Roberta Large Fallacy Classification

🚀 roberta-large-謬誤分類模型

本模型是roberta-large的微調版本，在邏輯謬誤分類數據集上進行訓練。它能夠對文本中的各種邏輯謬誤類型進行分類。

🚀 快速開始

此模型可通過文本管道進行快速分類，以下是使用示例：

from transformers import pipeline

pipe = pipeline("text-classification", model="MidhunKanadan/roberta-large-fallacy-classification", device=0)
text = "The rooster crows always before the sun rises, therefore the crowing rooster causes the sun to rise."
result = pipe(text)[0]
print(f"Predicted Label: {result['label']}, Score: {result['score']:.4f}")

預期輸出：

Predicted Label: false causality, Score: 0.9632

✨ 主要特性

• 基於roberta-large模型進行微調，能夠準確分類文本中的邏輯謬誤。
• 支持13種不同類型的邏輯謬誤分類。
• 採用類權重處理數據集不平衡問題。
• 支持截斷和填充的分詞方式（最大長度：128）。

📚 詳細文檔

模型詳情

支持的謬誤類型

該模型可以對以下類型的邏輯謬誤進行分類：

1. 語義模糊謬誤（Equivocation）
2. 錯誤概括謬誤（Faulty Generalization）
3. 邏輯謬誤（Fallacy of Logic）
4. 訴諸大眾謬誤（Ad Populum）
5. 循環論證謬誤（Circular Reasoning）
6. 假兩難推理謬誤（False Dilemma）
7. 錯誤因果謬誤（False Causality）
8. 外延謬誤（Fallacy of Extension）
9. 可信度謬誤（Fallacy of Credibility）
10. 相關性謬誤（Fallacy of Relevance）
11. 故意謬誤（Intentional）
12. 訴諸情感謬誤（Appeal to Emotion）
13. 人身攻擊謬誤（Ad Hominem）

數據集

• 數據集名稱：邏輯謬誤分類數據集
• 來源：邏輯謬誤分類數據集
• 類別數量：13種謬誤（例如，人身攻擊、訴諸情感、錯誤概括等）

應用場景

• 教育領域：通過識別常見謬誤來教授邏輯推理和批判性思維。
• 論證分析：評估辯論、論文和文章中論點的有效性。
• 人工智能助手：為對話式人工智能系統增強批判性推理能力。
• 內容審核：識別在線辯論或社交媒體討論中的邏輯缺陷。

💻 使用示例

基礎用法

from transformers import pipeline

pipe = pipeline("text-classification", model="MidhunKanadan/roberta-large-fallacy-classification", device=0)
text = "The rooster crows always before the sun rises, therefore the crowing rooster causes the sun to rise."
result = pipe(text)[0]
print(f"Predicted Label: {result['label']}, Score: {result['score']:.4f}")

高級用法

以下代碼可用於獲取所有標籤的預測分數：

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch.nn.functional as F

model_path = "MidhunKanadan/roberta-large-fallacy-classification"
text = "The rooster crows always before the sun rises, therefore the crowing rooster causes the sun to rise."

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForSequenceClassification.from_pretrained(model_path).to("cuda")
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=128).to("cuda")

with torch.no_grad():
    probs = F.softmax(model(**inputs).logits, dim=-1)
    results = {model.config.id2label[i]: score.item() for i, score in enumerate(probs[0])}

# Print scores for all labels
for label, score in sorted(results.items(), key=lambda x: x[1], reverse=True):
    print(f"{label}: {score:.4f}")

預期輸出：

false causality: 0.9632
fallacy of logic: 0.0139
faulty generalization: 0.0054
intentional: 0.0029
fallacy of credibility: 0.0023
equivocation: 0.0022
fallacy of extension: 0.0020
ad hominem: 0.0019
circular reasoning: 0.0016
false dilemma: 0.0015
fallacy of relevance: 0.0013
ad populum: 0.0009
appeal to emotion: 0.0009

📄 許可證

該模型遵循Apache 2.0許可證。