Каузальное промптирование для анализа неявной тональности с использованием больших языковых моделей

Анализ неявной тональности (ISA) направлен на выявление тональности, которая подразумевается, а не выражается явно, что требует от моделей более глубокого рассуждения на основе тонких контекстуальных признаков. Хотя современные методы на основе промптинга с использованием больших языковых моделей (LLM) демонстрируют перспективность в задаче ISA, они часто опираются на голосование большинства по цепочкам рассуждений в формате chain-of-thought (CoT), не оценивая их каузальную валидность, из-за чего оказываются восприимчивыми к внутренним смещениям и ложным корреляциям. Для решения этой проблемы мы предлагаем CAPITAL — каузальную структуру промптинга, интегрирующую корректировку по парадному критерию (front-door adjustment) в рассуждения CoT. CAPITAL разлагает общий каузальный эффект на два компонента: влияние входного промпта на цепочки рассуждений и влияние этих цепочек на итоговый результат. Эти компоненты оцениваются с использованием кластеризации на основе энкодера и приближения NWGM, а целевая функция контрастивного обучения применяется для лучшего согласования представления энкодера с пространством рассуждений LLM. Эксперименты на эталонных наборах данных для ISA с использованием трех LLM показывают, что CAPITAL стабильно превосходит сильные базовые методы промптинга как по точности, так и по робастности, особенно в условиях атак. Эта работа предлагает обоснованный принципами подход к интеграции каузального вывода в промптинг LLM и демонстрирует его преимущества для анализа тональности с учетом смещений. Исходный код и пример анализа доступны по адресу: https://github.com/whZ62/CAPITAL.