Amélioration de l'identification de la causalité des événements avec une réponse à des questions causales tenant compte du raisonnement et de la structure

L'identification de la causalité des événements au niveau du document (DECI) vise à identifier les relations causales entre deux événements dans des documents. Des recherches récentes tendent à utiliser des modèles de langage pré-entraînés pour générer les relations causales des événements. Cependant, ces méthodes sont sujettes aux erreurs de génération séquentielle en raison de la présence de plusieurs événements dans un document. De plus, les structures potentielles telles que la coreférence d'événements et la chaîne causale associée sont négligées. Dans cet article, nous proposons un cadre d'apprentissage multi-tâches pour améliorer l'identification de la causalité des événements avec une réponse à des questions causales tenant compte du raisonnement et de la structure. Plus précisément, la tâche DECI est transformée en réponse à des questions à choix multiples, et les causes et effets de l'événement interrogé sont générés avec de grands modèles de langage. En outre, nous générons les raisons pour expliquer pourquoi ces événements ont des relations causales. De plus, nous construisons un graphique de structure d'événements, qui modélise les relations potentielles à plusieurs sauts pour le raisonnement causal de l'événement actuel. Des expériences sur deux ensembles de données de référence montrent les grands avantages de notre approche proposée par rapport aux méthodes à la pointe de la technologie. De plus, nous effectuons des analyses quantitatives et qualitatives, qui éclairent pourquoi chaque composant de notre approche peut entraîner de grandes améliorations.