🤖 AI

Rejecting Arguments Based on Doubt in Structured Bipolar Argumentation

이 논문은 단순한 의구심에 근거하여 논증을 거부하고 문장 수준에서 수용 가능성을 평가할 수 있는 합리적 행위자를 모델링하기 위해 구조적 양극 논증 프레임워크(SBAFs)와 그와 관련된 의미론을 도입하며, 이를 통해 허용 가능(admissible) 의미론과 완전(complete) 의미론 사이의 간극을 메우는 동시에 연역적 지지와 같은 기존 접근 방식들에 대한 일반화된 관점을 제공한다.

원저자: Michael A. Müller, Srdjan Vesic, Bruno Yun

게시일 2026-02-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Michael A. Müller, Srdjan Vesic, Bruno Yun

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 마을 회관 회의에 앉아 사람들이 당신을 설득하기 위해 주장을 외치는 모습을 상상해 보십시오. 보통 이러한 토론을 분석하도록 설계된 컴퓨터 프로그램은 엄격하고 경직된 판사처럼 작동합니다. 그들은 다음과 같은 단순한 규칙을 따릅니다: "만약 어떤 주장이 옹호되었고 아무도 그것을 성공적으로 무너뜨리지 못했다면, 당신은 반드시 그것을 받아들여야 한다."

이 논문은 이와 다른 종류의 판사를 제안합니다. 이 판사는 더 회의적인 인간처럼 행동합니다. 이 논문은 컴퓨터가 토론을 처리하는 새로운 방식을 도입하며, 이는 단순히 전체 주장이 아니라 개별적인 사실에 집중하고 의심을 허용합니다.

다음은 이 논문의 아이디어들을 쉬운 비유를 사용하여 정리한 것입니다:

1. 문제점: "경직된 판사" vs. "회의적인 인간"

전통적인 컴퓨터 논증법에서는, 만약 당신에게 공격받지 않은 논리 체인이 있다면 컴퓨터는 이렇게 말합니다: "이것은 참이다. 받아들여라."

논문의 관점: 인간은 그렇지 않습니다. 설령 어떤 주장이 공격받지 않았더라도, 당신이 그 출발점을 의심한다면 여전히 그 주장을 거부할 수 있습니다.
비유: 누군가 "알렉스가 그렇게 말했기 때문에 이 바이올린은 스트라디바리우스다"라고 말한다고 가정해 봅시다.
- 경직된 판사: "아무도 알렉스의 진술을 공격하지 않았다. 그러므로 이 바이올린은 스트라디바리우스다. 받아들여라."
- 회의적인 인간 (이 논문): "나는 알렉스를 모른다. 그는 거짓말을 하고 있거나 무지할 수도 있다. 비록 아무도 그의 주장을 공격하지 않았지만, 나는 그것을 의심한다. 따라서 나는 이것이 스트라디바리우스라는 결론을 거부하겠다."

이 논문은 컴퓨터가 구체적인 반론을 통해 자신들이 옳음을 증명할 필요 없이, "아직 확신할 수 없다"라고 말할 수 있어야 한다고 주장합니다.

2. 새로운 도구: "구조적 양극적 논증 (Structured Bipolar Argumentation)"

이를 실현하기 위해 저자들은 **구조적 양극적 논증 프레임워크(SBAFs)**라는 새로운 틀을 구축했습니다. 이것은 두 가지 특별한 기능이 있는 새로운 토론 규칙이라고 생각하면 됩니다:

양극적 (두 개의 측면): 기존 시스템에서는 논증이 오직 "공격"(주먹질과 같은)만을 가졌습니다. 이 새로운 시스템은 "지지"(손을 맞잡는 것과 같은)를 추가합니다. 만약 논증 A가 논증 B를 지지한다면, A를 받아들이는 것은 B를 거부하기 어렵게 만듭니다.
구조적 (재료): 기존 시스템은 논증을 하나의 '블랙박스'로 취급했습니다. 당신은 그 박스 전체를 받아들이거나 거부해야 했습니다. 이 새로운 시스템은 박스 내부를 들여다봅니다. 그것은 전제(재료)와 결론(케이크)을 분리합니다.
- 비유: 단순히 "나는 케이크를 받아들인다"라고 말하는 대신, 이 시스템은 "밀가루를 받아들이는가? 설탕을 받아들이는가?"라고 묻습니다. 당신은 밀가루와 설탕은 받아들일 수 있지만, 그것들을 섞는 제빵사의 능력을 의심할 수 있으며, 따라서 재료는 좋아하더라도 케이크는 거부할 수 있습니다.

3. 두 가지 새로운 규칙: "일관성(Coherence)"과 "적절성(Adequacy)"

이 논문은 당신이 얼마나 엄격하게 의심할 것인지에 따라 무엇을 믿을지 결정하는 두 가지 방식을 정의합니다.

A. 일관적 논증 확장 (Arguments View)

이것은 어떤 논증을 받아들일지를 봅니다.

약한 일관성 (Weak Coherence): 당신은 전제를 의심하는 한, 논증이 옹호되었더라도 그것을 거부할 수 있습니다. 이는 "당신이 방패(방어)를 가지고 있는 것은 알겠지만, 당신이 쥐고 있는 칼(전제)을 믿을 수 없으니, 나는 그것을 사지 않겠다"라고 말하는 것과 같습니다.
강한 일관성 (Strong Coherence): 당신은 더 엄격합니다. 당신은 전제가 틀렸다는 구체적인 증거(언더컷, undercut)가 있을 때만 논증을 거부합니다. 만약 단지 전제가 틀렸다고 의심할 뿐 증거가 없다면, 당신은 그것을 받아들여야 합니다.

B. 적절한 언어 확장 (Sentences View)

이것은 논증을 잠시 제쳐두고 어떤 문장(사실)을 받아들일지를 봅니다.

비유: 당신이 사실들의 체크리스트를 작성하고 있다고 상상해 보십시오.
- 약한 적절성 (Weak Adequacy): 당신은 확신하는 사실들에 체크 표시를 합니다. 만약 어떤 사실이 불안정한 논증에 의존하고 있다면, 당신은 그것을 체크하지 않은 채 남겨둡니다.
- 강한 적절성 (Strong Adequacy): 당신은 그것이 틀렸다는 증거가 없는 한 모든 것에 체크 표시를 합니다.
왜 이것이 중요한가: 때때로 당신은 어떤 사실(예: "클라라가 안네-소피가 이 바이올린을 소유하고 있다고 말했다")은 받아들이지만, 결론(예: "안네-소피가 이 바이올린을 소유한다")은 거부할 수 있습니다. 왜냐하면 출처를 의심하기 때문입니다. 이 시스템은 "클라라가 그렇게 말했다는 주장은 받아들이지만, 그것이 사실이라는 것은 받아들이지 않겠다"라고 말할 수 있게 해줍니다.

4. "골디락스 존 (The Sweet Spot)"

저자들은 자신들의 새로운 규칙이 기존의 두 가지 컴퓨터 규칙 사이의 "골디락스 존"에 위치한다는 것을 발견했습니다.

허용 가능성 (Admissibility): 너무 느슨합니다. 이는 당신이 잘 뒷받침된 논증조차도 마음대로 거부할 수 있게 만듭니다.
완전성 (Completeness): 너무 엄격합니다. 이는 공격받지 않은 모든 것을 받아들이도록 강요합니다.
그들의 새로운 의미론 (Their New Semantics): 딱 적당합니다. 이는 당신이 의심할 이유가 없다면 뒷받침된 논증을 받아들이도록 강제하지만, 증거가 없는 것을 받아들이도록 강요하지도 않습니다.

5. 큰 발견: 언제 구조가 중요해지는가?

이 논문은 흥미로운 테스트를 수행합니다: 언제 복잡한 논증의 구조를 무시하고 단순한 공격만을 볼 수 있는가?

발견: 만약 토론이 "포화 상태"(즉, 모든 개별 사실에 각각의 아주 작은 독립적인 논증이 붙어 있는 상태)라면, 복잡한 "문장 기반" 관점과 단순한 "논증 기반" 관점은 동일한 결과를 냅니다.
비유: 만약 벽의 모든 벽돌에 각각 이름표가 붙어 있다면, 그냥 벽돌만 봐도 됩니다. 하지만 벽돌들이 복잡한 패턴으로 서로 붙어 있다면, 전체를 이해하기 위해 벽 전체를 봐야 합니다.
시사점: 단순한 경우에는 기존의 더 단순한 컴퓨터 모델이 잘 작동합니다. 하지만 전제가 공유되고 혼합되는 복잡한 실제 세계의 토론에서는, 더 상세한 이 새로운 모델이 있어야 올바른 답을 얻을 수 있습니다.

요약

이 논문은 컴퓨터가 더 인간적인 토론가처럼 행동하도록 가르칩니다. 이를 통해 컴퓨터는 다음을 할 수 있습니다:

반론 없이도 논증을 의심할 수 있습니다.
사실(문장)과 논리(논증)를 분리할 수 있습니다.
엄격한 회의론자(강한 일관성)가 될지, 유연한 회의론자(약한 일관성)가 될지 선택할 수 있습니다.

이 논문은 인간의 모든 의견 불일치를 해결한다고 주장하는 것이 아니라, 우리가 확신이 없을 때 실제로 생각하는 방식을 모델링하는 더 나은 수학적 도구를 제공합니다.

기술 요약: 구조적 양극적 논증에서의 의구심에 기반한 논증 거부

문제 제기

현재의 계산적 논증 프레임워크, 특히 추상 논증(예: Dung의 의미론)에 기반한 프레임워크들은 다음과 같이 비형식적 추론 관행과 동떨어진 두 가지 가정을 따르는 경우가 많다:

방어된 논증의 자동 수용: 형식적 의미론(특히 완전 의미론)은 합리적 행위자가 자신이 방어할 수 있는 모든 논증을 수용해야 한다고 요구한다. 반면, 비형식적 접근 방식은 특정 전제에 대해 의구심을 품는다면, 공식적인 반론이 없는 경우에도 해당 논증을 거부할 수 있다고 허용한다.
전체론적 논증 평가: 형식적 접근 방식은 종종 논증을 하나의 원자적 단위로 취급하여 전체를 평가한다. 그러나 비식적 접근 방식은 행위자들이 토론 내의 전체 논증 구조보다는 특정 문장이나 주장을 자연스럽게 평가한다는 점을 시사한다.

기존의 양극적 논증 프레임워크(지원 관계를 포함하는)는 여에서도 완전성 기반 의미론이나 연역적 지원 의미론에 의존하여 지원받는 논증의 수용을 강제함으로써, 전제는 수용하지만 추론이나 결론은 거부하는 "의구심"의 미묘한 차이를 포착하지 못한다.

방법론

저자들은 구조적 논증(전제와 결론)과 양극적 관계(공격과 지원)를 통합하기 위해 **구조적 양극적 논증 프레임워크(SBAF)**를 제안한다.

1. 프레임워크 정의

언어 ( $L$ ): $\langle L, \bowtie, n \rangle$ 튜플로 정의된다. 여기서 $L$ 은 문장의 집합, $\bowtie$ 는 대칭적 불합치 함수(상충성), $n$ 은 논증 구조를 추론 주장(inference claims)을 나타내는 문장으로 매핑하는 명명 함수이다.
논증: $\langle Prem(a), Conc(a) \rangle$ 튜플로 정의된다. 여기서 $Prem(a) $는 비어 있지 않은 유한한 문장 집합이고,$ Conc(a)$는 하나의 문장이다.
관계:
- 공격 ( $\rightarrow$ ): 논증 $a$ 가 $b$ 를 공격한다는 것은 $Conc(a) $가$ Sent(b) $의 한 문장과 불합치하거나(반박),$ Conc(a) $가$ b$의 이름과 불합치함(언더컷)을 의미한다.
- 지원 ( $\rightarrow\!\!\!\rightarrow$ ): 논증 집합 $E$ 가 논증 $a$ 를 지원한다는 것은 $Prem(a) \subseteq Sent(E)$ 임을 의미한다. 이는 "전제 지원"과 "전제 공유 지원"(고갈)을 포착한다.

2. 의미론

본 논문은 두 가지 층위의 의미론을 도입한다: 논증 의미론(논증 집합의 평가)과 언어 의미론(문장 집합의 평가)이다. 두 층위 모두 "의구심"의 해석을 모델링하기 위해 "강한(Strong)" 버전과 "약한(Weak)" 버전을 제공한다.

논증 의미론

저자들은 특정 폐쇄 조건을 만족하는 허용적 확장으로서 **일관적 논증 확장(Coherent Argument Extensions)**을 정의한다:

강한 일관성 (Strong Coherence): 확장 $E$ 가 **강한 지원-폐쇄(Strong Support-Closure)**를 만족하면 강하게 일관적이다. 즉, $E$ 가 $a$ 를 지원하고 $E$ 가 $a$ 에 대한 언더컷 정보를 포함하지 않는다면, $a \in E$ 이다. 이는 명시적으로 언더컷되지 않는 한 지원받는 논증을 수용하도록 강제한다.
약한 일관성 (Weak Coherence): 확장 $E$ 가 **약한 지원-폐쇄(Weak Support-Closure)**를 만족하면 약하게 일관적이다. 즉, $E$ 가 $a$ 를 지원하고, $E$ 가 $a$ 에 대한 언더컷 정보를 포함하지 않으며, 동시에 $E$ 가 $a$ 를 방어한다면 $a \in E$ 이다. 이는 행위자가 전제는 수용하더라도 추론에 대해 의구심을 가질 때, 방어되지 않은 논증을 거부할 수 있게 함으로써 의구심을 모델링한다.

언어 의미론

문장을 직접 평가하는 문제를 해결하기 위해, 저자들은 **적절한 언어 확장(Adequate Language Extensions)**을 정의한다:

**강한 논증 집합 ($Args(S) $):** 전제가$ S $에 속하고 그 이름이$ S$에 속하지 않는 논증들의 집합.
약한 논증 집합 ( $Arg_w(S)$ ): 완전한 확장에 상응하는 고정점(fixpoint) 구성을 통해 정의되며, 방어된 논증들이 포함되도록 보장한다.
강하게/약하게 적절한 확장: 문장 집합 $S$ 가 (상충하는 문장이 없는) 호환성을 갖고, 문장-폐쇄를 만족하며(수용된 논증의 결론을 포함), 그에 대응하는 논증 집합(강한 또는 약한)이 모든 논증을 방어할 때 $S$ 는 적절하다.

주요 기여

의구심의 형식화: 저자들은 행위자가 전제나 추론에 대한 의구심을 근거로 방어된 논증을 거부할 수 있는 "비판적 반응"의 개념을 형식화한다. 이는 명시적인 반론이 없더라도 가능하다. 이는 완전 의미론에서 방어된 논증을 수용해야 하는 요구를 완화함으로써 달성된다.
이중 관점 (논증 vs. 언어): 프레임워크는 논증 확장과 언어 확장에 대한 모두 의미론을 제공한다. 이를 통해 행위자들은 복잡한 논증 구조 대신 수용된 문장을 바탕으로 소통할 수 있으며, 이는 추상 논증과 구조적 논증 사이의 간극을 메운다.
새로운 의미론 스펙트럼: 제안된 강한/약한 일관성 및 적절성 의미론은 허용적(admissible) 의미론과 완전(complete) 의미론 사이의 이론적 공간을 차지한다. 이들은 완전 의미론보다는 약하지만(방어된 논증의 거부를 허용), 허용적 의미론보다는 강하다(지원 관계를 존중).
기존 의미론의 재해립:
- 선호 의미론 (Preferred Semantics): 본 논문은 포화된(saturated) 프레임워크에서 선호 확장이 "확신 있는 약한 일관적(confident weakly coherent)" 확장과 일치함을 보여준다. 이는 논증을 최대화하는 것이 오직 특정 구조적 조건(강한 포화) 하에서만 수용된 문장을 최대화하는 것과 같음을 시사한다.
- 연역적 지원 의미론 (Deductive Support Semantics): 논증이 정확히 하나의 고유한 전제를 가지고 언더컷 정보가 존재하지 않을 때, 강한 일관성이 d-허용성(연역적 지원 의미론)과 일치함을 입증한다. 이는 연역적 지원을 더 복잡한 논증 구조로 일반화한다.

결과 및 이론적 발견

방향성 (Directionality): 약한 일관성은 방향성(논증이 유향 경로를 통해 연결될 때만 수용성에 영향을 미침) 속성을 만족하는 반면, 강한 일관성은 그렇지 않다.
대응성 (Correspondence): 포화된 SBAF에서, 일관적 논증 확장과 적절한 언어 확장 사이에는 직접적인 대응 관계가 존재한다.
최대화 전략 (Maximization Strategies): 수용된 논증을 최대화하는 전략(선호 확장)과 수용된 문장을 최대화하는 전략(확신 있는 약한 일관적 확장)은 항상 일치하지 않는다. 이들은 모든 문장에 대한 최소 논증이 존재하는 강하게 포화된 프레임워크에서만 일치한다.
언더컷팅 (Undercutting): 프레임워크는 명명 함수를 통해 언더컷팅을 명시적으로 처리하며, 이를 통해 행위자가 전제는 수용하더라도 추론 주장이 공격받는 경우 추론을 거부할 수 있도록 한다.

의의 및 주장

본 논문은 비형식적 이론(철학, 언어학)에서 영감을 받은 계산적 논증에 대한 새로운 관점을 제공한다고 주장한다. 주요 의의는 다음과 같다:

형식과 비형식의 가교: 행위자가 완전한 반론 없이도 논증을 의심하고 거부할 수 있다는 비형식적 직관과, 행위자가 문장을 직접 추론한다는 점을 통합한다.
일반화: 기존의 양극적 의미론(특히 연역적 지원 의미론)을 복잡한 전제를 가진 구조적 논증으로 일반화한다.
유연성: 강한/약한 해석을 구분함으로써, 행위자의 회의론이나 확신의 수준을 모델링할 수 있는 유연성을 제공한다.
지원의 명확화: 추상 논증(지원을 무시함)이 언제 정당한지(선호 의미론을 사용하는 강하게 포화된 프레임워크에서)와 언제 구조적 지원이 필요한지를 명확히 한다.

저자들은 자신들의 접근 방식이 "관대한 의구심(generous notion of doubt)"을 구현하고 있어, 행위자에게 논증 수용을 강제하기 어려울 수 있다고 언급한다. 그들은 향후 연구에서 의심 가능한 문장과 수용된 문장의 "공통 기반(common ground)"을 구분할 수 있을 것이라고 제안하지만, 현재 프레임워크 내에서는 이를 구현하지 않았다. 결론적으로 SBAF는 논증의 구조와 관련된 특정 문장들이 행위자의 추론 과정에서 핵심적인 역할을 하는 토론을 평가하기 위한 견고한 메커니즘을 제공한다.