从歧义到理解：自然语言推理中的歧义检测的必要性

本position论文主张，自然语言推理（NLI）中的标注不一致并非仅是噪声，而往往反映了有意义的变异，尤其当这种变异由前提或假设中的歧义所引发时。虽然指南不完整以及标注者行为也贡献了变异，但基于内容的歧义则提供了一个独立于过程的信号，指示不同人类视角的差异。我们呼吁转向一种以歧义感知为导向的NLI方法：首先识别含有歧义的输入对，分类其类型，随后再进行推理。为支持这一转变，我们提出了一种集成歧义检测与分类于推理之前的框架。我们还引入了一个统一的主题词表，综合了现有主题词表，通过实例阐释关键子类型，并激发更贴合人类解读的目标检测方法。尽管当前资源缺乏明确标注歧义及子类型的 datasets，但这一缺口恰恰提供了机会：通过开发新的标注资源并探索无监督的歧义检测方法，我们有望构建更稳健、更具解释性且更贴近人类理解的NLI系统。