Un marco de argumentación es una estructura formal utilizada en inteligencia artificial y representación del conocimiento para modelar argumentos y los conflictos entre ellos. Proporciona una base matemática para analizar cuándo un conjunto de argumentos puede ser aceptado colectivamente, incluso cuando se contradicen entre sí. El marco abstrae el contenido interno de los argumentos individuales, centrándose en la relación binaria de ataque que existe entre ellos. Esta abstracción permite el estudio de patrones de razonamiento que son derrotables, es decir, conclusiones que pueden retirarse ante nuevos contraargumentos, una característica clave del razonamiento de sentido común humano.
Introducido por Phan Minh Dung en 1995, el marco se ha convertido en una piedra angular de la argumentación computacional. Se utiliza en diversas aplicaciones, desde el razonamiento legal y los sistemas multiagente hasta el procesamiento del lenguaje natural y el apoyo a la toma de decisiones. La idea central es simple: dado un conjunto de argumentos y una relación que indica qué argumentos atacan a cuáles, se pueden definir varias semánticas que especifican qué argumentos se consideran aceptables. Estas semánticas se basan en la noción de admisibilidad, donde un conjunto de argumentos es aceptable si puede defenderse contra todos los ataques.
Definición Formal
Formalmente, un marco de argumentación es un par ⟨A, R⟩, donde A es un conjunto finito de argumentos y R es una relación binaria sobre A, es decir, R ⊆ A × A. Para dos argumentos a y b, la notación (a, b) ∈ R (o a R b) significa que el argumento a ataca al argumento b. El marco a menudo se representa como un grafo dirigido, donde los nodos son argumentos y las aristas representan ataques. Esta representación basada en grafos es central para el atractivo del marco, ya que permite la aplicación de algoritmos de teoría de grafos para calcular la aceptabilidad.
Un conjunto S ⊆ A se dice que está libre de conflictos si no hay argumentos a y b en S tales que a ataque a b. Un argumento a ∈ A es aceptable con respecto a S si para cada argumento b que ataca a a, existe un argumento c en S que ataca a b. En este caso, se dice que c defiende a a contra b. Un conjunto S libre de conflictos es admisible si cada argumento en S es aceptable con respecto a S. Estas definiciones forman la base para las diversas semánticas basadas en extensiones.
Semánticas Basadas en Extensiones
El artículo original de Dung definió varias semánticas que producen conjuntos de argumentos aceptables, llamados extensiones. La más básica es la semántica completa. Un conjunto admisible S es una extensión completa si contiene todos los argumentos que son aceptables con respecto a S. Las extensiones completas siempre existen, pero puede haber múltiples. La semántica fundamentada selecciona la extensión completa mínima (con respecto a la inclusión de conjuntos), que es única. Se calcula comenzando con el conjunto vacío e iterativamente añadiendo todos los argumentos aceptables hasta alcanzar un punto fijo. La extensión fundamentada representa la posición más escéptica, conteniendo solo argumentos que no son derrotados incluso considerando todas las defensas posibles.
La semántica preferida selecciona conjuntos admisibles máximos (con respecto a la inclusión de conjuntos). Estas extensiones representan posiciones más crédulas, ya que incluyen tantos argumentos como sea posible mientras mantienen la admisibilidad. La semántica estable, otra importante, requiere que un conjunto S libre de conflictos ataque a todo argumento que no esté en S. Las extensiones estables son extensiones preferidas, pero no todas las extensiones preferidas son estables. La semántica ideal, introducida más tarde, proporciona un punto intermedio entre la fundamentada y la preferida, seleccionando el conjunto admisible máximo que está contenido en todas las extensiones preferidas.
Argumentación Abstracta y Estructurada
El marco descrito anteriormente es abstracto porque no considera la estructura interna de los argumentos. En contraste, los enfoques de argumentación estructurada, como ASPIC+ y la Programación Lógica Derrotable (DeLP), construyen argumentos a partir de una base de conocimiento utilizando reglas de inferencia y luego derivan un marco abstracto de esos argumentos. Esto permite una representación más detallada del conocimiento, pero a costa de una mayor complejidad computacional. El marco abstracto sigue siendo útil como herramienta de análisis de alto nivel, y muchos resultados sobre marcos abstractos pueden transferirse a entornos estructurados.
Propiedades Computacionales
El cálculo de extensiones bajo varias semánticas ha sido estudiado extensamente. Para marcos finitos, la extensión fundamentada puede calcularse en tiempo polinomial, ya que implica un proceso iterativo simple. Sin embargo, determinar si un argumento dado está en al menos una extensión preferida (aceptación crédula) es NP-completo, y determinar si está en todas las extensiones preferidas (aceptación escéptica) es co-NP-completo. La semántica estable es igualmente compleja, con la existencia de una extensión estable siendo NP-completa. Estos resultados de complejidad han motivado el desarrollo de algoritmos y solvers, a menudo basados en reducciones a satisfacibilidad proposicional (SAT) o programación en conjuntos de respuestas (ASP). La Competición Internacional sobre Modelos Computacionales de Argumentación (ICCMA) se ha celebrado desde 2015 para evaluar dichos solvers.
Aplicaciones en IA
Los marcos de argumentación han encontrado aplicaciones en muchas áreas de la Artificial intelligence. En el razonamiento legal, ayudan a modelar los pros y contras de un caso, donde estatutos y precedentes se atacan entre sí. En sistemas multiagente, los agentes pueden usar argumentación para negociar o alcanzar un consenso, con cada agente proponiendo argumentos que atacan a los de otros. En Machine learning, la argumentación se ha utilizado para IA explicable, donde el razonamiento detrás de la predicción de un modelo se representa como un marco de argumentación, permitiendo a los usuarios consultar y desafiar la decisión. Por ejemplo, la salida de un clasificador puede justificarse mediante un conjunto de argumentos de apoyo, y los contraargumentos pueden presentarse como ataques.
En el procesamiento del lenguaje natural, los marcos de argumentación se utilizan para la minería de argumentos, que es la tarea de extraer argumentos y sus relaciones de un texto. La estructura extraída puede luego analizarse utilizando las semánticas del marco para determinar la fuerza general de una posición. Esto tiene aplicaciones en el análisis de debates, la detección de noticias falsas y el resumen de opiniones. La capacidad del marco para manejar información conflictiva lo hace particularmente adecuado para estas tareas, donde las fuentes a menudo discrepan.
Relación con Otros Formalismos
Los marcos de argumentación están estrechamente relacionados con otros formalismos no monótonos, como la lógica por defecto y la programación lógica con negación como fallo. De hecho, Dung mostró que la programación lógica puede interpretarse como un caso especial de argumentación, donde cada regla corresponde a un argumento y los ataques surgen de conclusiones conflictivas. Esta conexión ha llevado a un intercambio fructífero de ideas, con algoritmos y semánticas transferidos entre los campos. El marco también se relaciona con la teoría de juegos, ya que la aceptabilidad de los argumentos puede caracterizarse en términos de la existencia de estrategias ganadoras en un juego de diálogo de dos jugadores, donde un jugador propone un argumento y el otro lo ataca.
Extensiones y Variaciones
Desde su introducción, se han propuesto muchas extensiones al marco básico. Los marcos de argumentación bipolares añaden una segunda relación para el apoyo, permitiendo que los argumentos se fortalezcan mutuamente. Los marcos de argumentación ponderados asignan pesos a los ataques, representando la fuerza relativa del conflicto. Los marcos de argumentación basados en valores incorporan valores que los argumentos promueven, permitiendo una comparación más matizada. Los marcos de argumentación probabilísticos asignan probabilidades a argumentos o ataques, habilitando el razonamiento bajo incertidumbre. Estas variaciones aumentan la expresividad del marco pero también complican la semántica y el cálculo.
El marco también se ha integrado con otras técnicas de IA. Por ejemplo, en Deep learning, la argumentación se ha utilizado para combinar las salidas de múltiples modelos de Neural network, donde la predicción de cada modelo es un argumento y los desacuerdos son ataques. Este enfoque de conjunto puede mejorar la robustez y proporcionar un mecanismo para la resolución de conflictos. En el contexto de Large language model, los marcos de argumentación podrían utilizarse para estructurar el razonamiento de un modelo, haciendo sus salidas más transparentes y verificables, aunque esto sigue siendo un área activa de investigación.
Direcciones de Investigación Actuales
La investigación contemporánea en marcos de argumentación se centra en varios frentes. Uno es el desarrollo de algoritmos eficientes para marcos a gran escala, aprovechando la computación paralela y heurísticas. Otro es la integración con Generative AI, donde la argumentación puede servir como una capa de razonamiento para generar texto coherente y defendible. Los investigadores también están explorando la argumentación dinámica, donde el marco cambia con el tiempo a medida que se añaden o eliminan argumentos, requiriendo actualizaciones incrementales de las extensiones. El uso de la argumentación en IA explicable es un campo en crecimiento, con el objetivo de proporcionar justificaciones comprensibles para decisiones automatizadas.
La simplicidad y el poder del marco han hecho de él una contribución duradera al campo de la representación del conocimiento. Su capacidad para modelar el razonamiento de sentido común, donde las conclusiones son tentativas y sujetas a revisión, sigue siendo altamente relevante a medida que los sistemas de IA se despliegan en entornos complejos del mundo real. A principios de la década de 2020, los marcos de argumentación continúan siendo un área vibrante de investigación, con aplicaciones que van desde la tecnología legal hasta el análisis de redes sociales, y es probable que sigan siendo una herramienta clave en la caja de herramientas de la IA durante años.