論文名稱：e-CARE: a New Dataset for Exploring Explainable Causal Reasoning

1. 簡(jiǎn)介

因果推理是人類的一項(xiàng)核心認(rèn)知能力。借助因果推理能力，人類得以理解已觀測(cè)到的各種現(xiàn)象，并預(yù)測(cè)將來可能發(fā)生的事件。然而，盡管當(dāng)下的各類因果推理模型已經(jīng)在現(xiàn)有的因果推理數(shù)據(jù)集上取得了令人印象深刻的性能，然而，這些模型與人類的因果推理能力相比仍存在顯著差距。

造成這種差距的原因之一在于，當(dāng)下的因果推理模型往往僅能夠從數(shù)據(jù)中捕獲到經(jīng)驗(yàn)性的因果模式，但是人類則能夠進(jìn)一步追求于對(duì)于因果關(guān)系的相對(duì)抽象的深入理解。如圖1中例子所示，當(dāng)觀察到原因事件: 將石頭加入鹽酸造成結(jié)果：石頭溶解 之后，人類往往不會(huì)停留在經(jīng)驗(yàn)性地觀察現(xiàn)象這一層面，而會(huì)進(jìn)一步深入思考，為什么這一現(xiàn)象能夠存在？通過種種手段，最終得到一個(gè)概念性的解釋，即酸具有腐蝕性。值得注意的是，這一對(duì)于因果現(xiàn)象的概念性解釋是超越具體的現(xiàn)象本身，能夠解釋一系列相關(guān)現(xiàn)象的。借助此類解釋信息，模型將可能產(chǎn)生對(duì)于因果命題的更加深入的理解。

雖然這種概念性解釋在因果推理過程中具有相當(dāng)?shù)闹匾?，迄今的因果推理?shù)據(jù)集中尚未具備這一信息以支撐訓(xùn)練更強(qiáng)的、更接近人類表現(xiàn)的因果推理模型。為此，我們提供了一個(gè)人工標(biāo)注的可解釋因果推理數(shù)據(jù)集( explainable CAusal REasoning dataset, e-CARE)。e-CARE數(shù)據(jù)集包含超過2萬個(gè)因果推理問題，這使得e-CARE成為目前最大的因果推理數(shù)據(jù)集。并且對(duì)于每個(gè)因果推理問題，提供了一個(gè)自然語言描述的，有關(guān)于因果關(guān)系為何能夠成立的解釋。下表提供了一個(gè)e-CARE數(shù)據(jù)集的例子。

依托于e-CARE數(shù)據(jù)集，在傳統(tǒng)的多項(xiàng)選擇式的因果推理任務(wù)之外，我們還進(jìn)一步提出了一個(gè)因果解釋生成任務(wù)，即給定一個(gè)因果事件對(duì)，模型需要為這個(gè)因果事件對(duì)生成合理的解釋，并提出了一個(gè)新指標(biāo)衡量解釋生成的質(zhì)量。

2. 基于e-CARE的因果推理相關(guān)任務(wù)

基于e-CARE數(shù)據(jù)集，我們提出了兩個(gè)任務(wù)以評(píng)價(jià)模型因果推理能力：

1. 因果推理任務(wù)
2. 解釋生成任務(wù)

2.1 因果推理:

這一任務(wù)要求模型從給定的兩個(gè)候選hypothesis中選出一個(gè)，使得其與給定的premise構(gòu)成一個(gè)合理的因果事實(shí)。例如，如下例所示，給定premise "Tom holds a copper block by hand and heats it on fire.", hypothesis 1 "His fingers feel burnt immediately."能夠與給定premise構(gòu)成合理的因果事件對(duì)。

{
"index":"train-0",
"premise":"Tomholdsacopperblockbyhandandheatsitonfire.",
"ask-for":"effect",
"hypothesis1":"Hisfingersfeelburntimmediately.",
"hypothesis2":"Thecopperblockkeepsthesame.",
"label":1
}

2.2 解釋生成:

這一任務(wù)要求模型為給定的由<原因，結(jié)果>構(gòu)成的因果事件對(duì)生成一個(gè)合理解釋，以解釋為何該因果事件對(duì)能夠存在。例如, 給定因果事件對(duì)<原因: Tom holds a copper block by hand and heats it on fire. 結(jié)果: His fingers feel burnt immediately.>, 模型需要生成一個(gè)合理的解釋，如"Copper is a good thermal conductor."。

{
"index":"train-0",
"cause":"Tomholdsacopperblockbyhandandheatsitonfire.",
"effect":"Hisfingersfeelburntimmediately.",
"conceptual_explanation":"Copperisagoodthermalconductor."
}

3. 數(shù)據(jù)集統(tǒng)計(jì)信息

• 問題類型分布

• 解釋信息數(shù)量

4. 解釋生成質(zhì)量評(píng)價(jià)指標(biāo)CEQ Score

當(dāng)用于評(píng)價(jià)解釋生成的質(zhì)量時(shí)，經(jīng)典的生成質(zhì)量自動(dòng)評(píng)價(jià)指標(biāo)，如BLEU，Rough等僅從自動(dòng)生成的解釋與給定的人工標(biāo)注的解釋的文本或語義相似度來評(píng)判解釋生成的質(zhì)量。但是，理想的解釋生成質(zhì)量評(píng)價(jià)指標(biāo)需要能夠直接評(píng)價(jià)自動(dòng)生成的解釋是否恰當(dāng)?shù)亟忉屃私o定的因果事實(shí)。為此，我們提出了一個(gè)新的解釋生成質(zhì)量評(píng)價(jià)指標(biāo)CEQ Score (Causal Explanation Quality Score)。

簡(jiǎn)言之，一個(gè)合理的解釋，需要能夠幫助預(yù)測(cè)模型更好理解因果事實(shí)，從而更加合理準(zhǔn)確地預(yù)測(cè)給定事實(shí)的因果強(qiáng)度。其中因果強(qiáng)度是一個(gè)[0,1]之間的數(shù)值，衡量給定因果事實(shí)的合理性。因此，對(duì)于確證合理的因果事實(shí)，其因果強(qiáng)度應(yīng)該等于1.

因此，我們可以通過衡量生成的解釋能夠?yàn)橐蚬麖?qiáng)度的度量帶來何種程度的增益，來衡量解釋生成的質(zhì)量。因此，我們將CEQ定義為：

其中，和分別是原因與結(jié)果，是因果強(qiáng)度預(yù)測(cè)模型度量的原始的因果強(qiáng)度，是給定解釋后，因果預(yù)測(cè)模型給出的因果強(qiáng)度。

值得注意的是，這一指標(biāo)依賴于具體的因果強(qiáng)度預(yù)測(cè)方式的選取，以及如何將解釋信息融入因果強(qiáng)度預(yù)測(cè)過程。在本文中，我們選擇基于統(tǒng)計(jì)的、不依賴具體模型的因果強(qiáng)度預(yù)測(cè)方式CausalNet[5]。CausalNet能夠依賴大語料上的統(tǒng)計(jì)信息，得到給定原因與結(jié)果間的因果強(qiáng)度。而為將解釋信息融因果強(qiáng)度預(yù)測(cè)過程以得到，我們定義（其中+為字符串拼接操作）：

5. 數(shù)據(jù)集下載與模型性能評(píng)價(jià)

5.1 數(shù)據(jù)集下載

模型的訓(xùn)練與開發(fā)集可在以下鏈接下載: https://github.com/Waste-Wood/e-CARE/files/8242580/e-CARE.zip

5.2 模型性能評(píng)測(cè)

為提升方法結(jié)果的可比性，我們提供了leaderboard用以評(píng)測(cè)模型性能：https://scir-sp.github.io/

6. 實(shí)驗(yàn)結(jié)果

6.1 因果推理

表1 因果推理實(shí)驗(yàn)結(jié)果

針對(duì)多項(xiàng)選擇式的因果推理任務(wù)，我們利用一系列預(yù)訓(xùn)練語言模型(均為base-sized版本)進(jìn)行了實(shí)驗(yàn)。我們使用準(zhǔn)確率衡量模型性能。其中，ALBERT取得了最高性能，但是和人類表現(xiàn)(92%)仍有較大差距。這顯示e-CARE所提供的因果推理任務(wù)仍為一相對(duì)具有挑戰(zhàn)性的任務(wù)。

6.2 解釋生成

表2 解釋生成實(shí)驗(yàn)結(jié)果

為測(cè)試模型在給定因果事實(shí)后生成合理的解釋的能力，我們利用經(jīng)典的GRU-Seq2Seq模型以及GPT2進(jìn)行了解釋生成實(shí)驗(yàn)。其中，我們使用自動(dòng)評(píng)價(jià)指標(biāo)AVG-BLEU、ROUGH-l、PPL，以及人工評(píng)價(jià)衡量生成質(zhì)量。由表2可得，雖然相比于GRU-Seq-Seq，GPT2性能有明顯提高，但是和人類生成的解釋質(zhì)量相比仍存在巨大差距，尤其在人工評(píng)價(jià)指標(biāo)上。這顯示，深度理解因果事實(shí)，并為此生成合理解釋仍是相當(dāng)具有挑戰(zhàn)性的任務(wù)。而無法深度理解因果事實(shí)也可能是阻礙當(dāng)前的因果推理模型性能進(jìn)一步提高的主要因素之一。另一方面，這也一定程度顯示所提出的解釋生成質(zhì)量評(píng)價(jià)指標(biāo)CEQ的合理性。

7. 潛在研究方向

7.1 作為因果知識(shí)庫

因果知識(shí)對(duì)于多種NLP任務(wù)具有重要意義。因此，e-CARE中包含的因果知識(shí)可能能夠提升因果相關(guān)任務(wù)上的模型性能。為了驗(yàn)證這一點(diǎn)，我們首先在e-CARE上微調(diào)了e-CARE模型，并將微調(diào)后的模型(記作BERT_E)分別 遷移至因果抽取數(shù)據(jù)集EventStoryLine[1]、兩個(gè)因果推理數(shù)據(jù)集BECauSE 2.0[2]和COPA[3]，和一個(gè)常識(shí)推理數(shù)據(jù)集CommonsenseQA[4]上，并觀察模型性能。如下表所示，e-CARE微調(diào)后的模型在四個(gè)因果相關(guān)任務(wù)上均表現(xiàn)出了更好性能。這顯示e-CARE能夠提供因果知識(shí)以支撐相關(guān)任務(wù)上的性能。

表3 知識(shí)遷移實(shí)驗(yàn)結(jié)果

7.2 支持溯因推理

前期研究將解釋生成過程總結(jié)為一個(gè)溯因推理過程。并強(qiáng)調(diào)了溯因式的解釋生成的重要性，因?yàn)樗梢耘c因果推理過程相互作用，促進(jìn)對(duì)因果機(jī)制的理解，提高因果推理的效率和可靠性。

例如，如下圖所示，人們可能會(huì)觀察到 C1: 將巖石加入鹽酸中 導(dǎo)致 E1: 巖石溶解。通過溯因推理，人們可能會(huì)為上述觀察提出一個(gè)概念性解釋，即酸具有腐蝕性。之后，可以通過實(shí)驗(yàn)驗(yàn)證，或者外部資料來確認(rèn)或糾正解釋。通過這種方式，關(guān)于因果關(guān)系的知識(shí)可以被引入到因果推理過程中。如果解釋得到證實(shí)，它可以通過幫助解釋和驗(yàn)證其他相關(guān)的因果事實(shí)，來進(jìn)一步用于支持因果推理過程，例如 C2：將鐵銹加入硫酸可能導(dǎo)致 E2：鐵銹溶解。這顯示了概念解釋在學(xué)習(xí)和推斷因果關(guān)系中的關(guān)鍵作用，以及 e-CARE 數(shù)據(jù)集在提供因果解釋并支持未來對(duì)更強(qiáng)大的因果推理系統(tǒng)的研究中可能具有的意義。

圖1 溯因推理與因果推理關(guān)系示意圖

8. 結(jié)論

本文關(guān)注于因果推理問題中的可解釋性。針對(duì)這一點(diǎn)，本文標(biāo)注了一個(gè)可解釋因果推理數(shù)據(jù)集e-CARE，這一數(shù)據(jù)集包含21K因果推理問題，并為每個(gè)問題提供了一個(gè)解釋因果關(guān)系為何能夠成立的自然語言形式的解釋。依托于這一數(shù)據(jù)集，我們進(jìn)一步提出了一個(gè)因果推理和一個(gè)因果生成任務(wù)。實(shí)驗(yàn)顯示，當(dāng)前的預(yù)訓(xùn)練語言模型在這兩個(gè)任務(wù)上仍面臨較大困難。

歡迎大家共同推動(dòng)因果推理領(lǐng)域的研究進(jìn)展！