该论文总结了 17 个团队提交的结果以及 12 篇系统描述论文，介绍了他们在 CASE 2022 的事件因果性识别共享任务的表现。最好的 F1 分数分别为 86.19％和 54.15％，所有表现最佳的方法都涉及针对目标任务进行微调的预先训练的语言模型。本文还讨论了这些方法并分析了参与者系统中的错误。

Nov, 2022

该论文探讨了一种利用编码器 - 解码器框架和指针网络实现因果关系提取的生成式方法，并使用金融领域的因果数据集进行实验，结果表现出了极高的性能水平。

Apr, 2022

该论文研究了利用基于 BERT 模型的自动化抽取技术进行抗议新闻因果关系检测的方法，提出了利用自定义的交叉熵损失函数的方法，实验结果表明 BERT-based-uncased 在 Causal News Corpus 数据集上的 F1 分数达到了 0.8501。

Oct, 2022

提出 UniCausal 标准化数据集作为因果文本挖掘的基准，包括因果序列分类、原因 - 结果跨度检测和因果对分类等三项任务，并利用 BERT 预训练模型作为初始基准测试，取得了不同任务的二元 F1 分数，为研究人员提供了一个有利的研究平台。

Aug, 2022

通过基于预训练变换器、序列标注和合成数据增强的系统，我们在 Subtask 1 中排名第三，在 F1 得分为 72.8 的情况下赢得了 Subtask 2，较第二名系统高出 13 个百分点。

Dec, 2023

该研究提出了一种用于事件因果关系注释的注释模式，为此构建了一个名为 Causal News Corpus（CNC）的语料库，并使用神经网络在测试集上获得了 81.20％ F1 得分，CNC 是对外部语料库可转移的，也是文本挖掘研究人员的有价值资源。

Apr, 2022

本文描述了我们在 CASE-2022 中参加亚任务 1: 使用正式新闻语料库的事件因果关系识别。我们通过利用一组简单但互补的技术，在少量有注释的示例（即少数派配置）上对语言模型（LM）进行微调，从而解决了因果关系识别（CRI）任务。我们比较了这种方法与在整个数据集上训练的集成技术的表现。我们的表现最佳的提交仅使用了每类 256 个实例的微调，占所有可用数据的 15.7％，而且具有次佳的精度（0.82），第三高的准确度（0.82），F1 分数（0.85）非常接近胜利团队所报道的（0.86）。

Sep, 2022

本文介绍了一种新的精细化因果推理数据集，并在自然语言处理中提出了一系列新的预测任务，例如因果检测、事件因果提取和因果问答。作者通过大量实验和分析表明，数据集中的复杂关系对最先进的方法带来了独特的挑战，并强调了潜在的研究机会，特别是在发展 "因果思维" 方法方面。

Apr, 2022

本文描述了解决 SemEval-2020 任务 5 的努力，该任务涉及检测称为反事实的一类文本表达式并将其分解为其组成部分。

Jul, 2020

本文介绍了我们在 CASE-2022 下共享任务 Subtask 2 的提交，即使用 Casual News Corpus 进行事件因果性识别。我们使用预先训练的自回归语言模型 T5，通过迭代方法识别句子中的 cause-effect-signal spans。尽管训练样本非常少，仅有 160 个样本，但我们的方法在比赛中表现出竞争力，排名第二。此外，我们表明假设 cause→effect 或 effect→cause 顺序可以获得类似的结果。

Sep, 2022