Erkennen und Abmildern von Wissenskonflikten bei der zeitlichen Ereignisanalyse
Ereignistemporal-Analyse zielt darauf ab, die zeitlichen Beziehungen zwischen Ereignissen in Narrativen zu identifizieren. Allerdings treten Wissenskonflikte auf, wenn es eine Diskrepanz zwischen den tatsächlichen zeitlichen Beziehungen der Ereignisse im Kontext und dem erlernten Vorwissen oder den Verzerrungen des Modells gibt. In dieser Arbeit schlagen wir vor, Beispiele für Wissenskonflikte in der Ereignistemporal-Analyse unter Verwendung von Verzerrungsindikatoren zu erkennen, die Ereignisbeziehungspriorisierung, Tempusverzerrung, Narrativverzerrung und Abhängigkeitsverzerrung umfassen. Um ereignisbezogene Wissenskonflikte abzumildern, führen wir eine Methode der kontrafaktischen Datenaugmentierung (CDA) ein, die sowohl auf vortrainierten Sprachmodellen (PLMs) als auch auf großen Sprachmodellen (LLMs) entweder als zusätzliche Trainingsdaten oder als Demonstrationen für das In-Context-Lernen angewendet werden kann.