MNanoBEIR / NanoBEIR-fr / NanoArguAna
Overview
This task is the French NanoBEIR version of ArguAna, an argument retrieval benchmark where the query is a long argument and the relevant document is its counterargument. The original ArguAna task studies retrieval of the best counterargument without assuming prior topic knowledge, using debate-portal pairs where good counterarguments usually address the same issue while reversing stance. In this NanoBEIR slice, French translated arguments must retrieve French translated counterarguments from 3,635 candidate documents. The task contains 50 queries and 50 positive relevance judgments, with exactly one positive per query. It is a compact diagnostic for stance-aware long-document retrieval, where topic similarity is necessary but insufficient because same-side arguments can look lexically and semantically close while being irrelevant.
Details
What the Original Data Measures
ArguAna measures counterargument retrieval. A relevant document should rebut the query argument by targeting the same issue, premise, or aspect from an opposing stance. This differs from ordinary topical search: a document can share many words and still be wrong if it supports the query's claim instead of challenging it. The task therefore tests long-passage argument understanding, stance reversal, premise matching, and the ability to reject same-topic support.
Observed Data Profile
The French Nano task has 50 queries, 3,635 documents, and 50 positives. Every query has one positive counterargument. Queries are long, averaging about 1,271 characters, and documents average about 1,157 characters. The examples cover political reform, Heathrow expansion, excessive consumer choice, cyberattacks by non-state actors, and religiously motivated speech. Both query and document passages contain premises, conclusions, examples, and cited evidence.
BM25 Evaluation Profile
BM25 reaches nDCG@10 of 0.395, Hit@10 of 0.660, and Recall@100 of 0.900. Sparse retrieval is useful because counterarguments discuss the same topic and often repeat names, policies, institutions, or issue-specific terms. However, BM25 is limited at top ranking because lexical overlap does not distinguish rebuttal from agreement. A same-topic supporting argument can receive a strong sparse score even when the only positive is the opposing argument.
Dense Evaluation Profile
The dense harrier-oss-270m baseline performs best by top-10 ranking, with nDCG@10 of 0.520, Hit@10 of 0.840, and Recall@100 of 0.980. This indicates that embedding similarity is better at capturing argumentative fit and long-passage semantic relation in this French sample. Dense retrieval can connect rebuttals that use different wording while still addressing the same premise. It also improves candidate coverage over BM25, suggesting that lexical matching alone misses some counterarguments.
Reranking Hybrid Evaluation Profile
The reranking_hybrid profile reaches nDCG@10 of 0.461, Hit@10 of 0.780, and Recall@100 of 1.000. It gives complete top-100 coverage but does not beat dense retrieval in top-10 ordering. This is a useful pipeline pattern: hybrid search is excellent for candidate generation because it combines exact issue terms with semantic relation, but dense scoring is stronger for deciding which candidate is the best counterargument. A stance-aware reranker could benefit from the hybrid pool.
Metric Interpretation for Model Researchers
Because each query has exactly one positive, Recall@100 measures whether the counterargument is available for a downstream reranker. nDCG@10 and Hit@10 measure whether the retriever itself places the counterargument early enough to be useful. The dense and hybrid split is important: dense is the better direct ranker, while hybrid gives the safest candidate coverage.
Query and Relevance Type Tendencies
Queries are long French arguments about controversial policy or social topics. Relevant documents are counterarguments, not general answers or supporting evidence. Hard negatives are likely to share the same topic and vocabulary but take the same stance or attack a different premise. The task rewards stance awareness and premise-level alignment.
Representative Failure Modes
BM25 can retrieve same-topic support because it shares issue vocabulary. Dense retrieval can retrieve a semantically close argument that does not actually rebut the query. Hybrid retrieval can include the positive but still rank a lexical distractor above it. Failure analysis should ask whether the retrieved document challenges the query's central claim or merely discusses the same issue.
Training and Leakage Considerations
Training should exclude ArguAna, BEIR, NanoBEIR, and translated debate records likely to overlap with this evaluation slice. Useful non-overlapping data includes argument-counterargument pairs, stance-aware retrieval datasets, debate portal argument pairs, claim rebuttal data, and French or multilingual argument mining corpora. Synthetic data should create paired pro and con arguments for the same issue with explicit stance reversal and same-topic hard negatives.
Model Improvement Signals
Strong models should improve stance-sensitive ranking while preserving topic coverage. Useful signals include long-passage contrastive training, premise-targeted rebuttals, same-topic same-stance hard negatives, and multilingual argument mining supervision. Hybrid systems should use sparse matching for issue anchoring and dense or cross-encoder scoring for rebuttal relation.
Example Data
| Query | Positive document |
| Le public est indifférent à la réforme. Il est discutable que la réforme de la Chambre des Lords soit une priorité absolue dans le contexte économique actuel, sans parler de la capacité d'un gouvernement de coalition à initier et à faire passer de telles mesures. Les tentatives de réforme de la Chambre des Lords ont été reportées à maintes reprises, ce qui montre les réticences de la Chambre des communes face au changement. Un sentiment sans aucun doute partagé par l'opinion publique britannique... [500 / 646 chars] | La campagne pour le vote alternatif ne peut pas être comparée à une réforme de la Chambre des Lords. De plus, il ne faut pas confondre un public mal informé par la propagande politique avec de l'apathie. Souvent, les électeurs disent qu'ils sont apathiques parce qu'ils ont l'impression que leur vote ne sert à rien, qu'ils ne peuvent rien changer. Une réforme garantissant que les dirigeants du pays sont élus directement par le peuple aiderait à contrer ces sentiments. [471 chars] |
| L'expansion de Heathrow est cruciale pour l'économie. L'expansion de Heathrow permettrait de maintenir de nombreux emplois actuels tout en en créant de nouveaux. Actuellement, Heathrow soutient environ 250 000 emplois. En outre, des centaines de milliers d'autres emplois dépendent du tourisme à Londres, qui repose sur des liaisons de transport efficaces comme Heathrow. Perdre en compétitivité face aux autres aéroports européens pourrait non seulement empêcher la création de nouveaux emplois, mai... [500 / 1,372 chars] | La communauté des affaires est loin d'être unie dans son supposé soutien à une troisième piste. Des enquêtes suggèrent que de nombreuses entreprises influentes ne soutiennent en réalité pas l'expansion. Une lettre exprimant des préoccupations a été signée par Justin King, le directeur général de J Sainsbury, et James Murdoch de BskyB. [1] Il est donc erroné de considérer la communauté des affaires comme une seule voix réclamant l'expansion. Nous devons également nous rappeler, en envisageant les alternatives à la nouvelle piste de Heathrow, comme une nouvelle piste dans un autre aéroport londonien ou un nouvel aéroport, que celles-ci auraient probablement un impact économique similaire à l'expansion de Heathrow. Si ce sont les connexions qui comptent pour attirer les affaires et les touristes, alors tant que la connexion est avec Londres, peu importe quel aéroport assure cette connexion. Il pourrait même y avoir moins besoin que l'aéroport soit un hub si nous nous concentrons sur les a... [1,000 / 1,519 chars] |
| Les gens sont submergés par trop de choix, ce qui les rend moins heureux. La publicité submerge beaucoup de gens avec le besoin incessant de choisir entre des demandes concurrentes pour leur attention – cela est connu sous le nom de tyrannie du choix ou surcharge de choix. Des recherches récentes suggèrent que les gens sont en moyenne moins heureux qu'il y a 30 ans, malgré le fait qu'ils soient mieux lotis et aient beaucoup plus de choix de choses sur lesquelles dépenser leur argent. Les allégat... [500 / 1,054 chars] | Les gens sont mécontents parce qu'ils ne peuvent pas tout avoir, et non parce qu'ils ont trop de choix et que cela les stresse. En réalité, les publicités jouent un rôle crucial en s'assurant que l'argent dont disposent les gens est dépensé pour le produit le plus approprié pour eux. Si les publicités n'étaient pas autorisées, les gens gaspilleraient de l'argent sur un produit initial alors qu'ils choisiraient clairement un autre s'ils en avaient le choix. Une méta-analyse intégrant des recherches issues de 50 études indépendantes n'a trouvé aucune relation significative entre le choix et l'anxiété, mais a suggéré que les variations dans les études laissaient ouverte la possibilité que le surmenage de choix puisse être lié à certaines conditions très spécifiques et encore mal comprises. 1. Scheibehenne, Benjamin; Greifeneder, R. & Todd, P. M. (2010). "Peut-il y avoir trop d'options ? Une revue méta-analytique du surmenage de choix". Journal of Consumer Research 37: 409-425. [988 chars] |
Source Reference Table
| Label | URL |
| ArguAna paper (https://aclanthology.org/P18-1023/) | | BEIR benchmark (https://github.com/beir-cellar/beir) | | MMTEB benchmark (https://arxiv.org/abs/2502.13595) | | NanoBEIR dataset (https://huggingface.co/collections/zeta-alpha-ai/nanobeir) |
Dataset Information
| Field | Value |
| Nano set | MNanoBEIR |
| Backing dataset | NanoBEIR-fr |
| Task / split | NanoArguAna |
| Hugging Face dataset | hakari-bench/NanoBEIR-fr |
| Language | fr |
| Category | natural_language |
| Queries | 50 |
| Documents | 3,635 |
| Positive qrels | 50 |
| Positives / query avg | 1.00 |
| Positives / query min | 1 |
| Positives / query median | 1.00 |
| Positives / query max | 1 |
| Multi-positive queries | 0 (0.00%) |
| Query length avg chars | 1,271.18 |
| Document length avg chars | 1,156.98 |
Candidate Subsets
| Profile | Config | nDCG@10 | Hit@10 | Recall@100 | Candidates |
| BM25 | bm25 | 0.3948 | 0.6600 | 0.9000 | top-500 |
| Dense | harrier_oss_v1_270m | 0.5200 | 0.8400 | 0.9800 | top-500 |
| Reranking hybrid | reranking_hybrid | 0.4611 | 0.7800 | 1.0000 | top-100 |