Bài báo này đề xuất một khuôn khổ nhân quả hai giai đoạn, **CAMA (CAusal MAthematician)**, để tăng cường khả năng suy luận toán học phức tạp của các mô hình ngôn ngữ quy mô lớn (LLM). CAMA kết hợp một thuật toán khám phá nhân quả cho các tập dữ liệu cặp câu hỏi-trả lời với kiến thức trước về LLM để tạo ra một đồ thị nhân quả toán học (MCG). Trong giai đoạn học, MCG là một biểu diễn đa chiều của các chiến lược giải pháp, chứa kiến thức cốt lõi và các mối quan hệ nhân quả của chúng. Trong giai đoạn suy luận, khi một câu hỏi mới được đưa ra, các đồ thị con có liên quan được trích xuất động từ MCG dựa trên nội dung câu hỏi và các quy trình suy luận trung gian của LLM, hướng dẫn quy trình suy luận của LLM. Kết quả thực nghiệm chứng minh rằng CAMA cải thiện đáng kể hiệu suất của LLM đối với các bài toán khó, hướng dẫn có cấu trúc vượt trội hơn hướng dẫn không có cấu trúc và việc kết hợp các mối quan hệ nhân quả không đối xứng mang lại những cải tiến lớn hơn so với việc chỉ sử dụng các liên kết đối xứng.
