🤖 AI

Argumentation for Common Ground: Finding Zones of Possible Agreement between Individuals in Conflict

本文提出了一种计算论证框架，该框架通过模拟公民对和平协议的主观推理来识别相互接受的可能协议区间（ZOPA），并通过理论分析以及针对巴以冲突的实验验证了其有效性。

原作者： Elisa Cavatorta, Antonio Rago

发布于 2026-08-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Elisa Cavatorta, Antonio Rago

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

和平很少仅仅是签署一份文件的简单事务；它是一个脆弱的建构，取决于普通民众是否相信条款是公平的。当两个社会陷入冲突时，通往持久协议的道路往往停滞不前，并非因为领导人无法就文本达成一致，而是因为双方的公民被关于该文本含义的不同叙事所左右。一个对一方群体而言看起来像是胜利的条款，对另一方而言可能感觉像是投降，而这些主观叙事往往过于复杂、充满情感且自相矛盾，无法通过传统的调查或简单的民调来绘制图谱。这正是被称为“计算论证”（computational argumentation）的人工智能分支发挥作用的地方。该领域并非仅仅统计选票，而是试图模拟人们得出结论时所使用的实际逻辑，将每一个支持或反对某项政策的理由都视为更大拼图中的一个独特碎片。通过理解这些碎片如何相互攻击或支持，研究人员可以超越询问“你想要什么？”，转而理解“你为什么认为这是正确的？”

在一项新的研究中，伦敦国王学院的研究人员将这一逻辑应用于以色列与巴勒斯坦之间深度极化的冲突中，创建了一个旨在寻找“可能协议区”（Zone of Possible Agreement）的数字化工具。这个区域代表了一系列双方可能实际接受的和平协议集——并非因为这些协议是完美的，而是因为在每个公民所持有的复杂理由网络中，它们是那些最不令人反感的选项。研究团队并非简单地让人们对一份潜在条约清单进行排序。相反，他们构建了一个系统，该系统能够接收人们为支持或拒绝某个条款（例如冻结定居点建设或承认一个国家）所给出的具体理由，并将它们编织成一个结构化网络。在这个网络中，每一个理由都是一个论点，而它们之间的连接则展示了其中一个信念如何支持或削弱另一个信念。

研究人员首先根据个人或群体公民陈述的偏好及其背于其后的推理，构建了这些网络。他们将和平协议本身视为一系列可能的条款，其中每个条款都是对现状的潜在改变。如果一名公民支持某个条款，这种支持会对任何包含该条款的协议产生一种“推动力”；如果他们反对，这种反对则会产生一种“阻力”。至关重要的是，该系统还考虑了导致这些立场的推理过程。例如，一个人反对某个条款，可能不是因为条款本身，而是因为对其后果的某种特定恐惧，而这种恐惧又可能受到其所相信的其他事实的支持或削弱。通过为这些理由分配强度，系统可以计算出每一组条款组合的整体“可接受度得分”，从而有效地模拟一个人基于其所有个体信念的总和会对一项复杂的交易产生何种感受。

为了寻找共同点，研究人员随后将对立双方的网络合并为一个单一的综合地图。这正是该方法展现威力之处。即使两个群体看起来存在完全的分歧——即一方支持的每一个条款都是另一方所拒绝的——合并后的地图仍然可以识别出一条中间路径。系统寻找的是那些来自双方的集体支持权重超过集体反对权重的协议。在分析中，研究人员发现，这种方法可以识别出比其他方案更具可接受性的特定协议，即便在表面层面的偏好看似不可调和的情况下也是如此。核心洞察在于，推理的强度比单纯的“支持”或“反对”的二元对立更为重要。如果支持该协议的理由足够强大，足以克服反对意见，那么即使反对意见很多，该协议也能在合并过程中幸存下来。

该团队利用涉及数千名以色列和巴勒斯坦受访者的真实调查数据，以及通过大语言模型提取具体推理的近期公共舆论报告数据，对这一框架进行了测试。在第一次测试中，他们将系统的协议排名与调查数据中记录的实际偏好进行了对比。结果显示出清晰的相关性，表明该模型能够准确预测公众会认为哪些协议最具可接受性。在第二次测试中，利用语言模型从新闻报道中提取推理，系统成功识别出：那些拥有双方最强结合支持的条款最终进入了最“可接受”的协议中，而那些具有最多负面推理的条款则被排除在外。这证明了只要能够获取公众正在进行的论辩，该工具即使在无法直接接触原始调查数据的情况下也能发挥作用。

这项研究并非声称已经解决了冲突，也并非声称找到了完美的和平条约。相反，它为谈判者提供了一种观察公众舆论景观的新方式。通过将冲突的底层论点可视化，调解人可以清楚地看到摩擦究竟在哪里，以及哪些妥协方案在经受审视后仍能站得住脚。研究表明，通过关注推理的强度而非仅仅统计支持者的数量，是有可能找到一个此前无法察觉的协议区的。这种方法提供了一种驾驭人类冲突中混乱、主观现实的方式，将公众舆论的混沌噪音转化为一张指向可行未来的结构化地图。

技术摘要：冲突解决中寻找共同点的论证研究

问题陈述
可持续的和平协议依赖于公众的可接受性，而这种可接受性不仅由协议中包含的具体条款所介导，还受到公民用于评估这些条款的主观叙事和推理的影响。在诸如巴以冲突等极化冲突中，公民往往持有相互竞争的叙事，这使得识别“可能达成协议的区域”（ZOPA）——即一组双方均可接受的协议——变得十分困难。虽然计算论证已被应用于观点建模和预测，但尚未被部署于现实世界的冲突解决中，用以绘制基于公民推理的、具有可行性的 ZOPA。核心挑战在于如何系统地表示并合并相互冲突的个人推理，以识别出同时满足双方要求的协议。

方法论
作者提出了一种利用**定量双极论证框架（Quantitative Bipolar Argumentation Frameworks, QBAFs）**来建模并合并冲突方推理的新颖方法。

表示（QBAF 构建）：
- 该框架将公民的推理建模为一个 QBAF $\langle X, A, S, \tau \rangle$ $⟨ X, A, S, τ ⟩$ ，其中 $X$ $X$ 包含三类论据：
  - 协议论据 ( $X_P$ )： 代表特定的和平协议（条款的子集）。
  - 条款论据 ( $X_C$ )： 代表单个条款（对现状的改变）以及公民对该条款的支持或反对。
  - 推理论据 ( $X_R$ )： 代表支持或反对特定条款的底层叙事或辩护理由。
- 关系： 攻击（Attacks, $A$ ）和支持（Supports, $S$ ）根据公民的立场进行定义。例如，代表被认可条款的条款论据会支持包含该条款的协议论据，并攻击不包含该条款的协议论据。
- 基础得分 ( $\tau$ )： 协议论据被赋予中性的基础得分 0.5。条款论据和推理论据则被赋予反映其内在可接受性或普遍性的基础得分。
- 渐进语义（Gradual Semantics）： 应用渐进语义函数 $\sigma$ 来计算每个论据的强度（可接受度），该函数处于 $[0, 1]$ 区间，并考虑了攻击与支持之间的相互作用。
通过合并识别 ZOPA：
- 为了寻找共同点，将多个公民（例如一名以色列人和一名巴勒斯坦人）的 QBAF 合并为一个单一的框架 $Q^*$ 。
- 合并过程取所有论据和关系的并集，同时保留每个人的特定推理和条款论据。协议层保持共享。
- ZOPA 被定义为合并框架中计算强度超过中性阈值 0.5 的协议集合（即 $\sigma(Q^*, p_k) > 0.5$ ）。
理论约束：
- 作者分析了哪些渐进语义的属性对于在此语境下的直观行为是必要的。他们确定了平衡性（Balance）、**（严格）单调性（Monotonicity）和对偶性（Duality）**是必不可少的。
- 平衡性确保如果攻击超过支持，强度就会降至基础得分以下。
- 单调性确保增加支持或减少攻击会提高强度。
- 对偶性确保在镜像场景中的对称性（例如，如果一方的推理是另一方的完全相反面，它们的强度之和应为 1）。
- 论文指出 QEM (Potyka 2018) 是一种合适的语义，因为它满足所有这三个属性，包括严格单调性，而 DF-QuAD 则未能满足严格单调性。

核心贡献

新颖框架： 引入了定制化的 QBAF，用于表示关于和平协议的冲突性个人推理，区分了协议、条款和推理论据。
理论保证： 证明了具有平衡性、单调性和对偶性的渐进语义的 QBAF 在合并时，能直观地表示个人观点，并保证生成的 ZOPA 反映了双方集体推理所支持的协议。
ZOPA 的形式化定义： 提供了一种形式化机制，将 ZOPA 定义为合并后的推理产生高于中性基准强度的协议子集。
实证验证： 使用两种数据源对该框架应用于巴以冲突进行了初步实验：
1. 调查数据： 重新分析了来自 Cavatorta, Groom, 和 Sher (2025) 的数据，涉及 1,152 名以色列人和 1,152 名巴勒斯坦人。
2. LLM 检索数据： 使用大语言模型（Opus 4.7）从具有国家代表性的民意调查报告中提取推理论据，并经过人工校验以确保准确性。

结果

调查数据相关性： 当应用于现有的调查数据时，合并后的 QBAF 生成的论证排序与经验排名显示出显著的相关性（Spearman $\rho = 0.448$ , Kendall $\tau = 0.293$ ）。在识别高于现状的协议方面，该模型相对于汇总多数派基准事实达到了 0.873 的精确度和 0.982 的召回率。
LLM 数据洞察： 使用 LLM 检索推理的实验表明，该框架能够识别出与推理强度一致的 ZOPA。例如，具有强正向结合推理的条款（如共同赦免，条款 7）出现在更多的 ZOPA 协议中；而具有强负向推理的条款（如承认以色列为犹太国家，条款 2）出现在较少的协议中。双方共同认可的改变（条款 5）被正确识别为出现在最多的 ZOPA 协议中。
理论发现： 分析确认，如果没有严格单调性，框架在处理部分共识的情况时可能会无法直观地对协议进行排序。QEM 语义成功处理了对立观点的合并，从而揭示了妥协方案（例如说明示例中的协议 $P_4$ ），这些方案在单独观察个人框架时并不明显。

意义与主张
本文声称，计算论证为冲突解决团队和谈判人员提供了一种可行的工具，用于绘制基于公民推理而非仅仅是政策条款的可行 ZOPA 地图。通过利用叙事背后的推理，该方法可以揭示传统分析可能无法触及的共同点。

作者将这项工作定位为基础性的一步，指出虽然该方法展示了令人鼓舞的相关性和实际部署的适用性，但这仅是一项初步评估。他们强调，该框架支持在深度极化的背景下识别 ZOPA，前提是底层的推理被准确捕捉。该工作并不声称解决了冲突，而是旨在提供一种结构化的、基于证据的方法，用于可视化和分析可能的协议空间。未来的工作方向包括扩展到更大规模的人群、开发基础得分提取协议，以及探索更复杂的论证形式（如集合攻击、概率论证）。

技术摘要：冲突解决中寻找共同点的论证研究

类似论文