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

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

本文介绍了我们参加 EMNLP 2022 的 CASE 研讨会的情况，利用自我训练方法解决了事件因果关系检测的问题，并验证了在不同训练集数量下模型性能的变化，结果表明自我训练可以显著提高模型性能，代码可在此 https 链接中公开获取。

Nov, 2022

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

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

本文总结了在 EMNLP 2022 范围内举行的 CASE 工作坊的第五届会议，该工作坊聚焦于跨技术和社会科学领域的事件信息收集和多模态方法对该跨学科研究主题的拓展。

Nov, 2022

该研究介绍了 CASE 2022 共享任务 1 的结果，重点关注跨语言抗议事件检测和多语言文档分类模型的开发，提出了一种基于集合模型的零 - shot 学习方案，并在 CASE2021 测试数据上表现出卓越的性能。

Nov, 2022

本文提出了一种阅读理解模型和模型微调方法，并使用基于语言模型的数据增强技术和高效的 beam-search 后处理策略，达到了 CASE 竞赛中基准模型的平均 F1 得分 54.15，并获得了第一名。

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