد، چرا مسائل دشوار آن دشوار هستند و چگونه آن را به کار می‌بریم.