論文の概要: Contextual Causality with Large Language Models: A Survey

• arxiv url: http://arxiv.org/abs/2609.22409v1
• Date: Fri, 18 Sep 2026 16:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.383501
• Title: Contextual Causality with Large Language Models: A Survey
• Title（参考訳）: 大規模言語モデルを用いた文脈因果性の調査
• Abstract要約: 本稿では,意味的・介入的・反事実的因果関係からなる文脈因果関係の分類法を提案する。 既存の研究を分析し、それらの重要な限界について論じる。 我々のゴールは、LLMによる文脈因果関係の研究状況を明確にし、その重要性を強調し、将来有望な方向性を明らかにすることである。
• 参考スコア（独自算出の注目度）: 3.580435141706303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding contextual causality is critical for large language models (LLMs), as it enables them to accurately identify causal relations in specific situations and support more reliable decision-making. Despite its significance, a systematic exploration of contextual causality with LLMs is still lacking. To fill this gap, we present a comprehensive survey on this topic. In this survey, we first propose a taxonomy of contextual causality, consisting of semantic, intervention, and counterfactual causality, and characterize each category by its core causal question, required model capabilities, representative tasks, and practical uses in causality analysis. We then analyze existing studies and discuss their key limitations. Finally, we examine the gaps between current benchmarks and real-world needs and outline promising directions for future research. Our goal is to clarify the research landscape of contextual causality with LLMs, emphasize its importance, and highlight promising future directions.
• Abstract（参考訳）: 文脈因果関係を理解することは、大きな言語モデル(LLM)にとって重要であり、特定の状況における因果関係を正確に識別し、より信頼性の高い意思決定を支援する。 その重要性にもかかわらず、LLMによる文脈因果関係の体系的な探索はいまだに欠如している。 このギャップを埋めるために、このトピックに関する総合的な調査を示す。 本稿ではまず,意味的・介入的・反事実的因果関係からなる文脈因果関係の分類法を提案し,それぞれのカテゴリーをその中核的因果問題,必要モデル能力,代表的課題,そして因果関係解析における実践的利用によって特徴付ける。 そして、既存の研究を分析し、それらの重要な限界について議論する。 最後に,現在のベンチマークと実世界のニーズのギャップについて検討し,今後の研究に向けた有望な方向性を概説する。 我々のゴールは、LLMによる文脈因果関係の研究状況を明確にし、その重要性を強調し、将来有望な方向性を明らかにすることである。

関連論文リスト

• CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
  そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。 CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。 回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T18:06:15Z)
• Do Large Language Models Show Biases in Causal Learning? Insights from Contingency Judgment [0.1547863211792184]
  因果学習は因果推論を行う能力を開発するための認知過程である。 このプロセスは、因果関係の錯覚のような誤りや偏見がちである。 この認知バイアスは多くの社会的問題を解決するために提案されている。
  論文  参考訳（メタデータ） (2025-10-15T18:09:00Z)
• Disambiguation in Conversational Question Answering in the Era of LLMs and Agents: A Survey [54.90240495777929]
  自然言語処理(NLP)におけるあいまいさは依然として根本的な課題である LLM(Large Language Models)の出現により、あいまいさに対処することがさらに重要になった。 本稿では,言語駆動システムにおけるあいまいさの定義,形態,含意について考察する。
  論文  参考訳（メタデータ） (2025-05-18T20:53:41Z)
• 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)
• CausalEval: Towards Better Causal Reasoning in Language Models [16.55801836321059]
  因果推論(CR)は知性の重要な側面であり、問題解決、意思決定、世界理解に不可欠である。 言語モデル(LM)は出力に対して有理性を生成することができるが、因果推論を確実に行う能力はいまだに不確実である。 因果推論のためのLMの強化を目的とした研究のレビューであるCausalEvalを紹介する。
  論文  参考訳（メタデータ） (2024-10-22T04:18:19Z)
• The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning [70.16523526957162]
  常識の因果関係を理解することは、人々が現実世界の原理をよりよく理解するのに役立ちます。 その重要性にもかかわらず、このトピックの体系的な探索は特に欠落している。 本研究の目的は、体系的な概要の提供、最近の進歩に関する学者の更新、初心者のための実践的なガイドを提供することである。
  論文  参考訳（メタデータ） (2024-06-27T16:30:50Z)
• The Mystery of In-Context Learning: A Comprehensive Survey on Interpretation and Analysis [20.142154624977582]
  In-context Learning (ICL) 機能により、大規模な言語モデルが実演例を通じて習熟できる。 本稿では,文脈内学習の解釈と分析について,徹底的な調査を行う。 我々は,本研究が,文脈内学習の解釈のさらなる探求の基盤となると信じている。
  論文  参考訳（メタデータ） (2023-11-01T02:40:42Z)
• Causal Inference in Natural Language Processing: Estimation, Prediction, Interpretation and Beyond [38.055142444836925]
  学術分野にまたがる研究を集約し、より広い自然言語処理の現場に配置する。 本稿では,因果効果を推定する統計的課題を紹介し,テキストを結果,治療,あるいはコンバウンディングに対処するための手段として用いるような設定を包含する。 さらに, NLPモデルの性能, 堅牢性, 公正性, 解釈可能性を向上させるために, 因果推論の潜在的利用について検討する。
  論文  参考訳（メタデータ） (2021-09-02T05:40:08Z)
• Towards Causal Representation Learning [96.110881654479]
  機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。 現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
  論文  参考訳（メタデータ） (2021-02-22T15:26:57Z)

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。