How to predict creativity ratings from written narratives: A comparison of co-occurrence and textual forma mentis networks
Center for Mind/Brain Sciences (CIMeC), University of Trento（心灵/大脑科学中心（CIMeC），特伦托大学）；CogNosco Lab, Department of Psychology and Cognitive Science, University of Trento（CogNosco实验室，心理学与认知科学系，特伦托大学）
本文比较了共现网络和文本形式意识网络在预测创造力评分中的效果，发现TFMNs在预测精度上表现更优。
2026-01-12 cs.CL
Beyond LLMs: A Linguistic Approach to Causal Graph Generation from Narrative Texts
University of California, San Diego（加州大学圣地亚哥分校）
该研究提出从叙事文本生成因果图的框架，先以LLM提取顶点，引入含七个语言特征的“专家索引”并集成到分类模型，结合RoBERTa嵌入提升因果关系识别精度，经五次迭代提示构建因果图，实验证明其优于GPT-4o和Claude 3.5，还提供开源工具。
2026-07-13 cs.CL
Learning to Predict from Textual Data
Technion—Israel Institute of Technology（以色列理工学院）
给定一个当前的新闻事件，我们解决的问题是对它可能导致的未来事件做出合理的预测。我们提出了一种新的方法来建模和预测这样的未来新闻事件，使用机器学习和数据采掘技术。我们的Pundit算法概括了因果关系对的例子来推断因果关系预测器。为了获得精确标记的因果关系的例子，我们挖掘了150年的新闻文章，并将语义自然语言建模技术应用于包含某些预定义的因果关系模式的标题。为了泛化，该模型使用了大量的世界知识本体。对真实新闻文章的实证评估表明，我们的Pundit算法表现得与非专家人类一样好。
2014-02-04 cs.AI cs.CL cs.IR
Forecasting Clinical Risk from Textual Time Series: Structuring Narratives for Temporal AI in Healthcare
本文提出从文本时间序列预测临床风险的方法，通过构建时间有序的临床数据，提升时序AI在医疗健康领域的应用效果。
2025-12-29 cs.AI cs.CL
VinaBench: Benchmark for Faithful and Consistent Visual Narratives
EPFL（洛桑联邦理工学院）；Sony Group Corporation（索尼集团公司）；Carnegie Mellon University（卡内基梅隆大学）
本文提出 VinaBench 基准，通过标注常识与话语约束并提出新评估指标，有效提升了视觉叙事生成对输入文本的忠实度与跨图像的一致性。
2025-04-03 cs.AI cs.CL cs.CV
John praised Mary because he? Implicit Causality Bias and Its Interaction with Explicit Cues in LMs
University of Copenhagen（哥本哈根大学）；Universidade da Coruña（拉科鲁尼亚大学）；CITIC（信息与通信技术研究中心）
一些人际动词可以隐含地将因果关系归因于其主语或宾语，因此被认为带有隐含的因果关系（IC）偏见。通过这种偏见，因果关系可以从叙述中推断出来，有助于语言理解。我们研究了预训练的语言模型（PLM）是否编码IC偏差并在推理时使用它。我们发现，情况就是这样，虽然程度不同，三个不同的PLM架构。然而，原因并不总是需要是隐含的-当一个原因是明确地说在一个从句中，一个不一致的IC偏见与动词在主句中导致人类处理的延迟。我们假设，人类在整合两个相互矛盾的信号时面临的暂时挑战，一个来自动词的词汇语义，一个来自动词级语义，这将反映在依赖于因果关系的任务模型的较高出错率中。我们的研究结果支持了这一假设，表明PLM倾向于优先考虑词汇模式，而不是高阶信号。
2021-06-02 cs.CL
Causality Extraction from Nuclear Licensee Event Reports Using a Hybrid Framework
University of Idaho（爱达荷大学）；Idaho National Laboratory（爱达荷国家实验室）
本文提出一种混合框架，从核设施许可证持有者事件报告中检测和提取因果关系，主要贡献包括构建含20129个样本的LER语料库、开发因果对标注交互工具、基于深度学习的因果关系检测方法及基于知识的因果提取方法。
2024-04-22 cs.AI cs.CL cs.LG
Temporal Event Knowledge Acquisition via Identifying Narratives
Department of Computer Science and Engineering（计算机科学与工程系）；Texas A&M University（得克萨斯农工大学）
受叙事文本的双重时间性特征的启发，我们提出了一种新的方法来获取丰富的时间的“之前/之后”事件的知识跨句子的叙事故事。双重时间性是指叙事故事通常按照时间顺序描述一系列事件，因此事件的时间顺序与它们的文本顺序相匹配。我们探索了叙事学原理，并建立了一个弱监督的方法，识别287 k叙事段落从三个大型文本语料库。然后，我们从这些叙述段落中提取了丰富的时间事件知识。这些事件知识被证明是有用的，以改善时间关系的分类和最近的几个神经网络模型在叙事完形填空任务。
2018-05-28 cs.AI cs.CL
Event Causality Extraction with Event Argument Correlations
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Beijing University of Posts and Telecommunications（北京邮电大学）
事件因果关系识别是事件因果关系理解的一项重要任务，其目的是检测两个给定文本事件之间是否存在因果关系。然而，ECI任务忽略了关键的事件结构和因果因果关系分量信息，使其难以下游应用。在本文中，我们探讨了一个新的任务，即事件因果关系提取（ECE），旨在提取因果事件因果关系对与他们的结构化事件信息从纯文本。ECE任务更具挑战性，因为每个事件可以包含多个事件参数，在事件之间建立细粒度的相关性来决定因果事件对。因此，我们提出了一种方法与双网格标记计划捕捉内和事件间的论点相关性ECE。此外，我们设计了一个事件类型增强的模型架构，以实现双网格标记计划。实验证明了我们的方法的有效性，和广泛的分析指出了几个未来的方向ECE。
2023-01-27 cs.CL
Enabling Patient-side Disease Prediction via the Integration of Patient Narratives
Nanyang Technological University（南洋理工大学）；Qilu Hospital of Shandong University（山东大学齐鲁医院）
本文提出PoMP方法，利用患者文本叙述和人口统计信息实现患者端疾病预测，帮助患者直接找到合适的医学专家，并通过好大夫在线真实数据验证其有效性。
2024-05-05 cs.CL
Indexing and Visualization of Climate Change Narratives Using BERT and Causal Extraction
Bank of Japan（日本银行）
提出结合 BERT 与因果抽取的方法，从报纸文章中抽取、量化并可视化气候变化因果叙事，揭示2018年后政策、企业、宏观经济及灾害影响等叙事演变。
2024-08-03 cs.CL
Zero-Shot Event Causality Identification via Multi-source Evidence Fuzzy Aggregation with Large Language Models
针对零样本事件因果关系识别中的因果幻觉问题，提出MEFA框架，通过多任务证据分解与模糊聚合提升LLM因果判断的准确性。
2025-06-09 cs.CL
Learning Contextual Causality from Time-consecutive Images
HKUST（香港科技大学）；CUHK（香港中文大学）；UPenn（宾夕法尼亚大学）
因果关系知识对于许多人工智能系统是至关重要的。传统的基于文本的因果关系知识获取方法通常需要费力且昂贵的人工注释。因此，其规模往往有限。此外，由于在注释期间没有提供上下文，因此所得到的因果关系知识记录（例如，ConceptNet）通常不考虑上下文。为了探索一种更具可扩展性的因果关系知识获取方法，本文跳出文本领域，研究了从视觉信号中学习上下文因果关系的可能性。与纯文本方法相比，从视觉信号中学习因果关系具有以下优点：（1）因果关系知识属于常识性知识，很少在文本中表达，而在视频中却非常丰富;（2）视频中的事件大多具有自然的时序性，这为我们挖掘因果关系知识提供了丰富的资源;（3）视频中的所有对象都可以作为语境来研究因果关系的语境性。详细地说，我们首先提出了一个高质量的数据集Vis-Causal，然后进行实验来证明，通过良好的语言和视觉表示模型以及足够的训练信号，可以从视频中自动发现有意义的因果知识。进一步的分析还表明，因果关系的上下文属性确实存在，如果我们想在实际应用中使用因果关系知识，考虑到这一点可能是至关重要的，视觉信号可以作为一个很好的资源，学习这种上下文因果关系。
2020-12-13 cs.AI cs.CL cs.CV
LLMs vs. Traditional Sentiment Tools in Psychology: An Evaluation on Belgian-Dutch Narratives
University of Kansas（堪萨斯大学）
针对弗拉芒语（低资源语言变体）效价预测任务，对比评估三种荷兰语专用LLMs与传统词典工具LIWC、Pattern的表现，发现传统工具更优，挑战LLM情感分析优势假设，强调需定制低资源语言评估框架。
2025-11-10 cs.CL
Transcription-Enriched Joint Embeddings for Spoken Descriptions of Images and Videos
Telefonica Research（西班牙电信研究中心）；Universitat Politecnica de Catalunya (UPC)（加泰罗尼亚理工大学（UPC））
在这项工作中，我们提出了一种有效的方法来训练独特的嵌入表示相结合的三个同时模态：图像和口语和文本的叙述。所提出的方法偏离了一个基线系统，该系统产生了一个仅用口头叙述和图像线索训练的嵌入空间。我们在EPIC-Kitchen和Places Audio Caption数据集上的实验表明，引入人类生成的口语叙事文本transmittance有助于训练过程获得更好的嵌入表示。语音、图像和单词的三元组允许更好地估计点嵌入，并且即使当文本第三模态（文本）不存在于任务中时，也显示出图像和语音检索等任务内的性能的改善。
2020-06-01 cs.CL cs.CV cs.IR
Failure Modes of LLMs for Causal Reasoning on Narratives
Carnegie Mellon（卡内基梅隆大学）
本研究针对叙事因果推理任务，探究LLM的世界知识与逻辑推理的相互作用，发现其依赖表层启发式策略的失效模式，提出任务重表述可提升推理稳健性，为优化LLM因果推断方法奠定基础。
2025-06-15 cs.CL cs.LG
Automated Action Model Acquisition from Narrative Texts
Australian National University（澳大利亚国立大学）；Tencent AI lab（腾讯人工智能实验室）
针对叙事规划中动作模型自动获取的瓶颈问题，提出无监督系统NaRuto，从叙事文本提取结构化事件并结合常识关系等生成规划式动作模型，质量优于全自动化方法、媲美半自动化方法。
2023-07-17 cs.CL cs.IR cs.LG
Narrative Knowledge Weaver: Narrative-Centric Retrieval-Augmented Reasoning for Long-Form Text Understanding
Southeast University（东南大学）；Beijing Zhongguancun Academy（北京中关村学院）；Nanjing Normal University（南京师范大学）；ZhuiWen Technology Co., Ltd.（智文科技有限公司）
提出叙事知识编织器（NKW），一种基于源头的框架，通过将文本证据、原子事实、规范图结构、实体档案、交互、情节和故事线对齐，并利用文本、图和叙事工具进行后检索阅读，以解决长文本叙事QA中需要推理演化故事世界的问题，在STAGE、FairytaleQA和QuALITY上表现优异。
2026-06-04 cs.AI cs.CL
Extracting narrative signals from public discourse: a network-based approach
Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学科学研究所）；Laboratoire Lattice, École Normale Supérieure - PSL - CNRS - Univ. Sorbonne Nouvelle（格勒诺布尔大学拉提实验室）；médialab, Sciences Po（社会科学高等学院媒体实验室）；Brussels School of Governance, Vrije Universiteit Brussel（布鲁塞尔治理学校，自由大学布鲁塞尔）；imec-SMIT, Vrije Universiteit Brussel（imec-SMIT，自由大学布鲁塞尔）
本文提出一种基于抽象意义表示（AMR）的图方法与启发式过滤规则，从政治文本中提取行动者、事件和视角化等叙事信号并构建网络，结合远读与细读重建潜在政治叙事，并以2010—2023年欧盟国情咨文为例验证其有效性。
2025-11-07 cs.CL cs.CY cs.IR
PMOA-TTS: Introducing the PubMed Open Access Textual Times Series Corpus
Machine Learning Department, School of Computer Science（计算机科学系机器学习部门）；Heinz College of Information Systems and Public Policy（信息系统与公共政策学院）；National Library of Medicine（国家医学图书馆）
PMOA-TTS通过大规模语言模型管道构建，为时间序列分析提供结构化文本时间线，支持时间推理、生存建模和事件预测研究。
2026-01-15 cs.AI cs.CL cs.LG
CONAN -- COunter NArratives through Nichesourcing: a Multilingual Dataset of Responses to Fight Online Hate Speech
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）
尽管在法律和政策方面做出了前所未有的努力，以充分应对社交媒体平台上的仇恨内容，但处理网上仇恨仍然是一个棘手的问题。以删除内容或暂停用户的标准方式处理仇恨言论可能会被指控审查和过度封锁。另一种策略，到目前为止研究界很少关注，是用反叙事（即知情的文本回应）来反对仇恨内容。在本文中，我们描述了第一个大规模，多语言，基于专家的仇恨言论/反叙事对数据集的创建。这个数据集是由来自三个不同非政府组织的100多名操作员努力建立的，他们将自己的培训和专业知识应用于这项任务。与收集的数据一起，我们还提供了关于专家人口统计学，仇恨和反应类型的额外注释，以及通过翻译和释义的数据增强。最后，我们提供了初步的实验来评估我们的数据的质量。
2019-10-08 cs.CL cs.CY
Dense Paraphrasing for Textual Enrichment
Brandeis University（布兰迪斯大学）
从文本中理解推理和回答问题需要的不仅仅是恢复与查询词相关联的表面参数、参数或字符串。作为人类，我们通过填补缺失的信息和推理事件的后果，将句子解释为叙述或话语的语境化成分。在本文中，我们定义的过程中重写的文本表达（词素或短语），使其减少歧义，同时也明确的底层语义，是不（不一定）表示在经济的句子结构密集释义（DP）。我们构建了第一个完整的DP数据集，提供了注释任务的范围和设计，并展示了DP过程如何丰富源文本以提高推理和QA任务性能的结果。数据和源代码将公开。
2022-10-20 cs.AI cs.CL
Large Language Model Augmented Narrative Driven Recommendations
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
针对叙事驱动推荐（NDR）训练数据不足的问题，提出利用大语言模型（LLM）通过少样本提示从用户-物品交互数据生成合成叙事查询以做数据增强，训练出的小参数检索模型性能优于现有基线。
2023-07-21 cs.CL cs.IR
MTBench: A Multimodal Time Series Benchmark for Temporal Reasoning and Question Answering
Yale University, New Haven, CT, USA（耶鲁大学）；McGill University, Montreal, QC, Canada（麦吉尔大学）；University of Texas Rio Grande Valley, TX, USA（德克萨斯大学里奥格兰德谷分校）
MTBench是一种多模态时间序列基准，用于评估大型语言模型在金融和天气领域的时间推理和问答能力。
2026-02-11 cs.AI cs.CL
Improving Cause-of-Death Classification from Verbal Autopsy Reports
University of The Witwatersrand（威特沃特斯兰德大学）；University of Johannesburg（约翰内斯堡大学）
在包括南非在内的许多中低收入国家，由于患者隐私和保密政策，卫生设施的数据访问受到限制。此外，由于临床数据对于各个机构和实验室是唯一的，因此没有足够的数据注释标准和惯例。由于缺乏文本数据，自然语言处理技术在卫生部门的表现不佳。在没有可靠的死亡登记系统的地方，死因通常由死因推断（VA）报告确定。非临床现场工作人员使用一组标准化问题作为指导来发现COD的症状，从而完成VA报告。本分析侧重于VA报告的文本部分作为案例研究，以解决在健康领域适应NLP技术的挑战。我们提出了一个系统，依赖于两个迁移学习范式的单语学习和多源领域自适应，以改善VA叙述的COD分类的目标任务。我们使用双向编码器表示从Transformers（BERT）和嵌入从语言模型（ELMo）模型预训练的一般英语和健康领域提取功能的VA叙述。我们的研究结果表明，这种迁移学习系统提高了COD分类任务，并且叙述性文本包含有价值的信息，用于计算COD。我们的研究结果进一步表明，结合二进制VA特征和通过该框架学习的叙事文本特征，可以提高COD的分类任务。
2022-10-31 cs.CL cs.LG
VideoXum: Cross-modal Visual and Textural Summarization of Videos
University of Rochester（罗切斯特大学）；OPPO US Research Center（OPPO美国研究中心）
提出联合视频与文本摘要新任务，构建大规模人工标注数据集VideoXum，设计端到端模型VTSUM-BILP及评估指标VT-CLIPScore，实现跨模态语义对齐并确立基准。
2024-04-23 cs.CL cs.CV
Decoding the Flow: CauseMotion for Emotional Causality Analysis in Long-form Conversations
School of Artificial Intelligence and Advanced Computing, Xi’an Jiaotong-Liverpool University（西交利物浦大学人工智能与先进计算学院）；Monash University（莫纳什大学）
针对长对话情感因果推理难题，提出结合RAG与多模态融合的CauseMotion框架，通过引入音频特征和滑动窗口机制增强因果链推断，构建首个超70轮长序列基准数据集，并在因果准确率上超越GPT-4o。
2025-01-01 cs.CL cs.CY
Generating Counter Narratives against Online Hate Speech: Data and Strategies
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）
最近的研究已经开始关注如何在处理网络仇恨时避免内容审核带来的不良影响，例如审查和过度屏蔽。其核心思想是通过文本回应直接干预讨论，旨在对抗仇恨内容并防止其进一步传播。因此，诸如自然语言生成的自动化策略开始被研究。然而，它们缺乏足够的高质量数据，往往只能作出一般性/重复性的答复。意识到上述局限性，我们提出了一项关于如何有效地收集仇恨反应的研究，采用大规模无监督语言模型（如GPT-2）生成银数据，以及可用于专家验证/编辑前数据过滤的最佳注释策略/神经架构。
2020-04-08 cs.CL cs.CY cs.SI
Re:Verse -- Can Your VLM Read a Manga?
University of Central Florida（中央佛罗里达大学）；Indian Institute of Technology, Jodhpur（印度理工学院，朱达浦尔）；Indian Institute of Technology, Varanasi（印度理工学院，瓦拉纳西）
本文通过分析漫画叙事理解，揭示现有VLM在时间因果和跨面板连贯性上的不足，提出新的评估框架，系统研究长篇叙事理解能力。
2025-08-18 cs.CL cs.CV
Basque and Spanish Counter Narrative Generation: Data Creation and Evaluation
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU HiTZ中心-Ixa）；The Alan Turing Institute（阿兰·图灵研究所）；Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）
本文构建了巴斯克语和西班牙语反叙事数据集CONAN-EUS，并实验证明后编辑数据训练和多语言增强可提升mT5生成质量，但跨语言迁移效果因语言结构而异。
2024-03-14 cs.CL
From Long Videos to Engaging Clips: A Human-Inspired Video Editing Framework with Multimodal Narrative Understanding
University of Science and Technology of China（中国科学技术大学）；ByteDance China（字节跳动中国）
针对现有自动视频编辑依赖文本线索、忽略视觉上下文导致输出不连贯的问题，提出融合多模态叙事理解的HIVE框架，通过场景分割拆分编辑子任务，还构建了DramaAD数据集，实验显示其性能优于基线，缩小了与人工编辑的质量差距。
2025-10-03 cs.CL cs.CV
CRAB: Assessing the Strength of Causal Relationships Between Real-world Events
EPFL（洛桑联邦理工学院）
本研究提出用于评估现实叙事事件因果理解能力的新基准CRAB，含2700对事件细粒度标注，测试发现大语言模型在该任务表现不佳，复杂因果结构下推理能力更弱，相关资源已开源。
2023-11-07 cs.AI cs.CL
TCube: Domain-Agnostic Neural Time-series Narration
Virginia Tech（弗吉尼亚理工大学）；Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）
生成丰富而流畅的叙述，恰当地描述时间序列数据的特征、趋势和异常，这对科学（地质学、气象学、流行病学）或金融（贸易、股票或销售和库存）来说是非常宝贵的。迄今为止，时间序列叙事的努力是特定领域的，并使用预定义的模板，提供一致性，但导致机械叙事。我们提出了TCube（时间序列到文本），一个领域不可知的神经框架的时间序列叙事，耦合的表示基本的时间序列元素的形式，一个密集的知识图谱和翻译的知识图谱到丰富和流畅的叙述，通过迁移学习能力的PLM（预先训练的语言模型）。TCube的设计主要解决了在时间序列的注释训练数据完全缺乏的情况下构建神经框架的挑战。该设计采用知识图谱作为中介的基本时间序列元素，可以线性化的文本翻译表示。据我们所知，TCube是第一个调查使用神经策略的时间序列叙事。通过广泛的评估，我们表明，TCube可以提高词汇多样性的生成的叙述高达65.38%，同时仍然保持语法的完整性。TCube的实用性和可部署性通过专家评审（n=21）进一步验证，其中76.2%的参与专家对自动生成的叙事持谨慎态度，他们认为TCube是一个可部署的时间序列叙事系统，因为它具有更丰富的叙事。我们的代码库、模型和数据集，以及关于可重复性的详细说明，都公开在https://github.com/Mandar-Sharma/TCube上。
2021-10-11 cs.AI cs.CL
Humor in Pixels: Benchmarking Large Multimodal Models Understanding of Online Comics
Singapore University of Technology and Design（新加坡科技设计大学）
本文提出包含2,800个标注多格漫画的基准数据集PixelHumor，用于评估大型多模态模型解读多模态幽默和识别叙事序列的能力，实验表明顶级模型准确率仅61%，远低于人类，揭示了当前模型在视觉与文本线索整合上的关键局限。
2025-09-17 cs.AI cs.CL cs.CV
Detecting and Explaining Causes From Text For a Time Series Event
Language Technology Institute（语言技术研究所）；Carnegie Mellon University（卡内基梅隆大学）
解释事件的潜在原因或影响是一项具有挑战性但有价值的任务。我们定义了一个新的问题，产生一个时间序列事件的解释（1）搜索的原因和影响的时间序列与文本数据的关系和（2）构建它们之间的连接链，以产生一个解释。为了从文本中检测因果特征，我们提出了一种新的方法，基于从文本中提取的特征（如N-gram，主题，情感及其组成）之间的时间序列的Granger因果关系。因果实体序列的生成需要具有高效推理的常识因果知识库。为了确保良好的可解释性和适当的词汇使用，我们结合了符号和神经表征，使用在常识因果元组上训练的神经推理算法来预测下一个原因步骤。我们的定量和人工分析表明，我们的方法成功地提取了有意义的因果关系的时间序列与文本特征之间的实证证据，并产生适当的解释。
2017-07-27 cs.AI cs.CL cs.LG
Causal BERT : Language models for causality detection between events expressed in text
Accenture Labs（埃森哲实验室）
事件之间的因果关系理解是一项关键的自然语言处理任务，在许多领域都有帮助，包括医疗保健、商业风险管理和金融。仔细检查，人们可以发现大量的文本内容，无论是正式文件的形式，还是来自Twitter等社交媒体的内容，都致力于沟通和探索现实世界中的各种因果关系。认识到这些自然语言事件之间的“因果”关系仍然是一个挑战，因为它往往是含蓄地表达。隐含的因果关系很难通过文学中使用的大多数技术来检测，有时也会被认为是模棱两可或模糊的。此外，尽管存在针对此问题的众所周知的数据集，但其中的示例在它们所描述的因果关系的范围和复杂性方面受到限制，特别是当与隐式关系相关时。大多数当代的方法要么是基于词汇语义模式匹配或特征驱动的监督方法。因此，正如预期的那样，这些方法更适合于处理显式因果关系，导致对隐式关系的覆盖范围有限，并且难以概括。在本文中，我们调查的语言模型的能力，因果关系之间的关联事件表达在自然语言文本使用句子上下文结合事件信息，并利用掩蔽事件上下文与域内和域外的数据分布。我们提出的方法在三种不同的数据分布中实现了最先进的性能，并且可以用于从非结构化文本中提取因果图和/或构建事件链。
2021-01-28 cs.AI cs.CL
Natural Language Processing for Cardiology: A Narrative Review
本综述系统梳理2014-2025年心脏病学领域NLP研究，筛选265篇文献从多维度分析，揭示从规则系统到LLM的方法演进，指出可解释LLM、多模态融合等未来方向，是该领域迄今最全面的综述。
2025-10-22 cs.AI cs.CL
iReason: Multimodal Commonsense Reasoning using Videos and Natural Language with Interpretability
Stanford University（斯坦福大学）
因果关系知识对于构建强大的AI系统至关重要。深度学习模型通常在需要因果推理的任务上表现不佳，因果推理通常是使用某种形式的常识知识推导出来的，这些常识知识在输入中不能立即获得，而是由人类隐含地推断出来的。先前的工作已经揭开了虚假的观察偏差，模型在缺乏因果关系的情况下成为牺牲品。虽然语言表征模型在学习的嵌入中保留了上下文知识，但它们在训练过程中没有考虑因果关系。通过将具有输入特征的因果关系混合到执行视觉认知任务（诸如场景理解、视频描述、视频问答等）的现有模型，由于对因果关系的深入了解，可以取得更好的业绩。最近，已经提出了几个模型，已经解决了从视觉或文本模态中挖掘因果数据的任务。然而，并不存在广泛的研究，通过并列的视觉和语言的方式来挖掘因果关系。虽然图像为我们提供了丰富且易于处理的资源来挖掘因果关系知识，但视频更密集，并且由自然的时间顺序事件组成。此外，文本信息提供了视频中可能隐含的细节。我们提出了iReason，一个框架，推断视觉语义常识知识使用视频和自然语言字幕。此外，iReason的架构集成了一个因果合理化模块，以帮助可解释性，错误分析和偏见检测的过程。我们使用语言表示学习模型（BERT，GPT-2）以及当前最先进的多模态因果关系模型进行了双管齐下的比较分析，证明了iReason的有效性。
2021-06-25 cs.AI cs.CL cs.CV
Does Yoga Make You Happy? Analyzing Twitter User Happiness using Textual and Temporal Information
Purdue University（普渡大学）
尽管瑜伽是一种磨练身心的多成分练习，并被认为可以减少焦虑和抑郁，但在社交媒体上对人们与瑜伽相关的情绪状态的理解仍然存在差距。在这项研究中，我们调查练习瑜伽和快乐之间的因果关系，结合使用者的文本和时间信息，使用格兰杰因果关系。为了从文本中找出因果特征，我们测量了两个变量（i）基于内容分析的瑜伽活动水平和（ii）基于情绪状态的幸福水平。为了理解用户的瑜伽活动，我们提出了一个联合嵌入模型的基础上融合的神经网络与注意力机制，利用用户的社会和文本信息。为了测量瑜伽使用者的情绪状态（目标域），我们提出了一种迁移学习方法，从源域上训练的基于注意力的神经网络模型中转移知识。我们在Twitter数据集上的实验表明，有1447名用户“瑜伽格兰杰带来快乐”。
2020-12-05 cs.AI cs.CL cs.CY
SigBERT: Combining Narrative Medical Reports and Rough Path Signature Theory for Survival Risk Estimation in Oncology
Centre de Recherche en Cancérologie de Lyon（Lyon癌症研究中心）；Laboratoire ERIC（ERIC实验室）
针对现有生存分析方法难处理序列文本医疗数据的问题，提出结合BERT嵌入与粗糙路径签名的SigBERT框架，在真实肿瘤数据集上取得0.75的C-index，提升了生存风险评估性能。
2025-07-25 cs.CL cs.CY cs.LG
Paths to Causality: Finding Informative Subgraphs Within Knowledge Graphs for Knowledge-Based Causal Discovery
Fujitsu Limited（富士通有限公司）
针对现有基于大语言模型的知识型因果发现结果不稳定的问题，提出结合知识图谱与大语言模型的方法，通过识别并排序知识图谱中的元路径信息性子图融入零样本提示，在多数据集上F1分数最高提升44.4分。
2025-06-10 cs.AI cs.CL cs.IR
Persona-E$^2$: A Human-Grounded Dataset for Personality-Shaped Emotional Responses to Textual Events
School of Future Technology（未来技术学院）
本文提出Persona-E$^2$数据集，通过标注MBTI和Big Five特质，捕捉读者对新闻、社交媒体和生活叙事的情感变化，发现性格信息显著提升理解，缓解'性格幻觉'。
2026-04-18 cs.AI cs.CL cs.HC
Are Large Language Models Temporally Grounded?
University of Edinburgh（爱丁堡大学）；University of Cambridge（剑桥大学）
本研究通过三个任务评估LLMs的时间常识，发现其显著落后于人类和专门模型，尤其在自一致性上表现不佳，且模型规模扩大无益，表明LLMs缺乏一致的时间模型。
2023-11-16 cs.AI cs.CL
