Este artículo evalúa la viabilidad de construir redes bayesianas (BN) utilizando modelos de lenguaje a gran escala (LLM). Si bien los LLM han demostrado potencial como bases de conocimiento factual, su capacidad para generar conocimiento probabilístico sobre eventos del mundo real permanece poco explorada. Este estudio explora cómo aprovechar el conocimiento probabilístico inherente a los LLM para derivar estimaciones de probabilidad de afirmaciones sobre eventos y sus relaciones dentro de las BN. Los LLM permiten la parametrización de las BN, lo que posibilita el modelado probabilístico dentro de dominios específicos. Experimentos en 80 BN disponibles públicamente, que abarcan desde la atención médica hasta las finanzas, demuestran que consultar los LLM para obtener las probabilidades condicionales de los eventos produce resultados significativos en comparación con las líneas base, incluyendo distribuciones aleatorias y uniformes y enfoques basados en la probabilidad de la siguiente generación de tokens. Específicamente, exploramos cómo las distribuciones extraídas de los LLM pueden usarse como priores de expertos para mejorar las distribuciones derivadas de datos, particularmente cuando estos son escasos. En general, este estudio presenta una estrategia prometedora para la construcción automática de redes bayesianas mediante la combinación del conocimiento probabilístico extraído de LLM con datos del mundo real. Además, establece la primera línea de base integral para evaluar el rendimiento de los LLM en la extracción de conocimiento probabilístico.
