Causality Elicitation from Large Language Models
从大语言模型中提取因果关系假说AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要使用因果发现方法构造候选因果图，但研究对象是语言模型中的假说而非已识别的现实效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
从大语言模型中提取因果关系假说
- 研究问题
- 论文研究如何把大语言模型参数中隐含的因果认识，转化为可检查的事件变量和候选因果图，以展示模型可能接受的关系假说。
- 方法与思路
- 作者依次生成主题文档、抽取事件、合并规范事件并形成文档级二元指标，再通过因果发现方法估计候选因果图。
- 材料陈述的贡献
- 摘要所述贡献是将模型可能持有的因果假说组织为可审查的变量与图结构，同时明确该流程不保证识别真实世界因果关系。
- 阅读关注点
- 应核对文档生成策略、事件归并规则和因果发现假设，并检查候选图对模型版本、提示变化及重复生成的敏感性。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；作者明确不保证现实因果性，摘要也未提供外部验证结果。
原文摘要
Large language models (LLMs) are trained on enormous amounts of data and encode knowledge in their parameters. We propose a pipeline to elicit causal relationships from LLMs. Specifically, (i) we sample many documents from LLMs on a given topic, (ii) we extract an event list from from each document, (iii) we group events that appear across documents into canonical events, (iv) we construct a binary indicator vector for each document over canonical events, and (v) we estimate candidate causal graphs using causal discovery methods. Our approach does not guarantee real-world causality. Rather, it provides a framework for presenting the set of causal hypotheses that LLMs can plausibly assume, as an inspectable set of variables and candidate graphs.