Text and argument mining
A.A. 2025/2026
Obiettivi formativi
The Text Mining Module (3 cfu) provides an introduction to the issue of extracting meaningful information from texts, which is at the basis of several applications of Natural Language processing, which include text classification and clustering, opinion and argument mining. After shortly introducing the basic pre-processing phases, with particular emphasis to the tokenizing phase, the main techniques for part of speech tagging and entity recognition will be introduced, as well as the issue of dependency parsing. The tasks of opinion mining and sentiment classification, as well as the issue of unsupervised classification of texts will be introduced and the main techniques to address them will be presented. The students will learn the basic tasks and techniques to make a sense of textual content.
The Argument Mining module (3 cfu) provides an introduction to formal argumentation theory, a key area within symbolic AI that focuses on mimicking human reasoning and debate processes. By examining formal models of argumentation, students will learn about their applications to multi-agent systems and common-sense reasoning. By integrating argumentation theory into their studies, students gain valuable skills that are directly applicable to the development and improvement of explainable AI systems, an interdisciplinary approach that ensures that AI not only makes decisions accurately but also communicates them transparently.
The Argument Mining module (3 cfu) provides an introduction to formal argumentation theory, a key area within symbolic AI that focuses on mimicking human reasoning and debate processes. By examining formal models of argumentation, students will learn about their applications to multi-agent systems and common-sense reasoning. By integrating argumentation theory into their studies, students gain valuable skills that are directly applicable to the development and improvement of explainable AI systems, an interdisciplinary approach that ensures that AI not only makes decisions accurately but also communicates them transparently.
Risultati apprendimento attesi
The Text Mining Module (3 cfu) provides basic knowledge and technical skills in the following topics:
· Basic Text Processing: Tokenization, Normalization, Stemming, Lemmatization
· Methods of tokenization
· Parts of Speech and Named Entities recognition
· Dependency Parsing
· Opinion Mining
· Sentiment classification
· Text Clustering
· Topic Modelling
Skills acquisition and ability to apply knowledge:
At the end of the module, students are expected to be able to:
- apply to texts the main preprocessing phases
- coping with the issues of entity recognition and part-of- speech tagging
- understanding the task of unsupervised text classification, and the main related techniques
- deepening the tasks of opinion and sentiment mining
The Argument Mining module (3 cfu) provides basic knowledge and technical skills in the following topics:
· Abstract argumentation theory (Dung-style);
· Argumentative semantics;
· Bipolar argumentation frameworks;
· Structured argumentation frameworks;
· Weighted argumentation frameworks;
· Dynamics of argumentation.
Skills acquisition and ability to apply knowledge:
At the end of the module, students are expected to be able to:
- Define the argumentative frameworks introduced;
- Compute the main argumentative semantics;
- Evaluate a given argumentative framework;
- Formalize realistic reasoning problems in terms of argumentation frameworks.
· Basic Text Processing: Tokenization, Normalization, Stemming, Lemmatization
· Methods of tokenization
· Parts of Speech and Named Entities recognition
· Dependency Parsing
· Opinion Mining
· Sentiment classification
· Text Clustering
· Topic Modelling
Skills acquisition and ability to apply knowledge:
At the end of the module, students are expected to be able to:
- apply to texts the main preprocessing phases
- coping with the issues of entity recognition and part-of- speech tagging
- understanding the task of unsupervised text classification, and the main related techniques
- deepening the tasks of opinion and sentiment mining
The Argument Mining module (3 cfu) provides basic knowledge and technical skills in the following topics:
· Abstract argumentation theory (Dung-style);
· Argumentative semantics;
· Bipolar argumentation frameworks;
· Structured argumentation frameworks;
· Weighted argumentation frameworks;
· Dynamics of argumentation.
Skills acquisition and ability to apply knowledge:
At the end of the module, students are expected to be able to:
- Define the argumentative frameworks introduced;
- Compute the main argumentative semantics;
- Evaluate a given argumentative framework;
- Formalize realistic reasoning problems in terms of argumentation frameworks.
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Secondo semestre
Programma
Il modulo di Text Mining (3 CFU) fornisce un'introduzione al problema dell'estrazione di informazioni significative dai testi, alla base di numerose applicazioni del Natural Language Processing, tra cui la classificazione e il clustering dei testi, l'opinion mining e l'argument mining. Dopo una breve panoramica delle fasi di pre-processing, con particolare enfasi sulla tokenizzazione, verranno introdotte le principali tecniche per il part-of-speech tagging e il riconoscimento delle entità, oltre al tema del dependency parsing. Saranno presentati i compiti di opinion mining e classificazione del sentimento, nonché il problema della classificazione non supervisionata dei testi, insieme alle tecniche principali per affrontarli. Gli studenti acquisiranno le conoscenze e le competenze di base per interpretare e analizzare contenuti testuali.
Il modulo di Argument Mining (3 CFU) introduce alla teoria dell'argomentazione formale, un'area chiave dell'intelligenza artificiale simbolica, che si concentra sulla simulazione dei processi di ragionamento e dibattito propri dell'essere umano. L'integrazione della teoria dell'argomentazione nel percorso formativo consente agli studenti di acquisire competenze utili allo sviluppo sistemi di Explainable Artificial Intelligence (XAI), approccio interdisciplinare che mira a rendere le decisioni basate su AI non solo corrette, ma anche trasparenti e comprensibili.
Risultati di apprendimento attesi
Modulo di Text Mining (3 CFU):
Lo studente acquisirà conoscenze di base e competenze tecniche nei seguenti ambiti:
- Pre-processing testuale di base: tokenizzazione, normalizzazione, stemming, lemmatizzazione
- Metodi di tokenizzazione
-Riconoscimento delle parti del discorso e delle entità nominate
-Dependency parsing
-Opinion mining
-Classificazione del sentimento
-Clustering dei testi
-Topic modelling
Acquisizione di competenze e capacità di applicare le conoscenze:
Al termine del modulo, gli studenti saranno in grado di:
- Applicare ai testi le principali fasi di pre-processing
- Affrontare i compiti di part-of-speech tagging e riconoscimento delle entità
- Comprendere i problemi legati alla classificazione non supervisionata dei testi e le tecniche per risolverli
- Approfondire i compiti di opinion mining e sentiment analysis
Modulo di Argument Mining (3 CFU):
Lo studente acquisirà conoscenze di base e competenze tecniche nei seguenti ambiti:
-Argomentazione e argument mining
- Modello argomentativo di Toulmin
- Teoria dell'argomentazione astratta (stile Dung)
- Semantiche argomentative
- Framework argomentativi bipolari
- Framework argomentativi strutturati
- Framework argomentativi pesati
- Dinamica dell'argomentazione
Acquisizione di competenze e capacità di applicare le conoscenze:
Al termine del modulo, gli studenti saranno in grado di:
- Definire i framework argomentativi introdotti
- Calcolare le principali semantiche argomentative
- Valutare un framework argomentativo dato
- Formalizzare problemi di ragionamento realistici in termini di framework argomentativi
Il modulo di Argument Mining (3 CFU) introduce alla teoria dell'argomentazione formale, un'area chiave dell'intelligenza artificiale simbolica, che si concentra sulla simulazione dei processi di ragionamento e dibattito propri dell'essere umano. L'integrazione della teoria dell'argomentazione nel percorso formativo consente agli studenti di acquisire competenze utili allo sviluppo sistemi di Explainable Artificial Intelligence (XAI), approccio interdisciplinare che mira a rendere le decisioni basate su AI non solo corrette, ma anche trasparenti e comprensibili.
Risultati di apprendimento attesi
Modulo di Text Mining (3 CFU):
Lo studente acquisirà conoscenze di base e competenze tecniche nei seguenti ambiti:
- Pre-processing testuale di base: tokenizzazione, normalizzazione, stemming, lemmatizzazione
- Metodi di tokenizzazione
-Riconoscimento delle parti del discorso e delle entità nominate
-Dependency parsing
-Opinion mining
-Classificazione del sentimento
-Clustering dei testi
-Topic modelling
Acquisizione di competenze e capacità di applicare le conoscenze:
Al termine del modulo, gli studenti saranno in grado di:
- Applicare ai testi le principali fasi di pre-processing
- Affrontare i compiti di part-of-speech tagging e riconoscimento delle entità
- Comprendere i problemi legati alla classificazione non supervisionata dei testi e le tecniche per risolverli
- Approfondire i compiti di opinion mining e sentiment analysis
Modulo di Argument Mining (3 CFU):
Lo studente acquisirà conoscenze di base e competenze tecniche nei seguenti ambiti:
-Argomentazione e argument mining
- Modello argomentativo di Toulmin
- Teoria dell'argomentazione astratta (stile Dung)
- Semantiche argomentative
- Framework argomentativi bipolari
- Framework argomentativi strutturati
- Framework argomentativi pesati
- Dinamica dell'argomentazione
Acquisizione di competenze e capacità di applicare le conoscenze:
Al termine del modulo, gli studenti saranno in grado di:
- Definire i framework argomentativi introdotti
- Calcolare le principali semantiche argomentative
- Valutare un framework argomentativo dato
- Formalizzare problemi di ragionamento realistici in termini di framework argomentativi
Prerequisiti
Nessuno
Metodi didattici
Lezione frontale
Materiale di riferimento
- Besnard, Philippe, and Anthony Hunter. Elements of argumentation. Vol. 47. Cambridge: MIT press, 2008.
- Stede, Manfred, Jodi Schneider, and Graeme Hirst. Argumentation mining. San Rafael: Morgan & Claypool, 2019.
- Baroni, Pietro, Martin Caminada, and Massimiliano Giacomin. "An introduction to argumentation semantics." The knowledge engineering review 26.4 (2011): 365-410.
- Stede, Manfred, Jodi Schneider, and Graeme Hirst. Argumentation mining. San Rafael: Morgan & Claypool, 2019.
- Baroni, Pietro, Martin Caminada, and Massimiliano Giacomin. "An introduction to argumentation semantics." The knowledge engineering review 26.4 (2011): 365-410.
Modalità di verifica dell’apprendimento e criteri di valutazione
Gli studenti potranno scegliere tra due modalità di valutazione:
- Modalità A: svolgimento di un lavoro di gruppo e un esame scritto;
- Modalità B: un esame scritto più lungo, in sostituzione del lavoro di gruppo.
- Modalità A: svolgimento di un lavoro di gruppo e un esame scritto;
- Modalità B: un esame scritto più lungo, in sostituzione del lavoro di gruppo.
Docente/i
Ricevimento:
14.00-16.00
on Teams (by appointment only)