Detección y/o identificación de falacia lógica con procesamiento de lenguaje natural

Question

¿Existe un paquete o metodología para la detección de argumentos lógicos defectuosos en el texto?

Esperaba algo que funcione para texto que no está escrito en un entorno académico (como una clase lógica). Puede que sea exagerado, pero me gustaría algo que pueda identificar dónde se intenta usar la lógica e identificar el error lógico. Un posible uso de esto sería marcar errores en artículos editoriales.

No necesito nada que esté pulido. No me importaría trabajar para desarrollar algo tampoco, así que estoy realmente buscando lo que hay en la naturaleza ahora.

Answer 1

Ese es un problema difícil, porque tendrá que asignar el lenguaje natural a alguna representación lógica, y manejar la ambigüedad en el proceso.

Attempto Project puede ser interesante para usted. Tiene varios tools que puedes probar en línea. En particular, RACE puede estar haciendo algo que quería hacer. Comprueba la coherencia de las afirmaciones dadas. Pero el problema más grande aquí es transformarlos a formas lógicas.

Answer 2

Para una onología de axiomas lógicos, OpenCyc y las ontologías de ciclo completo comerciales también valdría la pena investigar. CycML se utiliza como un lenguaje para modelar las aserciones lógicas, y el motor de Cyc es capaz de inferencia lógica. La fuente para OpenCyc se puede encontrar en el OpenCyc SourceForge project. El Cyc Wikipedia page también tiene una gran información.

Answer 3

Sí, este es un problema muy desagradable. Sugeriría que trates de enfocarte en un dominio restringido. Por ejemplo, si busca errores lógicos en la determinación del cáncer, debe centrarse en qué tipo de cáncer y qué intenta resolver, por ejemplo: corregir los planes de tratamiento, corregir las observaciones, corregir los procedimientos, corregir la determinación de la etapa, etc. Luego debe encontrar la taxonomía u ontología para ese cáncer específico, por ejemplo: Medline. Entonces, por ejemplo, es probable que deba centrarse únicamente en el cáncer de pulmón y, a continuación, solo en un subconjunto de tipos de cáncer de pulmón y solo en observaciones que indiquen cáncer de pulmón. Luego, deberá identificar su corpus, árboles de conocimiento, relaciones entre entidades y luego preocuparse por la detección de negaciones, hipotéticas y detección de sujetos. Si Healthcare no flota en su bote, escucho otro dominio desafiante para errores de lógica es la industria legal/legal.