面向社交媒体话语中因果语言理解的多层次基准
计算与语言
2025-09-23 v1
摘要
理解非正式话语中的因果语言是自然语言处理（NLP）中一个核心但尚未充分探索的挑战。现有数据集主要关注结构化文本中的显式因果关系，对检测隐式因果表达的支持有限，尤其是在非正式的用户生成社交媒体帖子中。我们引入了CausalTalk，这是一个包含五年Reddit帖子（2020-2024）的多层次数据集，这些帖子讨论与COVID-19大流行相关的公共卫生问题，其中10120篇帖子在四个因果任务上进行了标注：（1）二元因果分类，（2）显式与隐式因果关系，（3）因果跨度抽取，以及（4）因果主旨生成。标注包括由领域专家创建的黄金标准标签和由GPT-4o生成并经人类标注者验证的白银标准标签。CausalTalk弥合了细粒度因果检测与基于主旨的非正式文本推理之间的差距。它支持在判别模型和生成模型上进行基准测试，并为研究社交媒体语境中的因果推理提供了丰富的资源。
引用
@article{arxiv.2509.16722,
title = {A Multi-Level Benchmark for Causal Language Understanding in Social Media Discourse},
author = {Xiaohan Ding and Kaike Ping and Buse Çarık and Eugenia Rho},
journal= {arXiv preprint arXiv:2509.16722},
year = {2025}
}