Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study

Resumen Técnico: Marco de Similitud Multinivel Contextual para Argumentos de Lógica de Primer Orden

1. Planteamiento del Problema

El campo de la argumentación formal ha avanzado significativamente en la evaluación de la aceptabilidad de argumentos y su agregación. Sin embargo, existe una necesidad crítica de medir la similitud entre argumentos para aplicaciones como la agregación de argumentos en semánticas graduales, la decodificación de entimemas (argumentos incompletos) y la explicabilidad en IA (XAI).

Los desafíos principales identificados son:

• Limitación a la Lógica Proposicional: La mayoría de los enfoques existentes se centran en lógica proposicional, ignorando la estructura rica y jerárquica de la Lógica de Primer Orden (FOL).
• Problemas de Escalabilidad y Sintaxis: Los métodos anteriores en FOL luchan con la proximidad sintáctica y enfrentan problemas de escalabilidad debido a la necesidad de instanciar variables, lo que genera una explosión combinatoria.
• Falta de Sensibilidad al Contexto: Las medidas de similitud actuales a menudo tratan todos los componentes lógicos por igual, sin considerar la importancia contextual de ciertos predicados o términos (por ejemplo, en un argumento sobre un perro, el término "perro" puede ser más relevante que "zoológico").
• Opacidad: Los métodos basados puramente en embeddings (como SBERT) carecen de explicabilidad estructural, mientras que los métodos puramente simbólicos carecen de sensibilidad semántica.

2. Metodología Propuesta

Los autores proponen un marco híbrido que combina la estructura lógica simbólica con modelos de lenguaje y ponderación contextual. La metodología se basa en cuatro pilares:

A. Transformación Lógica y Normalización (CNF)

• Se asume un lenguaje FOL con firma finita.
• Se transforma cada fórmula a Forma Normal Conjunta (CNF) mediante un proceso que incluye eliminación de implicaciones, empuje de negaciones, estandarización de variables y esquematización (Skolemization) para eliminar cuantificadores existenciales.
• Se define un Argumento CNF como un par $\langle \Phi, \Psi \rangle$ donde el soporte y la conclusión son conjuntos de cláusulas, garantizando la minimalidad. Esta aproximación sacrifica la equivalencia lógica estricta (debido a Skolem) a cambio de la viabilidad operativa y la escalabilidad.

B. Modelo de Similitud Multinivel (4 Niveles)
El marco calcula la similitud de forma recursiva desde los elementos más básicos hasta el argumento completo:

1. Similitud de Predicados y Términos ($sim_P$): Base del sistema. Puede ser sintácticamente dependiente (usando embeddings como SBERT) o independiente (igualdad estricta).
2. Similitud de Literales ($sim_L$): Combina la similitud del predicado y la de los parámetros (términos). Se utilizan estrategias ordenadas (posición) y desordenadas (mejor coincidencia).
3. Similitud de Cláusulas ($sim_C$): Utiliza una medida difusa de Tversky adaptada, donde la membresía de un literal en una cláusula se calcula basándose en la similitud de literales.
4. Similitud de Conjuntos de Cláusulas ($sim_S$): Agrupa las similitudes de cláusulas mediante un emparejamiento óptimo ("best-match") ponderado.

C. Ponderación Contextual Sensible

• Se asignan pesos contextuales ($w_p$) a predicados y términos, y pesos a cláusulas ($w_c$).
• Estos pesos reflejan la importancia semántica percibida (ej. el predicado de acción "Tease" tiene más peso que la ubicación "AtLoc").
• La similitud final es una agregación ponderada que permite que componentes críticos dominen la puntuación, incluso si otros componentes coinciden perfectamente.

D. Cálculo de Similitud de Argumentos
La similitud entre dos argumentos $A$ y $B$ se calcula combinando la similitud de sus soportes (premisas) y sus conclusiones (claims) mediante un factor de ponderación $\eta$:
$$sim_{Arg}(A, B) = \eta \cdot sim_S(S(A), S(B)) + (1-\eta) \cdot sim_S(C(A), C(B))$$

3. Contribuciones Clave

1. Fundamento Axiomático Extendido: Se definen y analizan principios formales para la similitud en FOL, incluyendo:

   • Maximalidad, Simetría, Sustitución.
   • Independencia Sintáctica vs. Dependencia Sintáctica: El marco permite elegir si la similitud debe ignorar nombres de símbolos (independencia) o aprovecharlos para capturar relaciones semánticas (dependencia, usando modelos de lenguaje).
   • Minimalidad y No-Cero: Garantizan que la similitud global derive directamente de la similitud en los niveles inferiores.
   • Monotonía y Refuerzo: Principios que gobiernan cómo la adición de información afecta la similitud.

2. Dos Familias de Modelos:

   • Modelo Sensible a la Sintaxis ($M_{sb}$): Utiliza embeddings (SBERT) para capturar similitud semántica entre términos y predicados (ej. "perro" y "perrito" son similares).
   • Modelo Independiente de la Sintaxis ($M_{eq}$): Utiliza igualdad estricta, adecuado para entornos donde la variación léxica no debe alterar la similitud lógica.

3. Pipeline de Tres Etapas:

   • Transformación lógica (Texto $\to$ FOL-CNF).
   • Asignación de pesos contextuales.
   • Cálculo de similitud estructurado y explicable.

4. Resultados y Evaluación

• Caso de Estudio (STSb): Se evaluó el marco comparando dos oraciones con roles agente/paciente invertidos ("Un perro está molestando a un mono" vs. "Un mono está molestando a un perro").

  • SBERT: Otorgó 0.985 (ignora el cambio de roles).
  • S3BERT: 0.990 (explicación basada en AMR, pero poco clara).
  • ChatGPT-4o: 0.400 (explicación textual, pero no cuantificada).
  • Propuesta: 0.628. Este valor se alinea estrechamente con la puntuación humana promedio (0.630). El modelo logra esto al detectar coincidencias perfectas en la ubicación (bajo peso) pero penalizar significativamente la inversión de roles en el predicado de acción (alto peso), proporcionando una descomposición simbólica transparente.

• Comparación de Argumentos: En la comparación de argumentos sobre el comportamiento de animales (dominancia vs. conflicto social), el marco demostró flexibilidad al ajustar la similitud global según el peso asignado a las premisas o conclusiones ($\eta$), capturando matices que los métodos estáticos no pueden.

• Garantías Teóricas: Se demostró mediante teoremas que los modelos propuestos satisfacen la mayoría de los principios axiomáticos (13 de 14), con la excepción de "No-Cero" en ciertos casos de ponderación extrema, lo cual se justifica por la naturaleza humana de la evaluación de similitud.

5. Significado e Impacto

• Puente entre Lógica y NLP: Este trabajo es uno de los primeros marcos híbridos que integra la estructura lógica formal (FOL-CNF) con modelos de lenguaje modernos y ponderación contextual.
• Explicabilidad (XAI): A diferencia de las "cajas negras" de los embeddings, este sistema ofrece una descomposición modular de la similitud, permitiendo a los usuarios entender por qué dos argumentos son similares (ej. "coinciden en la ubicación pero difieren en la acción principal").
• Aplicabilidad: Es altamente relevante para:
  • Agregación de Argumentos: Evitar la redundancia al sumar la influencia de argumentos similares en semánticas graduales.
  • Decodificación de Entimemas: Reconstruir argumentos incompletos encontrando los más similares en una base de conocimientos.
  • Análisis de Debate: Identificar puntos de desacuerdo central en debates complejos.

En conclusión, el marco propuesto ofrece una solución teóricamente sólida y prácticamente viable para medir la similitud en argumentos estructurados complejos, superando las limitaciones de los enfoques puramente sintácticos o puramente semánticos.