{"id":{"repo_id":"uns-ar","oai_identifier":"oai:repositorio.bc.uns.edu.ar:123456789/7598"},"canonical_url":"https://search.dev.ndltd.org/etd/uns-ar/oai:repositorio.bc.uns.edu.ar:123456789/7598","repository":{"repo_id":"uns-ar","name":"Universidad Nacional del Sur","base_url":"https://repositoriodigital.uns.edu.ar/oai/request"},"display":{"title":"Reconocimiento automático de argumentos y sus relaciones a partir de lenguaje natural : predicción y análisis desde una perspectiva de argumentación computacional","abstract":"La investigación desarrollada en esta tesis está dentro de las áreas de Minería de Argumentos y Argumentación Computacional. La investigación se enfoca en la correcta identificación de argumentos y sus interacciones en cuerpos de texto expresados en lengua- je natural. Minería de Argumentos es un área de investigación de creciente interés tanto, por sus desafíos como sus potenciales aplicaciones prácticas en aquellos dominios de apli- cación donde se busca desarrollar sistemas basados en Argumentación Computacional. Los resultados obtenidos buscan reducir la brecha entre los desarrollos en Argumentación Computacional y los continuos avances en Minería de Argumentos a partir de una crecien- te evolución de las herramientas de aprendizaje automático aplicadas al procesamiento de lenguaje natural. Para ello, se desarrollaron propuestas dedicadas tanto a mejorar los propios sistemas de Minería de Argumentos como a evaluar adecuadamente los resultados de esos sistemas desde la perspectiva de Argumentación Computacional. Como parte de las contribuciones, se definen nuevas formas de evaluar modelos de identificación de argumentos a partir de documentos escritos en lenguaje natural, y mo- delos de identificación de relaciones argumentativas entre fragmentos de texto. A través de una extensa experimentación y análisis, se muestra que las formas de evaluación propues- tas superan las limitaciones de las métricas más tradicionales, y también que es posible mejorar la identificación de argumentos utilizando la información provista por los errores detectados a nivel de argumentación durante el desarrollo de los modelos dedicados a esa tarea. Además, se proponen nuevos enfoques para aquellas aplicaciones en las que no se cuenta con anotaciones o etiquetas que permitan validar las predicciones hechas por los modelos. Estos nuevos enfoques, inexplorados hasta el momento, permitirán el desarrollo de nuevas y mejores herramientas de Argumentación Computacional.","abstract_html":"La investigación desarrollada en esta tesis está dentro de las áreas de Minería de Argumentos y Argumentación Computacional. La investigación se enfoca en la correcta identificación de argumentos y sus interacciones en cuerpos de texto expresados en lengua- je natural. Minería de Argumentos es un área de investigación de creciente interés tanto, por sus desafíos como sus potenciales aplicaciones prácticas en aquellos dominios de apli- cación donde se busca desarrollar sistemas basados en Argumentación Computacional. Los resultados obtenidos buscan reducir la brecha entre los desarrollos en Argumentación Computacional y los continuos avances en Minería de Argumentos a partir de una crecien- te evolución de las herramientas de aprendizaje automático aplicadas al procesamiento de lenguaje natural. Para ello, se desarrollaron propuestas dedicadas tanto a mejorar los propios sistemas de Minería de Argumentos como a evaluar adecuadamente los resultados de esos sistemas desde la perspectiva de Argumentación Computacional. Como parte de las contribuciones, se definen nuevas formas de evaluar modelos de identificación de argumentos a partir de documentos escritos en lenguaje natural, y mo- delos de identificación de relaciones argumentativas entre fragmentos de texto. A través de una extensa experimentación y análisis, se muestra que las formas de evaluación propues- tas superan las limitaciones de las métricas más tradicionales, y también que es posible mejorar la identificación de argumentos utilizando la información provista por los errores detectados a nivel de argumentación durante el desarrollo de los modelos dedicados a esa tarea. Además, se proponen nuevos enfoques para aquellas aplicaciones en las que no se cuenta con anotaciones o etiquetas que permitan validar las predicciones hechas por los modelos. Estos nuevos enfoques, inexplorados hasta el momento, permitirán el desarrollo de nuevas y mejores herramientas de Argumentación Computacional.","abstract_has_math":false,"creators":["Schmidt, Federico Martín"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["García, Alejandro Javier"],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-07-24T05:30:35Z","subjects":["Inteligencia artificial"],"languages":["spa"],"rights":["Reconocimiento-NoComercial-CompartirIgual 4.0 (CC BY-NC-SA 4.0)"],"rights_urls":["http://creativecommons.org/licenses/by-nc-sa/4.0/"],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["2025-1979sch"],"render_values":[{"text":"2025-1979sch","href":null,"code":true}]}]},"links":{"outbound_url":"https://repositoriodigital.uns.edu.ar/handle/123456789/7598","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["García, Alejandro Javier"]},{"key":"dc:contributor.other","label":"Dc Contributor Other","values":["Gottifredi, Sebastian"]},{"key":"dc:creator","label":"Author","values":["Schmidt, Federico Martín"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025-05-28"]},{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-06-29T16:42:08Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-06-29T16:42:08Z"]},{"key":"dc:date.issued","label":"Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["tesis doctoral"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Inteligencia artificial"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["Reconocimiento-NoComercial-CompartirIgual 4.0 (CC BY-NC-SA 4.0)"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-sa/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["2025-1979sch"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositoriodigital.uns.edu.ar/handle/123456789/7598"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["La investigación desarrollada en esta tesis está dentro de las áreas de Minería de Argumentos y Argumentación Computacional. La investigación se enfoca en la correcta identificación de argumentos y sus interacciones en cuerpos de texto expresados en lengua- je natural. Minería de Argumentos es un área de investigación de creciente interés tanto, por sus desafíos como sus potenciales aplicaciones prácticas en aquellos dominios de apli- cación donde se busca desarrollar sistemas basados en Argumentación Computacional. Los resultados obtenidos buscan reducir la brecha entre los desarrollos en Argumentación Computacional y los continuos avances en Minería de Argumentos a partir de una crecien- te evolución de las herramientas de aprendizaje automático aplicadas al procesamiento de lenguaje natural. Para ello, se desarrollaron propuestas dedicadas tanto a mejorar los propios sistemas de Minería de Argumentos como a evaluar adecuadamente los resultados de esos sistemas desde la perspectiva de Argumentación Computacional. Como parte de las contribuciones, se definen nuevas formas de evaluar modelos de identificación de argumentos a partir de documentos escritos en lenguaje natural, y mo- delos de identificación de relaciones argumentativas entre fragmentos de texto. A través de una extensa experimentación y análisis, se muestra que las formas de evaluación propues- tas superan las limitaciones de las métricas más tradicionales, y también que es posible mejorar la identificación de argumentos utilizando la información provista por los errores detectados a nivel de argumentación durante el desarrollo de los modelos dedicados a esa tarea. Además, se proponen nuevos enfoques para aquellas aplicaciones en las que no se cuenta con anotaciones o etiquetas que permitan validar las predicciones hechas por los modelos. Estos nuevos enfoques, inexplorados hasta el momento, permitirán el desarrollo de nuevas y mejores herramientas de Argumentación Computacional.","This thesis falls within the Argument Mining and Computational Argumentation re- search areas, focusing on accuratelly identifying arguments and their interactions in texts expressed in natural language. Argument Mining has gained increasing attention due to its inherent challenges and potential applications, particularly in contexts where systems based on Computational Argumentation are being developed. The results of this thesis aim at bridging the gap between advancements in Computational Argumentation and the continuous progress in Argument Mining, which is influenced by the ongoing evolution of machine learning tools applied to natural language processing. For this, we developed pro- posals to both enhance Argument Mining systems and adequately evaluate their results from a Computational Argumentation perspective. The proposals in this thesis allow for the evaluation of argument identification models from natural language documents and the identification of argumentative relations bet- ween text fragments. Through extensive experimentation and analysis, it is demonstrated that the proposed evaluation methods overcome the limitations of traditional classification metrics, and that it is possible to improve argument identification using information pro- vided by the errors detected at the argumentation level during the development process. Additionally, new apporaches are proposed for applications where annotations for valida- ting the model predictions are unavailable. These new, previously unexplored approaches, will enable the development of new and improved Computational Argumentation tools."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Reconocimiento automático de argumentos y sus relaciones a partir de lenguaje natural : predicción y análisis desde una perspectiva de argumentación computacional"]}]}],"canonical_facts":{"dc:contributor.advisor":["García, Alejandro Javier"],"dc:contributor.other":["Gottifredi, Sebastian"],"dc:creator":["Schmidt, Federico Martín"],"dc:date":["2025-05-28"],"dc:date.accessioned":["2026-06-29T16:42:08Z"],"dc:date.available":["2026-06-29T16:42:08Z"],"dc:date.issued":["2024"],"dc:description.abstract":["La investigación desarrollada en esta tesis está dentro de las áreas de Minería de Argumentos y Argumentación Computacional. La investigación se enfoca en la correcta identificación de argumentos y sus interacciones en cuerpos de texto expresados en lengua- je natural. Minería de Argumentos es un área de investigación de creciente interés tanto, por sus desafíos como sus potenciales aplicaciones prácticas en aquellos dominios de apli- cación donde se busca desarrollar sistemas basados en Argumentación Computacional. Los resultados obtenidos buscan reducir la brecha entre los desarrollos en Argumentación Computacional y los continuos avances en Minería de Argumentos a partir de una crecien- te evolución de las herramientas de aprendizaje automático aplicadas al procesamiento de lenguaje natural. Para ello, se desarrollaron propuestas dedicadas tanto a mejorar los propios sistemas de Minería de Argumentos como a evaluar adecuadamente los resultados de esos sistemas desde la perspectiva de Argumentación Computacional. Como parte de las contribuciones, se definen nuevas formas de evaluar modelos de identificación de argumentos a partir de documentos escritos en lenguaje natural, y mo- delos de identificación de relaciones argumentativas entre fragmentos de texto. A través de una extensa experimentación y análisis, se muestra que las formas de evaluación propues- tas superan las limitaciones de las métricas más tradicionales, y también que es posible mejorar la identificación de argumentos utilizando la información provista por los errores detectados a nivel de argumentación durante el desarrollo de los modelos dedicados a esa tarea. Además, se proponen nuevos enfoques para aquellas aplicaciones en las que no se cuenta con anotaciones o etiquetas que permitan validar las predicciones hechas por los modelos. Estos nuevos enfoques, inexplorados hasta el momento, permitirán el desarrollo de nuevas y mejores herramientas de Argumentación Computacional.","This thesis falls within the Argument Mining and Computational Argumentation re- search areas, focusing on accuratelly identifying arguments and their interactions in texts expressed in natural language. Argument Mining has gained increasing attention due to its inherent challenges and potential applications, particularly in contexts where systems based on Computational Argumentation are being developed. The results of this thesis aim at bridging the gap between advancements in Computational Argumentation and the continuous progress in Argument Mining, which is influenced by the ongoing evolution of machine learning tools applied to natural language processing. For this, we developed pro- posals to both enhance Argument Mining systems and adequately evaluate their results from a Computational Argumentation perspective. The proposals in this thesis allow for the evaluation of argument identification models from natural language documents and the identification of argumentative relations bet- ween text fragments. Through extensive experimentation and analysis, it is demonstrated that the proposed evaluation methods overcome the limitations of traditional classification metrics, and that it is possible to improve argument identification using information pro- vided by the errors detected at the argumentation level during the development process. Additionally, new apporaches are proposed for applications where annotations for valida- ting the model predictions are unavailable. These new, previously unexplored approaches, will enable the development of new and improved Computational Argumentation tools."],"dc:format":["application/pdf"],"dc:identifier.other":["2025-1979sch"],"dc:identifier.uri":["https://repositoriodigital.uns.edu.ar/handle/123456789/7598"],"dc:language.iso":["spa"],"dc:rights":["Reconocimiento-NoComercial-CompartirIgual 4.0 (CC BY-NC-SA 4.0)"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-sa/4.0/"],"dc:subject":["Inteligencia artificial"],"dc:title":["Reconocimiento automático de argumentos y sus relaciones a partir de lenguaje natural : predicción y análisis desde una perspectiva de argumentación computacional"],"dc:type":["tesis doctoral"]},"updated_at":"2026-07-24T05:30:35Z"}