論文の概要: SemEval-2026 Task 12: Abductive Event Reasoning: Towards Real-World Event Causal Inference for Large Language Models
- arxiv url: http://arxiv.org/abs/2603.21720v1
- Date: Mon, 23 Mar 2026 09:06:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.580554
- Title: SemEval-2026 Task 12: Abductive Event Reasoning: Towards Real-World Event Causal Inference for Large Language Models
- Title（参考訳）: SemEval-2026 Task 12: Acductive Event Reasoning: toward Real-World Event Causal Inference for Large Language Models
- Authors: Pengfei Cao, Mingxuan Yang, Yubo Chen, Chenlong Zhang, Mingxuan Liu, Kang Liu, Jun Zhao,
- Abstract要約: SemEval-2026 Task 12: Acductive Event Reasoning (AER)
我々はAERを、実世界の因果推論の重要な課題を捉えるエビデンスグラウンドの多重選択ベンチマークとして定式化する。
本稿では,タスクの定式化,データセット構築パイプライン,評価設定,システム結果について述べる。
- 参考スコア（独自算出の注目度）: 34.81639485871487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding why real-world events occur is important for both natural language processing and practical decision-making, yet direct-cause inference remains underexplored in evidence-rich settings. To address this gap, we organized SemEval-2026 Task 12: Abductive Event Reasoning (AER).\footnote{The task data is available at https://github.com/sooo66/semeval2026-task12-dataset.git} The task asks systems to identify the most plausible direct cause of a target event from supporting evidence. We formulate AER as an evidence-grounded multiple-choice benchmark that captures key challenges of real-world causal reasoning, including distributed evidence, indirect background factors, and semantically related but non-causal distractors. The shared task attracted 122 participants and received 518 submissions. This paper presents the task formulation, dataset construction pipeline, evaluation setup, and system results. AER provides a focused benchmark for abductive reasoning over real-world events and highlights challenges for future work on causal reasoning and multi-document understanding.
- Abstract（参考訳）: 実世界の出来事が起こる理由を理解することは、自然言語処理と実践的な意思決定の両方において重要であるが、直接原因推論はエビデンスに富んだ環境では未発見のままである。
このギャップに対処するため、SemEval-2026 Task 12: Abductive Event Reasoning (AER)を組織しました。
task data are available at https://github.com/sooo66/semeval2026-task12-dataset.git} このタスクは、対象イベントの最も有効な直接的な原因を証拠から特定するようシステムに求める。
我々は,AERを,実世界の因果推論における重要な課題,例えば分散エビデンス,間接的背景要因,意味論的に関連があるが非因果的注意散らしといった特徴を捉えるエビデンスグラウンドのマルチ選択ベンチマークとして定式化する。
共有作業には122人が参加し、518人が応募した。
本稿では,タスクの定式化,データセット構築パイプライン,評価設定,システム結果について述べる。
AERは現実世界の出来事に対する帰納的推論のベンチマークを提供し、因果推論とマルチドキュメント理解に関する今後の研究の課題を強調している。
関連論文リスト
- AILS-NTUA at SemEval-2026 Task 12: Graph-Based Retrieval and Reflective Prompting for Abductive Event Reasoning [14.20669481486209]
本稿では,SemEval 2026 Task12: Abductive Event Reasoningの3段階制について述べる。
本システムでは, 評価フェーズのリーダーボードにおいて, 精度スコア0.95でランク付けする。
論文 参考訳（メタデータ） (2026-03-04T17:38:52Z) - Causal Graph based Event Reasoning using Semantic Relation Experts [56.328115024900725]
本稿では,大規模言語モデル(LLM)が推論中の因果関係を明確に表現するための並列メカニズムとして,因果事象グラフの生成について検討する。
LLMを用いて特定の意味関係に着目した専門家をシミュレートする因果グラフ生成のための協調的アプローチを提案する。
また、説明にイベントの因果連鎖を必要とする、説明可能なイベント予測タスクも導入する。
論文 参考訳（メタデータ） (2025-06-07T20:15:45Z) - ACCESS : A Benchmark for Abstract Causal Event Discovery and Reasoning [47.540945048737434]
我々は、抽象因果イベントの発見と推論のために設計されたベンチマークである textttACCESS を紹介する。
本稿では,暗黙的なコモンセンス因果的知識の大規模データセットから,イベント一般化のための抽象化を識別するためのパイプラインを提案する。
論文 参考訳（メタデータ） (2025-02-12T06:19:02Z) - Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
世界の知識と論理的推論の相互作用について検討する。
最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。
タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
論文 参考訳（メタデータ） (2024-10-31T12:48:58Z) - MAVEN-Fact: A Large-scale Event Factuality Detection Dataset [55.01875707021496]
我々は,MAVENデータセットに基づく大規模かつ高品質なEFDデータセットであるMAVEN-Factを紹介する。
MAVEN-Factには112,276のイベントのファクトリティアノテーションが含まれており、EFDデータセットとしては最大である。
MAVEN-Factは従来の微調整モデルと大規模言語モデル(LLM)の両方において困難であることを示す実験結果が得られた。
論文 参考訳（メタデータ） (2024-07-22T03:43:46Z) - Multi-Query Focused Disaster Summarization via Instruction-Based
Prompting [3.6199702611839792]
CrisisFACTSは,マルチストリームファクトフィンディングに基づく災害要約の推進を目的としている。
ここでは、いくつかの災害関連事象から重要な事実を抽出できるシステムを開発するよう、参加者に依頼する。
本稿では,この課題に対処する方法について述べる。
論文 参考訳（メタデータ） (2024-02-14T08:22:58Z) - Event Causality Extraction with Event Argument Correlations [13.403222002600558]
Event Causality extractは、プレーンテキストから因果関係のイベント因果関係のペアを抽出することを目的としている。
本稿では,ECE の時間内および時間内引数相関を捉えるための二重グリッドタギング方式を提案する。
論文 参考訳（メタデータ） (2023-01-27T09:48:31Z) - IAM: A Comprehensive and Large-Scale Dataset for Integrated Argument
Mining Tasks [59.457948080207174]
本稿では,一連の議論マイニングタスクに適用可能なIAMという,包括的で大規模なデータセットを提案する。
データセットの70k近い文は、引数特性に基づいて完全に注釈付けされている。
議論準備プロセスに関連する2つの新しい統合された議論マイニングタスクを提案する。(1) 姿勢分類付きクレーム抽出(CESC)と(2) クレーム・エビデンス・ペア抽出(CEPE)である。
論文 参考訳（メタデータ） (2022-03-23T08:07:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。