Resumen: La argumentación formal se utiliza cada vez más en la inteligencia artificial como una forma efectiva y comprensible de modelar piezas de información potencialmente conflictivas, llamadas argumentos, e identificar los llamados argumentos aceptables dependiendo de la semántica elegida. Este artículo aborda el contexto específico de los Marcos de Argumentación Bipolar Cuantitativa (QBAF), donde los argumentos tienen pesos intrínsecos y pueden atacarse o apoyarse entre sí. En este contexto, presentamos una nueva familia de semántica gradual, llamada semántica agregativa. Para abordar situaciones en las que los atacantes y los partidarios no desempeñan un papel simétrico y, en contraste con la semántica modular, proponemos agregar a los atacantes y los partidarios por separado. Esto lleva a un cálculo en tres etapas, que consiste en calcular un peso global para los atacantes y otro para los partidarios, antes de agregar estos dos valores con el peso intrínseco del argumento. Discutimos las propiedades que deben satisfacer las tres funciones de agregación según el contexto, así como sus relaciones con los principios clásicos de la semántica gradual. Esta discusión se apoya en varios ejemplos sencillos, así como en un ejemplo final en el que se prueban y comparan quinientas semánticas agregativas, que ilustran la gama de comportamientos posibles con la semántica agregativa. Descomponer el cálculo en tres pasos distintos e interpretables conduce a un cálculo más parametrizable: mantiene la bipolaridad un paso más allá de lo que se hace en la literatura y conduce a una semántica gradual más comprensible.
Publicado originalmente en export.arxiv.org el 8 de marzo de 2026.
Ver fuente original
