arXiv cs.CL· Ifeoluwa Kunle-John, Josiah Paul, Oluwatosin Agbaakin, Peter Aina, Ikenna Odezuligbo, Sydney Anuyah·· 13 小时前AI 评分29
PubMedCausal：面向生物医学文本因果关系抽取的跨度级标注语料库
PubMedCausal: A Span-Level Annotated Corpus for Causal Relation Extraction in Biomedical Text
AI 导读
研究者发布 PubMedCausal，一个从 PubMed 摘要构建的跨度级生物医学因果关系抽取语料库，含 30,000 条段落级数据、3,945 条因果行与 6,491 个裁定后的因果对，每条关系标注完整因果跨度、因果类型与句内/跨句属性。
正文 · AI 翻译
摘要：因果关系抽取（CRE）是生物医学文本挖掘的核心任务，但现有资源往往将因果关系与更宽泛的关联混为一谈，将标注限制在句子级示例，或主要关注显式因果线索。这限制了它们在评估模型能否还原生物医学文本中实际表达的因果主张方面的实用性。我们推出 PubMedCausal，这是一个基于 PubMed 摘要构建的、用于生物医学 CRE 的跨度级标注语料库。该语料库包含 30,000 条段落级数据行，其中包括 3,945 条因果行和 6,491 个经裁定的因果对。每条因果关系都标注了全文原因跨度和结果跨度、因果类型以及句内/句间属性，从而支持对因果检测和全跨度因果抽取的评估。我们在检测和抽取设置下对判别式编码器和开源生成式模型进行了基准测试。在因果检测方面，生物医学编码器表现最强，PubMedBERT 的 F$_1$ 分数达到 0.7391。在跨度级抽取方面，最佳的生成式基线是采用少样本提示的 DeepSeek-R1-32B，其 Cosine Pair F$_1$ 达到 0.6765。我们进一步通过在其他因果关系统据集上评估经 PubMedCausal 训练的编码器来测试迁移学习，表明该资源支持跨数据集评估。我们的结果表明，在类别不平衡、长因果跨度、隐式因果、句间关系以及提示敏感性等条件下，生物医学 CRE 仍然困难。代码和数据可在此处获取：this https URL
| 评论： | 发表于 EMNLP 2026。32 页 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2605.28363 [cs.CL] |
| （或 arXiv:2605.28363v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.28363 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026), pp. 40966-40997. Association for Computational Linguistics |
提交历史
来自：Sydney Anuyah [查看邮箱]
[v1]
2026年5月27日星期三 11:59:17 UTC（1,051 KB）
[v2]
2026年10月27日星期二 12:00:25 UTC（1,047 KB）
来源：arXiv cs.CL · arxiv.org