論文の概要: Large Language Models for Causal Relations Extraction in Social Media: A Validation Framework for Disaster Intelligence

• arxiv url: http://arxiv.org/abs/2605.11348v1
• Date: Tue, 12 May 2026 00:07:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.48724
• Title: Large Language Models for Causal Relations Extraction in Social Media: A Validation Framework for Disaster Intelligence
• Title（参考訳）: ソーシャルメディアにおける因果関係抽出のための大規模言語モデル:災害情報のための検証フレームワーク
• Authors: Ujun Jeong, Saketh Vishnubhatla, Bohan Jiang, Andre Harrison, Adrienne Raglin, Huan Liu,
• Abstract要約: 大規模言語モデル(LLM)が災害関連ソーシャルメディア投稿から因果関係を効果的に抽出できるかどうかを検討する。 本研究は,災害対応システムにおける因果関係抽出にLLMを使用する可能性とリスクを両立させるものである。
• 参考スコア（独自算出の注目度）: 10.83315119677514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During disasters, extracting causal relations from social media can strengthen situational awareness by identifying factors linked to casualties, physical damage, infrastructure disruption, and cascading impacts. However, disaster-related posts are often informal, fragmented, and context-dependent, and they may describe personal experiences rather than explicit causal relations. In this work, we examine whether Large Language Models (LLMs) can effectively extract causal relations from disaster-related social media posts. To this end, we (1) propose an expert-grounded evaluation framework that compares LLM-generated causal graphs with reference graphs derived from disaster-specific reports and (2) assess whether the extracted relations are supported by post-event evidence or instead reflect model priors. Our findings highlight both the potential and risks of using LLMs for causal relation extraction in disaster decision-support systems.
• Abstract（参考訳）: 災害時、ソーシャルメディアから因果関係を抽出することで、犠牲者、身体的被害、インフラ破壊、カスケードの影響に関連する要因を特定することで、状況認識を強化することができる。 しかし、災害関連の投稿はしばしば非公式で、断片化され、文脈に依存しており、明示的な因果関係よりも個人的な経験を記述することがある。 本研究では,大規模言語モデル(LLM)が災害関連ソーシャルメディア投稿から因果関係を効果的に抽出できるかどうかを検討する。 そこで本研究では, LLM 生成した因果グラフと災害特定報告から得られた参照グラフを比較し, 抽出した関係が後続の証拠によって支えられているか, あるいはモデル先行を反映しているかを評価する。 本研究は,災害対応システムにおける因果関係抽出にLLMを使用する可能性とリスクを両立させるものである。

関連論文リスト

• Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach [9.175642602891939]
  Causal Assumption-based Argumentation (ABA)は、入力制約と出力グラフの対応性を確保するためにシンボリック推論を使用するフレームワークである。 本稿では,大言語モデル(LLM)をCausal ABAの不完全専門家として活用し,変数名や記述から意味的構造的事前を抽出する方法について検討する。 標準的なベンチマークとセマンティックグラウンドの合成グラフの実験は、最先端の性能を示している。
  論文  参考訳（メタデータ） (2026-02-18T14:15:21Z)
• A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation [59.473751744275496]
  シーングラフ生成(SGG)フレームワークは通常、関係の特徴を抽出する検出器と、それらの関係を分類する分類器を備えている。 このような因果連鎖構造は、検出器の入力と最終的な予測の間に急激な相関をもたらす。 本稿では、因果連鎖構造を逆因果構造に再構築し、分類器の入力を共同創設者として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-05-29T13:57:01Z)
• Causal Cartographer: From Mapping to Reasoning Over Counterfactual Worlds [9.153187514369849]
  因果世界モデルは、関心のある環境に関する反現実的な疑問に答えることができる。 事象の連鎖の背後にある根本原因を理解し、未知の分布に対する因果推論を行う必要がある。 提案手法は推論コストと素早い相関を低減しつつ因果知識を抽出できることを示す。
  論文  参考訳（メタデータ） (2025-05-20T14:14:05Z)
• 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)
• On the Reliability of Large Language Models for Causal Discovery [55.94868919310357]
  本研究では,因果発見におけるLarge Language Models(LLMs)の有効性について検討した。 我々は,新たに利用可能なオープンソースLLM,OLMo,BLOOMを用いて,事前学習コーパスへのアクセスを行う。 i) 正確な因果関係予測のための暗記の影響, (ii) 事前学習データにおける誤った因果関係の影響, (iii) LLMの因果関係に対する理解に影響を与える文脈的ニュアンスについて検討した。
  論文  参考訳（メタデータ） (2024-07-29T01:45:05Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• Causality Extraction from Nuclear Licensee Event Reports Using a Hybrid Framework [3.1139106894905972]
  本稿では,核ライセンスイベントレポートからの因果検出と抽出のためのハイブリッドフレームワークを提案する。 因果関係分析のための20,129のテキストサンプルを用いたLERコーパスをコンパイルし,因果関係検出のための深層学習に基づくアプローチを構築した。
  論文  参考訳（メタデータ） (2024-04-08T16:39:34Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)

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。