Can large language models build causal graphs?

要約

因果関係グラフの構築は、骨の折れるプロセスになる場合があります。
関連するすべての因果経路を確実に把握するために、研究者は多くの場合、広範な関連医学文献を検討しながら、臨床医や専門家と議論する必要があります。
大規模言語モデル (LLM) は、一般的な医学知識をエンコードすることで、潜在的なグラフ内のエッジ (つまり、2 つの変数間の接続) を自動的にスコアリングすることで、このプロセスを容易にする機会を提供します。
ただし、LLM は、ユーザーが使用する詳細な単語、コンテキスト、プロンプトの選択に対して脆弱であることがわかっています。
この研究では、LLM が因果関係グラフの開発を補完する有用なツールになり得るかどうかを評価します。

要約(オリジナル)

Building causal graphs can be a laborious process. To ensure all relevant causal pathways have been captured, researchers often have to discuss with clinicians and experts while also reviewing extensive relevant medical literature. By encoding common and medical knowledge, large language models (LLMs) represent an opportunity to ease this process by automatically scoring edges (i.e., connections between two variables) in potential graphs. LLMs however have been shown to be brittle to the choice of probing words, context, and prompts that the user employs. In this work, we evaluate if LLMs can be a useful tool in complementing causal graph development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google