该研究提出并介绍一项计算机任务，即 SemEval-2020 第 5 项共享任务，该任务通过两个子任务为自然语言文本中的反事实语句的识别提供基准，其中第一子任务确定一个句子是否为反事实陈述，第二子任务要求识别出一个反事实陈述中的前置条件和结果，该任务旨在连接人类认知系统中的前后因果关系。
Aug, 2020
本论文介绍了 BUT-FIT 在 SemEval-2020 任务 5 中的提交，即对语言中的因果推理进行建模，包括检测逆事实是否存在，以及从文本中提取逆事实的前因后果部分。研究者们针对语言表示模型进行了实验，结果表明 RoBERTa 能够在两个子任务中表现出色。最终，BUT-FIT 在第二个子任务 “逆事实前因后果提取” 中获得了第一名，并在 “逆事实检测” 中排名第二。
Jul, 2020
该论文介绍了 ISCAS 的系统在 SemEval 2020 任务 5 的两个子任务中的表现，基于预先训练的 transformers，第一个子任务使用基于 transformers 的分类器来检测反事实陈述，第二个子任务将先决条件和后果提取为一个基于查询的问答问题，两个子系统在评估中都获得了第三名。我们的系统是公开发布的。
Sep, 2020
本研究提出了反事实推理模型，在学习少量反事实样本的基础上，通过生成对于每个正面事实样本的代表性反事实样本，并使用回顾模块根据对比反事实和正事实样本来检查模型预测，从而模拟对于困难测试样本的人类反事实思维。该方法在情感分析和自然语言推理方面的广泛实验验证了其有效性。
Jun, 2021
本文提出了一种反事实的故事重写模型，用于通过改变故事的最小部分，使其与另一事件相容，并介绍了一种新的可用于评估该模型的数据集 TimeTravel。
Sep, 2019
通过在文本表示空间进行干预的简单方法生成对抗事实，以用于分类器解释和偏见缓解。
Feb, 2024
本文提出了一种基于深度神经网络的自然语言解释方法用于图像的分类，其中通过缺失证据来产生反事实解释，并提出了自动度量以分析所生成的反事实解释。
Jun, 2018
通过调查五种预训练语言模型在特殊条件下进行的逆向推理，发现这种逆向推理主要受到基于单词关联的影响，只有 GPT-3 能够展现对语言细微差别的敏感性。
May, 2023
本文介绍了一种使用大型语言模型生成对抗样本的方法，该方法克服了现有方法的局限性，能够产生复杂的对抗样本，并在 Civil Comments 数据集上比较了各种方法的性能和价值，并展示了其在评估毒性分类器方面的价值。
Jun, 2022
提出了一种自动产生对立数据的方法，基于此数据增广训练集可以有效提高 NLP 模型的性能。