Разработка методов классификации аргументации в полемических текстах на русском языке

Статья посвящена разработке методов автоматической классификации аргументов в русскоязычных полемиче ских текстах. В рамках исследования решались две задачи: бинарная классификация аргументов с разделением на атакующие и поддерживающие, а также многоклассовая классификация, направленная на выделение типов атакующих и конфликтных схем. Для решения поставленных задач проведено сравнение двух подходов: первый основан на архитектуре BERT (рассмотрены модели RuBERT, RoSBERTa и ru-longformer-tiny), второй – на не больших генеративных моделях (RuadaptQwen3-4B, Qwen2-7B, Qwen3-8B и Llama-3.1-8B). В ходе эксперимен тов исследовались различные способы повышения качества классификации. Для BERT-моделей: дополнение контекста, использование токена-разделителя, взвешивание классов (Weighted Trainer), модификация функции потерь (Focal Loss), балансировка данных (oversampling). Для LLM: различные стратегии подбора примеров для инструкции (zero-shot, few-shot, случайный отбор, отбор синтаксически близких примеров). В работе ис пользуется корпус данных ArgNetSC, содержащий более 280 текстов научного и научно-популярного жанров с ручной аргументативной разметкой (около 16 тыс. аргументов). Наилучший результат бинарной классифика ции (F1 = 0,89) был достигнут моделью RuBERT с использованием дополненного контекста, токена-разделителя и взвешивания классов. В задаче многоклассовой классификации модели BERT показали значительно более низкие результаты (F1 = 0,36). Малые LLM уступили BERT в бинарной классификации (F1 = 0,66) и в много классовой классификации (F1 = 0,24).