please translate to german, keep tone and academic style, also keep my style of writing…
- User
please translate to german, keep tone and academic style, also keep my style of writing Humans use language to reason, share viewpoints, and form or reevaluate opinions. In such societal contexts, argumentation serves as a fundamental means of communication. However, the increasing volume of online information has made it challenging to track the variety of arguments. Research in \textit{computational argumentation} addresses this issue by automatically modeling and processing human argumentation using language models. But the stakes in this field are high. While such assistive technologies enhance access to information and promote political participation, they are limited by the constraints of these models. They may amplify opinions and values predominantly reflected in training data while marginalizing minority perspectives. To ensure a responsible usage, model behavior should be comparable to humans, understandable, generalizable, fair, and safe. This \textit{reliability}, however, often seems limited. For instance, language models struggle to generalize their task efficacy across substantial distribution input shifts, such as hold-out topics to simulate future applications. This fragility reveals a misalignment between perception and reality, where seemingly coherent and \textit{human-like} model outputs hide fundamental weaknesses. Consequently, using these models entails societal risks, as inherent biases can distort public discourse and undermine an inclusive society. To address these limitations with empirical evidence, we propose the first \textit{integral view} on the reliability of language models for computational argumentation. While prior studies focus solely on model behavior or have a narrow scope, this thesis systematically extends research in computational argumentation. We examine the behavioral and internal \textit{model perspectives} on language models and how they interplay. At the same time, we broaden the \textit{reliability scope} beyond task efficacy and disentangle three attributes: (i) \textit{language understanding}, the foundation for processing human argumentation; (ii) \textit{generalizability}, task efficacy under substantial input shifts that simulate real-world applications; and (iii) \textit{societal alignment} with norms and expectations to ensure safe and fair use. Through this integral view, we systematically organize the core studies of this thesis and their contributions. Based on novel resources and methods, we demonstrate that model reliability in computational argumentation is limited: models struggle to capture linguistic phenomena that are essential for argumentation (such as negation or rhetorical structure); generalize task efficacy across heterogeneous distribution shifts; and align with societal expectations of fairness and safety, for instance, when processing gender-fair language. These findings demonstrate the value of the integral view as a structured framework that connects and contextualizes insights from individual studies. It reveals that the perceived human-likeness of models is often misleading, as model behavior frequently relies on token-level features. This divergence from human language processing underlines the importance of evaluations with a realistic view on language models, rather than over-humanizing them. In summary, this thesis provides a conceptual and methodological foundation, together with empirical evidence, to calibrate the general perception of language models in computational argumentation and to guide the development of more reliable technologies in this field and beyond.
- Assistant
Here is the German translation. I have maintained the academic tone, the specific terminology, and the formatting (including LaTeX tags) to match the style of the original text.Menschen nutzen Sprache, um zu argumentieren, Standpunkte auszutauschen und Meinungen zu bilden oder neu zu bewerten. In solchen gesellschaftlichen Kontexten dient Argumentation als ein fundamentales Kommunikationsmittel. Das zunehmende Volumen an Online-Informationen erschwert es jedoch, die Vielfalt an Argumenten zu überblicken. Die Forschung im Bereich der \textit{computational argumentation} adressiert dieses Problem, indem sie menschliche Argumentation mittels Sprachmodellen automatisch modelliert und verarbeitet. Doch es steht viel auf dem Spiel. Während solche assistiven Technologien den Zugang zu Informationen verbessern und politische Teilhabe fördern, sind sie durch die Beschränkungen dieser Modelle limitiert. Sie können Meinungen und Werte verstärken, die in den Trainingsdaten vorherrschen, während Minderheitenperspektiven marginalisiert werden. Um einen verantwortungsvollen Einsatz zu gewährleisten, sollte das Modellverhalten mit dem des Menschen vergleichbar, verständlich, generalisierbar, fair und sicher sein. Diese \textit{Zuverlässigkeit} scheint jedoch oft begrenzt. So haben Sprachmodelle beispielsweise Schwierigkeiten, ihre Aufgabeneffektivität bei signifikanten Verteilungsverschiebungen der Eingabedaten (Input Shifts) aufrechtzuerhalten, wie etwa bei vorenthaltenen Themen (Hold-out Topics) zur Simulation zukünftiger Anwendungen. Diese Fragilität offenbart ein Missverhältnis zwischen Wahrnehmung und Realität, wobei scheinbar kohärente und \textit{menschenähnliche} Modellausgaben fundamentale Schwächen verbergen. Folglich birgt der Einsatz dieser Modelle gesellschaftliche Risiken, da inhärente Verzerrungen den öffentlichen Diskurs verzerren und eine inklusive Gesellschaft untergraben können.Um diese Einschränkungen mit empirischer Evidenz zu adressieren, schlagen wir die erste \textit{integrale Sichtweise} auf die Zuverlässigkeit von Sprachmodellen in der Computational Argumentation vor. Während frühere Studien sich ausschließlich auf das Modellverhalten konzentrieren oder einen engen Fokus aufweisen, erweitert diese Arbeit die Forschung in der Computational Argumentation systematisch. Wir untersuchen die verhaltensbezogenen und internen \textit{Modellperspektiven} auf Sprachmodelle und deren Zusammenspiel. Gleichzeitig erweitern wir das \textit{Zuverlässigkeitsspektrum} über die reine Aufgabeneffektivität hinaus und entflechten drei Attribute: (i) \textit{Sprachverständnis}, das Fundament zur Verarbeitung menschlicher Argumentation; (ii) \textit{Generalisierbarkeit}, die Aufgabeneffektivität unter signifikanten Eingabeverschiebungen, die reale Anwendungen simulieren; und (iii) \textit{gesellschaftliche Ausrichtung} an Normen und Erwartungen, um eine sichere und faire Nutzung zu gewährleisten.Durch diese integrale Sichtweise organisieren wir systematisch die Kernstudien dieser Arbeit und deren Beiträge. Basierend auf neuartigen Ressourcen und Methoden zeigen wir, dass die Modellzuverlässigkeit in der Computational Argumentation begrenzt ist: Modelle haben Schwierigkeiten, linguistische Phänomene zu erfassen, die für die Argumentation essenziell sind (wie Negation oder rhetorische Struktur); die Aufgabeneffektivität über heterogene Verteilungsverschiebungen hinweg zu generalisieren; und sich an gesellschaftlichen Erwartungen von Fairness und Sicherheit auszurichten, beispielsweise bei der Verarbeitung geschlechtergerechter Sprache. Diese Ergebnisse demonstrieren den Wert der integralen Sichtweise als strukturierten Rahmen, der Erkenntnisse aus Einzelstudien verknüpft und kontextualisiert. Sie offenbart, dass die wahrgenommene Menschenähnlichkeit von Modellen oft irreführend ist, da das Modellverhalten häufig auf Merkmalen auf Token-Ebene beruht. Diese Abweichung von der menschlichen Sprachverarbeitung unterstreicht die Bedeutung von Evaluationen mit einem realistischen Blick auf Sprachmodelle, anstatt sie übermäßig zu vermenschlichen. Zusammenfassend liefert diese Arbeit ein konzeptionelles und methodisches Fundament sowie empirische Belege, um die allgemeine Wahrnehmung von Sprachmodellen in der Computational Argumentation zu kalibrieren und die Entwicklung zuverlässigerer Technologien in diesem Feld und darüber hinaus zu leiten.Notes on the Translation ChoicesTerminology: I kept specific technical concepts like "Computational Argumentation" or added the German equivalent where appropriate (e.g., using Zuverlässigkeit for reliability but maintaining the context defined in your text).Integral View: Translated as integrale Sichtweise to maintain the academic weight of a unified framework.Scope: Translated as Spektrum (spectrum/range) or strictly context-dependent, but in "reliability scope", Zuverlässigkeitsspektrum fits the academic German style well.Tone: The German text uses the "Nominalstil" (noun-heavy style) and precise connective words (folglich, wohingegen, basierend auf) typical for PhD theses or abstract writing.Would you like me to refine any specific terminology (e.g., sticking strictly to English terms for specific concepts like "Hold-out topics" or "Input shifts")?