Este artículo presenta un estudio exhaustivo de la identificación de causalidad de eventos (ECI), una tarea esencial en el procesamiento del lenguaje natural (PLN) que detecta automáticamente las relaciones causales entre eventos en el texto. Definimos conceptos clave, formalizamos el problema de ECI y presentamos un protocolo de evaluación estándar. Desarrollamos un marco de clasificación que categoriza los modelos ECI en dos tareas principales: identificación de causalidad de eventos a nivel de oración (SECI) e identificación de causalidad de eventos a nivel de documento (DECI). Para SECI, revisamos modelos que utilizan coincidencia basada en patrones de características, clasificadores de aprendizaje automático, codificación semántica profunda, ajuste fino basado en indicaciones y estrategias de preentrenamiento de conocimiento causal y aumento de datos. Para DECI, nos centramos en enfoques que aprovechan la codificación semántica profunda, la inferencia de grafos de eventos y el ajuste fino basado en indicaciones. Prestamos especial atención a los avances recientes en ECI multilingüe e interlingüe y en ECI de disparo cero utilizando modelos lingüísticos a gran escala (LLM). Analizamos las fortalezas, limitaciones y desafíos de cada enfoque y realizamos evaluaciones cuantitativas exhaustivas en cuatro conjuntos de datos de referencia para evaluar rigurosamente el rendimiento de diversos modelos ECI. Finalmente, analizamos las futuras líneas de investigación y destacamos las oportunidades para seguir avanzando en este campo.
