Buchumschlag

Trust Me, I Can Convince You: The Contextualized Argument Appraisal Framework

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Greschner, Lynn, Weber, Sabine, Klinger, Roman
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Categorical Emotions or Appraisals - Which Emotion Model Explains Argument Convincingness Better?
von: Greschner, Lynn, et al.
Veröffentlicht: (2025)

Fearful Falcons and Angry Llamas: Emotion Category Annotations of Arguments by Humans and LLMs
von: Greschner, Lynn, et al.
Veröffentlicht: (2024)

Can Language Models Recognize Convincing Arguments?
von: Rescala, Paula, et al.
Veröffentlicht: (2024)

Emotionally Charged, Logically Blurred: AI-driven Emotional Framing Impairs Human Fallacy Detection
von: Chen, Yanran, et al.
Veröffentlicht: (2025)

Which Demographics do LLMs Default to During Annotation?
von: Schäfer, Johannes, et al.
Veröffentlicht: (2024)

Disambiguation of Emotion Annotations by Contextualizing Events in Plausible Narratives
von: Schäfer, Johannes, et al.
Veröffentlicht: (2025)

Can Factual Statements be Deceptive? The DeFaBel Corpus of Belief-based Deception
von: Velutharambath, Aswathy, et al.
Veröffentlicht: (2024)

"You are an expert annotator": Automatic Best-Worst-Scaling Annotations for Emotion Intensity Modeling
von: Bagdon, Christopher, et al.
Veröffentlicht: (2024)

Self-Adaptive Paraphrasing and Preference Learning for Improved Claim Verifiability
von: Wührl, Amelie, et al.
Veröffentlicht: (2024)

Topic Bias in Emotion Classification
von: Wegge, Maximilian, et al.
Veröffentlicht: (2023)

iPrOp: Interactive Prompt Optimization for Large Language Models with a Human in the Loop
von: Li, Jiahui, et al.
Veröffentlicht: (2024)

Can You Trust LLM Judgments? Reliability of LLM-as-a-Judge
von: Schroeder, Kayla, et al.
Veröffentlicht: (2024)

Contextualizing Argument Quality Assessment with Relevant Knowledge
von: Deshpande, Darshan, et al.
Veröffentlicht: (2023)

Cache Me If You Can: How Many KVs Do You Need for Effective Long-Context LMs?
von: Bhaskar, Adithya, et al.
Veröffentlicht: (2025)

Do You Trust Me? Cognitive-Affective Signatures of Trustworthiness in Large Language Models
von: Yeo, Gerard, et al.
Veröffentlicht: (2025)

What Evidence Do Language Models Find Convincing?
von: Wan, Alexander, et al.
Veröffentlicht: (2024)

Catch Me If You Can Describe Me: Open-Vocabulary Camouflaged Instance Segmentation with Diffusion
von: Vu, Tuan-Anh, et al.
Veröffentlicht: (2023)

PARL: Prompt-based Agents for Reinforcement Learning
von: Resendiz, Yarik Menchaca, et al.
Veröffentlicht: (2025)

LLM-based Affective Text Generation Quality Based on Different Quantization Values
von: Resendiz, Yarik Menchaca, et al.
Veröffentlicht: (2025)

MOPO: Multi-Objective Prompt Optimization for Affective Text Generation
von: Resendiz, Yarik Menchaca, et al.
Veröffentlicht: (2024)

Catch Me If You Can: How Smaller Reasoning Models Pretend to Reason with Mathematical Fidelity
von: Sahoo, Subramanyam, et al.
Veröffentlicht: (2025)

Break Me If You Can: Self-Jailbreaking of Aligned LLMs via Lexical Insertion Prompting
von: Kulshreshtha, Devang, et al.
Veröffentlicht: (2026)

Dialogue You Can Trust: Human and AI Perspectives on Generated Conversations
von: Ebubechukwu, Ike, et al.
Veröffentlicht: (2024)

What if Deception Cannot be Detected? A Cross-Linguistic Study on the Limits of Deception Detection from Text
von: Velutharambath, Aswathy, et al.
Veröffentlicht: (2025)

Prompt-based Personality Profiling: Reinforcement Learning for Relevance Filtering
von: Hofmann, Jan, et al.
Veröffentlicht: (2024)

English Prompts are Better for NLI-based Zero-Shot Emotion Classification than Target-Language Prompts
von: Bareiß, Patrick, et al.
Veröffentlicht: (2024)

How Entangled is Factuality and Deception in German?
von: Velutharambath, Aswathy, et al.
Veröffentlicht: (2024)

Should I Trust You? Detecting Deception in Negotiations using Counterfactual RL
von: Wongkamjan, Wichayaporn, et al.
Veröffentlicht: (2025)

Generating Uncontextualized and Contextualized Questions for Document-Level Event Argument Extraction
von: Uddin, Md Nayem, et al.
Veröffentlicht: (2024)

Can LLMs Extract Frame-Semantic Arguments?
von: Devasier, Jacob, et al.
Veröffentlicht: (2025)

Audit Me If You Can: Query-Efficient Active Fairness Auditing of Black-Box LLMs
von: Hartmann, David, et al.
Veröffentlicht: (2026)

Are Humans as Brittle as Large Language Models?
von: Li, Jiahui, et al.
Veröffentlicht: (2025)

Large Language Models Help Humans Verify Truthfulness -- Except When They Are Convincingly Wrong
von: Si, Chenglei, et al.
Veröffentlicht: (2023)

Persuade Me if You Can: A Framework for Evaluating Persuasion Effectiveness and Susceptibility Among Large Language Models
von: Bozdag, Nimet Beyza, et al.
Veröffentlicht: (2025)

Regular-pattern-sensitive CRFs for Distant Label Interactions
von: Papay, Sean, et al.
Veröffentlicht: (2024)

Trust Me, I'm Wrong: LLMs Hallucinate with Certainty Despite Knowing the Answer
von: Simhi, Adi, et al.
Veröffentlicht: (2025)

Can You Really Trust Code Copilots? Evaluating Large Language Models from a Code Security Perspective
von: Mou, Yutao, et al.
Veröffentlicht: (2025)

"I'd Like to Have an Argument, Please": Argumentative Reasoning in Large Language Models
von: de Wynter, Adrian, et al.
Veröffentlicht: (2023)

Catch Me If You Can? Not Yet: LLMs Still Struggle to Imitate the Implicit Writing Styles of Everyday Authors
von: Wang, Zhengxiang, et al.
Veröffentlicht: (2025)

Donate or Create? Comparing Data Collection Strategies for Emotion-labeled Multimodal Social Media Posts
von: Bagdon, Christopher, et al.
Veröffentlicht: (2025)