会話的ディスコース構造は、対話がどのように組織されているかを記述することを目指しており、対話理解や応答生成において有効な手がかりを提供する。本論文では、複数参加者による対話におけるディスコース依存構造の予測に焦点を当てる。従来の手法は、すでに予測されたディスコース関係の特徴を用いて次の関係を生成するインクリメンタルなアプローチを採用している。この方法では予測間の相互依存性は考慮されるものの、誤差伝搬が顕著であり、全体的な性能に悪影響を及ぼすことが明らかになった。誤差伝搬を軽減するために、本研究では構造自己認識（Structure Self-Aware, SSA）モデルを提案する。このモデルは、新たなエッジ中心型グラフニューラルネットワーク（GNN）を採用し、各基本ディスコース単位（Elementary Discourse Unit, EDU）ペア間の情報を段階的に更新することで、過去の予測に依存せずに表現力を高める学習を可能にする。さらに、構造蒸留（structure distillation）を含む補助的な学習信号を導入し、より優れた表現学習を実現する。実験の結果、本モデルは2つの会話的ディスコースパーサーのベンチマークにおいて、従来手法を大きく上回る新たな最良性能を達成した。