大型语言模型与协作中的因果推断：综合调查
内容提要
本文探讨大型语言模型（LLMs）在因果推理中的应用，展示其在因果分析中的优势与潜力。研究提出结合知识与数据驱动的方法，构建新的因果结构学习框架。尽管LLMs在回答因果问题上表现良好，但仍需改进以发现新知识。未来方向包括增强因果模块和提高模型的可靠性。研究表明，LLMs与因果知识图谱结合可在心理学领域实现自动化假设生成，推动因果研究的发展。
延伸解读
LLM在因果推理中的双重角色
文章指出，LLM既能作为人类领域知识的代理，降低因果分析中的人力成本，又能与数据驱动方法结合，构建新的因果结构学习框架。这种双重角色使LLM在因果研究中既能提供先验知识，又能从数据中学习，但需注意其知识来源的局限性，避免过度依赖。
当前LLM因果能力的局限
尽管LLM在回答因果问题上表现良好，但文章强调它们尚不能发现新知识或满足高精度决策任务。例如，在Corr2Cause任务中，LLM的纯因果推理能力不足，且难以泛化到变量名称和文本表达不同的情况。这提示读者，LLM目前更适合辅助而非替代人类专家。
未来方向：增强因果模块与可靠性
文章提出，未来需增强LLM的因果模块（包括显式和隐式），并提高模型可靠性，使其能回答更多类型的因果问题。同时，结合因果知识图谱与LLM的方法在心理学领域已实现自动化假设生成，且在新颖性上超越纯LLM，这为跨学科研究提供了新范式。
Q&A
大型语言模型在因果推理中有哪些优势？
大型语言模型在因果推理中表现优越，能够作为人类领域知识的代理，降低因果分析中的人力成本。
文章中提到的因果结构学习框架是什么？
文章提出了一种结合知识驱动和数据驱动的方法，构建新的因果结构学习框架。
当前大型语言模型在因果推理中存在哪些不足？
当前的LLMs在发现新知识和高精度决策任务上仍有不足。
未来大型语言模型在因果推理中的发展方向是什么？
未来方向包括增强因果模块和提高模型的可靠性，使LLMs能够回答更多类型的因果问题。
如何将大型语言模型与因果知识图谱结合？
结合因果知识图谱和LLMs的方法在心理学领域实现了自动化假设生成，推动了因果研究的发展。
大型语言模型在心理学研究中的应用是什么？
通过分析心理学文章，结合因果知识图谱，生成新的心理学假设，推动自动化发现。
