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

本研究旨在引入抽象因果推理（ACRE）数据集并使用四种类型问题系统地评估现有视觉系统在因果诱导中的表现，并发现纯神经模型更倾向于关联策略而神经符号组合在反向阻塞推理方面存在困难，这些不足需要更具全面性的因果诱导模型的未来研究。

Mar, 2021

提出了一种新的名为 CARE 的框架，它通过使用 Conditional Variational Graph Auto-Encoder (CVGAE) 来推理所有可能的因果关系，并采用多源注意力机制来将这些因果关系注入到共情型对话响应生成中，实验结果表明该方法取得了最先进的性能。

Nov, 2022

本研究引入了三种不同类型的解释数据集，发现基于 BERT 分类器的方法能够显著提高解释质量，同时通过使用广义推理链，使得对某些扰动更具鲁棒性。

Oct, 2020

提出了一种新颖的架构称为 “具有反事实分析的上下文感知推理增强框架”，通过将显式和隐式因果推理相结合，利用 ConceptNet 和反事实语句来提高因果推理和可解释性，进一步提供对因果关系的深度理解和促进可解释性。

Feb, 2024

从文献中提取细粒度实验结果可以为科学应用提供巨大效益，而本研究聚焦于生物医学领域，提出了一种新的信息抽取数据集 CARE （临床聚合导向结果抽取），以提取临床发现结果。在该数据集上对多种最先进的信息抽取系统进行了性能评估，结果表明本数据集的困难之处，尤其是关系抽取方面。

Nov, 2023

本文中，我们提出了一个新的数据集和用户模拟器 e-QRAQ（可解释的查询、推理和回答问题），该数据集测试了代理的读取模糊文本的能力，通过提问来回答挑战性问题并解释其问题和答案的推理。我们使用端到端记忆网络来训练一个神经结构，以成功地生成对问题的预测和部分解释，并发现预测和解释的质量之间存在着很强的相关性。

Aug, 2017

介绍了一个 230k 的社交媒体帖子数据集 CARE$_{db}$，通过 Common Affective Response（CARE）方法进行标注，旨在预测社交媒体帖子在用户中引起的情感反应，并使用该数据集训练基于 BERT 的模型预测情感反应以及情感检测。

Jan, 2022

开发能够解决人类对因果性问题的 AI 代理的关键是建立一个全面的自然因果问题数据集。为了填补现有数据集的缺口，作者提出了 CausalQuest 数据集，该数据集包含了来自社交网络、搜索引擎和 AI 助手的 13500 个自然发生的问题。通过人工标注和大型语言模型的协作努力，研究团队成功标记了该数据集，并训练了高性能的因果问题分类器。未来的研究可以在这个数据集和模型的基础上展开。

May, 2024

本文提出了 CauSeRL 方法，基于自我监督和对比转移策略，通过利用外部因果语句来识别事件因果关系，实现从环境上学习因果模式并提高模型的性能。实验结果表明，该方法在 EventStoryLine 和 Causal-TimeBank 上比先前研究的方法分别提高 2.0 和 3.4 个 F1 值点。

Jun, 2021