Desafíos y Oportunidades en el Análisis de Causalidad Utilizando Modelos de Lenguaje Grandes

Área de la Ciencia:

• Procesamiento del Lenguaje Natural
• Inteligencia Artificial
• Lingüística Computacional

Sus antecedentes:

• La extracción de causalidad del texto es crucial para comprender relaciones complejas.
• Los métodos existentes enfrentan desafíos para identificar con precisión los vínculos causales.
• Diversas conceptualizaciones de la causalidad (por ejemplo, Aristóteles, Pearl) influyen en los enfoques de extracción.

Objetivo del estudio:

• Examinar las capacidades y limitaciones de los Modelos de Lenguaje Grandes (LLM) en la extracción de causalidad basada en texto.
• Explorar cómo los LLM pueden manejar diversas perspectivas de causalidad y mejorar la confiabilidad del análisis.
• Discutir las direcciones futuras para la investigación de causalidad impulsada por LLM.

Principales métodos:

• Revisión de conjuntos de datos existentes y enfoques de aprendizaje automático para la extracción de causalidad.
• Evaluación de LLM avanzados (por ejemplo, GPT-5, Gemini 2.5 Pro) en tareas de análisis de causalidad.
• Análisis experimental del rendimiento de los LLM en la identificación de relaciones causales y tasas de acuerdo.

Principales resultados:

• Los LLM demuestran una capacidad significativa para realizar análisis de causalidad, incluidas las perspectivas contrafactual y aristotélica.
• Los LLM más nuevos logran un alto acuerdo (88-91%) en la identificación de relaciones causales, superando el acuerdo interanotador tradicional.
• Los LLM pueden explicar y criticar análisis causales, lo que indica un movimiento hacia la comprensión semántica en lugar de meras extensiones de palabras.

Conclusiones:

• Los LLM presentan oportunidades sustanciales para avanzar en la extracción de causalidad, abordando la escasez de datos.
• El futuro del análisis de causalidad en texto puede pasar de la anotación a la comprensión semántica facilitada por los LLM.
• Los LLM muestran potencial para superar limitaciones como las alucinaciones y la falta de sentido común en futuras iteraciones.