본 논문은 자연어 처리(NLP)에서 텍스트 내 사건 간의 인과 관계를 자동으로 감지하는 사건 인과 관계 식별(ECI)에 대한 종합적인 조사를 제시한다. 기존 방법들을 분류하고 명확히 하기 위한 새로운 분류 체계를 제안하며, ECI의 기본 원칙과 기술적 프레임워크를 체계적으로 설명한다. 주요 정의, 문제 공식화, 평가 프로토콜을 설명하고, 문장 수준 사건 인과 관계 식별(SECI)과 문서 수준 사건 인과 관계 식별(DECI)이라는 두 가지 주요 작업을 기반으로 ECI 방법을 구성하는 분류 체계를 제시한다. SECI에 대해서는 특징 패턴 기반 매칭, 머신러닝 기반 분류, 심층 의미 인코딩, 프롬프트 기반 미세 조정, 인과 지식 사전 훈련 및 일반적인 데이터 증강 전략을 포함한 방법들을 검토한다. DECI에 대해서는 심층 의미 인코딩, 사건 그래프 추론, 프롬프트 기반 미세 조정과 같은 기술에 중점을 둔다. 다국어 및 크로스 링구얼 ECI, 그리고 대규모 언어 모델(LLM)을 활용한 제로샷 ECI의 발전에 대한 논의를 포함하며, 각 방법의 강점, 한계 및 미해결 과제를 분석하고 네 개의 벤치마크 데이터셋에 대한 광범위한 정량적 평가를 수행하고 마지막으로 미래 연구 방향을 탐구한다.
