arXivの論文「CAF-Gen: A Multi-Agent System for Enriching Argumentation Structures」は、Jakub Bąba氏とJarosław Chudziak氏による研究成果で、2026年6月4日に投稿された（v1、投稿時刻は同日18:51:58 UTC、ファイルサイズは約424 KB）。本論文はICCCI 2026の論文集への採録が決定しており、計算と言語（cs.CL）および人工知能（cs.AI）の両分野に分類され、識別子はarXiv:2606.06646である。
論文が扱う中心課題は、自然言語のテキストから複雑な推論を形式化することである。著者らはこれを計算言語学における中核的な難問の一つと位置づけている。この作業ではキーワードを認識するだけでなく、テキストに埋め込まれた文脈や複雑な推論関係を理解することが求められる。既存の論証マイニング（Argument Mining, AM）技術は基本的な主張（claims）や前提（premises）を特定できるものの、Carneades Argumentation Framework（CAF）のような高度なスキーマが要求する豊かな構造情報を捉えることは苦手である。CAFには前提の種類、証明基準、論証スキームといった特徴が含まれている。
この限界に対処するため、著者らはCAF-Genを提案する。これは浅い論証構造をCAF準拠の論証モデルへと豊かに変換する自動化されたマルチエージェント・フレームワークである。システムは反復的な「作成者—レビュアー（Creator-Reviewer）」パイプラインを採用し、作成者エージェントの出力を批判的エージェントが検証して構造的な完全性を確保する。このマルチエージェント協調は、単一パス生成モデルに典型的な構造の不安定さを緩和するうえで極めて重要だと著者らは述べている。
実験の結果、反復的なフィードバック・ループが生成データの品質を向上させ、より構造的に豊かなモデルを生み出しつつ、元のアノテーションとの高い整合性を達成できることが示された。研究の知見は、このマルチエージェント・システムが単一パス生成の限界を克服し、形式論証の自動モデリングに向けた堅牢な方法論を提供できることを示している。なお、論文ページではPDFと実験的なHTML版、TeXソースおよびライセンス情報が提供され、DOI（https://doi.org/10.48550/arXiv.2606.06646）も付与されている（DataCiteによる発行、登録手続き中）。さらにNASA ADS、Google Scholar、Semantic Scholarなどの引用ツールに加え、Connected Papers、Litmaps、scite、alphaXiv、Hugging Face、Replicate、TXYZ.AIといった関連リソースへのリンクや、著者・所属・トピックによる推薦検索の導線も用意されている。