激发隐式言论关系注释
内容提要
该文综述ChatGPT在话语分析中的表现：识别因果关系较强，但理解时间顺序和对话结构较弱；话题分割尚可，话语关系识别与隐含推理仍需提高。研究提出多任务学习、连词预测、回译增数据等方法改进隐式语篇关系分类。
延伸解读
ChatGPT在话语分析中的能力边界
文章综合多项评估指出，ChatGPT在识别因果关系上表现较强，但在理解事件时间顺序和对话结构方面明显较弱。话题分割任务尚可，而话语关系识别与隐含推理仍需提高。这提示读者，尽管大模型在部分话语分析任务上展现潜力，但其对时序和深层结构的理解仍存在局限，不宜过度依赖。
改进隐式语篇关系分类的可行路径
针对隐式语篇关系分类这一难点，研究提出了多任务学习、连词预测和回译增数据等方法。其中，连词预测通过生成连接词辅助分类，在多个数据集上优于基线；回译技术则利用多语言翻译扩充训练数据。这些方法为提升模型性能提供了具体方向，但实际效果需结合任务和数据进一步验证。
隐含推理挑战的深层原因
文章引用研究指出，模型在隐含推理问答上表现不佳，但在推断隐含关系方面较好。这表明挑战不仅在于规划推理策略，还在于同时进行信息检索和推理。这一发现揭示了当前模型处理隐含关系时的核心难点，即需要协调检索与推理过程，而非单纯依赖规模扩大。
Q&A
ChatGPT在话语分析中的表现如何？
ChatGPT在识别因果关系方面表现较强，但在识别事件时间顺序和需要结构性理解对话的对话语篇分析任务中表现较差。在话题分割上表现较好，但在话语关系识别和话语分析等较难任务中有待提高。
有哪些方法可以改进隐式语篇关系分类？
研究提出多任务学习、连词预测、回译增数据等方法改进隐式语篇关系分类。具体包括：卷积神经网络嵌入多任务学习系统、通过预测和生成连词设计神经网络模型、采用回译技术增加训练数据。
ChatGPT在零样本时序关系抽取中的表现如何？
ChatGPT在零样本时序关系抽取中的性能与监督方法有较大差距，并且在时间推理过程中可能存在不一致性和长依赖时序推理失败的问题。
为什么现代语言理解系统难以应对隐含推理问答任务？
隐含推理问答任务的挑战不仅在于需要规划推理策略，而且在于在检索和推理相关信息的同时进行推理。GPT-3系列模型在隐含推理问答任务上表现不佳，但在推断隐含关系方面表现良好。
预训练语言模型在目标导向对话生成中的表现如何？
预训练语言模型在生成目标导向对话方面具有潜力，ChatGPT在三类目标导向对话、两种生成模式和两种语言的实验中，生成的对话和注释质量与人类相当。
在PDTB-3数据集上，预训练语言模型用于隐式话语关系分类有哪些新发现？
基于PDTB-3数据集，通过对七个预训练语言模型的直接性能比较，模型搜索将SOTA提高到了0.671的准确率。新发现包括：句子级预训练目标（NSP，SBO，SOP）通常无法产生最佳性能的模型；反直觉的是，具有类似规模的MLM和全关注机制的PLM表现更好。
