Logische Fallacy-Erkennung und/oder Identifikation mit Natural-Language-Verarbeitung

Question

Gibt es ein Paket oder eine Methode zur Erkennung fehlerhafter logischer Argumente im Text?

Ich hatte auf etwas gehofft, das für Text funktionieren würde, der nicht in einer akademischen Umgebung (wie einer logischen Klasse) geschrieben wird. Es könnte eine Strecke sein, aber ich möchte etwas, das identifizieren kann, wo Logik versucht, verwendet zu werden und den logischen Fehler zu identifizieren. Eine mögliche Verwendung hierfür wären Fehler in redaktionellen Artikeln.

Ich brauche nichts, was poliert wird. Es würde mir nichts ausmachen, daran zu arbeiten, etwas zu entwickeln, also bin ich wirklich auf der Suche nach dem, was da draussen ist.

Answer 1

Das ist ein schwieriges Problem, weil Sie einer logischen Darstellung die natürliche Sprache zuordnen müssen und mit Unklarheiten umgehen müssen.

Attempto Project kann für Sie interessant sein. Es hat mehrere tools, die Sie online ausprobieren können. Insbesondere könnte RACE etwas tun, was Sie tun wollten. Es prüft auf Konsistenz bei den gegebenen Aussagen. Aber das größere Problem ist hier, sie in logische Formen zu verwandeln.

Answer 2

Für eine Ontologie von logischen Axiomen, OpenCyc und die kommerziellen vollständigen Cyc-Ontologien könnte es sich lohnen, ebenfalls zu untersuchen. CycML wird als Sprache verwendet, um die logischen Assertionen zu modellieren, und die Cyc-Engine ist in der Lage, logische Schlussfolgerungen zu ziehen. Die Quelle für OpenCyc kann in der OpenCyc SourceForge project gefunden werden. Die hat auch gute Informationen.

Answer 3

Ja, das ist ein sehr unangenehmes Problem. Ich würde vorschlagen, dass Sie versuchen, sich auf eine enge Domäne zu konzentrieren. Wenn Sie zum Beispiel nach logischen Fehlern bei der Krebsentdeckung suchen, müssen Sie sich darauf konzentrieren, welche Art von Krebs Sie auch lösen möchten, z. B .: korrekte Behandlungspläne, korrekte Beobachtungen, korrekte Verfahren, korrekte Stadienbestimmung usw. Dann müssen Sie die Taxonomie oder Ontologie für diesen spezifischen Krebs finden, zB: Medline. So müssen Sie sich zum Beispiel NUR auf Lungenkrebs und dann nur auf eine Untergruppe von Lungenkrebsarten und nur auf Lungenkrebs konzentrieren. Dann werden Sie Ihren Korpus, Wissensbäume, Entitätsbeziehungen identifizieren und sich dann um Negationserkennung, Hypothetika und Subjekterkennung kümmern. Wenn Healthcare nicht Ihr Boot schwimmt, höre ich eine andere herausfordernde Domäne für logische Fehler ist die Rechts-/Rechtsbranche.