LLMsを用いた説明可能かつグローバルに異議を唱えられる意思決定支援の論証

要約: 大型言語モデル（LLMs）は高い汎用能力を示す一方で、重大な影響を伴う分野での展開は、その不透明さと予測不能性によって妨げられている。最近の研究は、計算的議論に基づく事後推論を補強することでこれらの問題に対処するための有意義な一歩を踏み出しており、信頼性の高い説明を提供し、ユーザーが不正確な意思決定を論争できるようにしている。しかし、このパラダイムは事前に定義された二択のみを対象とし、特定の事例に対する局所的な論争申し立てしかサポートせず、基盤となる意思決定ロジックは変更されず、繰り返しの過ちを招きやすい。本稿では、ArgEvalという、事例固有の推論から一般的な意思決定オプションの構造化評価へと移行するフレームワークを導入する。個々のケースだけの主張を掘り下げるのではなく、ArgEvalはタスク固有の意思決定空間を体系的にマッピングし、対応するオプションのオントロジーを構築し、各オプションに対して一般的な論証フレームワーク（AF）を構築する。これらのフレームワークは、共有AFを変更することによってグローバルな論争可能性を維持しつつ、特定のケースに対して説明可能な推奨を提供するように実例化できる。ArgEvalの膠芽腫（グリオブラストーマ）、攻撃的な脳腫瘍に対する治療推奨の有効性を調査し、それが臨床実践と整合した説明可能な指針を生み出せることを示す。