본 논문은 자연어 처리(NLP)에서 텍스트 내 사건 간의 인과 관계를 자동으로 감지하는 필수적인 과제인 사건 인과 관계 식별(ECI)에 대한 종합적인 조사를 제시합니다. 핵심 개념을 정의하고 ECI 문제를 공식화하며 표준 평가 프로토콜을 제시합니다. ECI 모델을 문장 수준 사건 인과 관계 식별(SECI)과 문서 수준 사건 인과 관계 식별(DECI)의 두 가지 주요 작업으로 분류하는 분류 프레임워크를 개발합니다. SECI에 대해서는 특징 패턴 기반 매칭, 기계 학습 분류기, 심층 의미 인코딩, 프롬프트 기반 미세 조정 및 인과 지식 사전 훈련과 데이터 증강 전략을 사용하는 모델을 검토합니다. DECI에 대해서는 심층 의미 인코딩, 사건 그래프 추론 및 프롬프트 기반 미세 조정을 활용하는 접근 방식에 중점을 둡니다. 다국어 및 교차 언어 ECI의 최근 발전과 대규모 언어 모델(LLM)을 활용한 제로샷 ECI에 특히 주목합니다. 각 접근 방식과 관련된 강점, 한계 및 미해결 과제를 분석하고, 네 개의 벤치마크 데이터 세트에 대한 광범위한 정량적 평가를 수행하여 다양한 ECI 모델의 성능을 엄격하게 평가합니다. 마지막으로 미래 연구 방향을 논의하고 이 분야를 더 발전시킬 수 있는 기회를 강조합니다.
