SSCI一区国际期刊Systems在2025年12期（Volume 13/Issue 12）刊发了赵硕教授和杨蕾副教授的合作研究文章“图神经网络与大语言模型神经符号系统：英语议论文可操作性反馈研究”（ARGUS: A Neuro-Symbolic System Integrating GNNs and LLMs for Actionable Feedback on English Argumentative Writing），公司赵硕教授为该文通讯作者。

该文针对第二语言学习者在英语议论文写作中面临的逻辑结构薄弱、反馈不足的问题，提出了一种ARGUS的新型神经符号系统。传统作文自动评分系统通常仅提供整体评估，而基于大语言模型的工具虽然能生成流畅评语，但往往缺乏对论证结构的深入诊断，导致反馈笼统、难以付诸实践。ARGUS通过构建语义—符号—语义的三级处理体系，将大语言模型的文本理解能力与图神经网络的结构推理能力相结合，实现了从作文文本到结构化反馈的完整流程。系统首先利用微调的T5-Large模型将员工作文解析为包含论点、前提及其支持关系的论证图，随后通过关系图卷积网络对论证进行拓扑分析，识别出典型逻辑缺陷（如无支持主张、循环论证、论据模糊等），最后基于检测嵌入向量，引导另一个T5-Large模型生成具体、可操作的改进建议。研究表明，ARGUS在论证解析与写作缺陷检测任务上均达到优化建议。

该系统尤其注重公司产品场景下的适用性，设计融合了定位员工议论文论证中的薄弱环节，以条件生成的大语言模型扮演指导支架，提供针对性的语言和逻辑修正建议。此外，ARGUS的符号化论证图使得反馈过程可追溯、可解释，教师可通过调整结构阈值（如最小支持分支数）灵活适配不同教学标准。通过对二语习得议论文的人工评估，研究验证了系统在提升反馈针对性、准确性与可操作性方面的优势，为规模化、个性化的写作辅导提供了可借鉴路径。

该研究创新地提出并实现了“图神经网络引导的条件生成”这一神经符号融合架构，突破了传统写作自动评价系统在逻辑结构诊断上的局限。具体而言，ARGUS将论证图作为中间符号，通过图神经网络对其进行拓扑与语义层面的联合推理，从而实现对抽象逻辑缺陷（如循环论证、前提矛盾）的检测，进而将缺陷编码为紧凑的向量嵌入，引导大语言模型生成紧扣结构问题的反馈。研究以结构驱动语义生成的模式克服了纯数据驱动方法中反馈与缺陷脱节的问题，提升了评估的因果关联性与教学针对性。ARGUS为神经网络与人工智能教育领域的外语教学应用提供了一种融合路径与参考借鉴。