超越逻辑形式：用于谬误分类的 LLM 提取模式

在信息快速传播的时代，作为推理缺陷模式的逻辑谬误加剧了信息混乱。然而，谬误常以微妙形式出现，增加了自动分类的难度。本研究探讨将抽象逻辑结构与语境级语言线索相结合是否有助于谬误分类，提出了一种利用大语言模型（LLM）从谬误实例及其解释中归纳提取此类模式的框架。实验评估了这些模式在不同 LLM 及零样本、单样本配置下的影响，结果显示其显著优于零样本基线及其他竞争方法。跨数据集实验验证了该方法的泛化能力，确立了数据驱动的模式提取作为生成逻辑表示的有效途径。