Can LLMs Identify Event Causality More Accurately through Debate? A Systematic Assessment of LLMs’ Factuality and Reasoning
Notice bibliographique
Résumé
Event Causality Identification (ECI) aims to determine both the existence and direction of a causal relation between two events. Given the remarkable capabilities of large language models (LLMs) in various natural language processing (NLP) tasks, several studies have explored their performance in the ECI task. However, applying LLMs to the ECI task carries risks, as their generations often contain factual and reasoning errors. Due to the powerful capabilities of debate, some studies have leveraged it to mitigate these issues. However, debate can sometimes lead LLMs to generate even more errors, suggesting that debate may not effectively enhance the quality of LLMs’ generations. Therefore, we propose a novel debate framework for LLMs in the ECI task to validate whether LLMs can identify event causality more accurately through debate. As LLMs’ generations often mix correct information with factual and reasoning errors, binary judgments on their generations may not fully reveal their potential in real-world use cases. And factual errors reflect flaws in the factuality of LLMs’ generations, while reasoning errors reveal weaknesses in their reasoning abilities. Therefore, we propose a Fine-Grained Factuality Score (FGFS) to better evaluate the factuality of LLMs’ generations and a Fine-Grained Reasoning Score (FGRS) to assess their reasoning abilities more effectively. Additionally, we redefine factuality and correct reasoning for LLMs’ generations at a fine-grained level to ensure more precise evaluation results for our metrics. Finally, considering the lack of automated evaluation for FGFS and FGRS and the time-consuming and costly nature of human evaluation, we propose automated methods for both proposed metrics and validate their superior performance by human expertise.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,181 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,020 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».