Bài báo này đánh giá tính khả thi của việc xây dựng mạng Bayesian (BN) bằng cách sử dụng các mô hình ngôn ngữ quy mô lớn (LLM). Mặc dù LLM đã chứng minh được tiềm năng làm cơ sở tri thức thực tế, khả năng tạo ra tri thức xác suất về các sự kiện trong thế giới thực của chúng vẫn chưa được khám phá. Nghiên cứu này tìm hiểu cách tận dụng tri thức xác suất vốn có trong LLM để đưa ra ước tính xác suất của các phát biểu về các sự kiện và mối quan hệ của chúng trong BN. LLM cho phép tham số hóa BN, cho phép mô hình hóa xác suất trong các lĩnh vực cụ thể. Các thí nghiệm trên 80 BN công khai, từ chăm sóc sức khỏe đến tài chính, chứng minh rằng việc truy vấn LLM để tìm xác suất có điều kiện của các sự kiện mang lại kết quả có ý nghĩa so với đường cơ sở, bao gồm các phân phối ngẫu nhiên và đồng đều, cũng như các phương pháp dựa trên xác suất của thế hệ token tiếp theo. Cụ thể, chúng tôi khám phá cách các phân phối được trích xuất từ LLM có thể được sử dụng làm phân tích tiên nghiệm chuyên gia để cải thiện các phân phối thu được từ dữ liệu, đặc biệt là khi dữ liệu khan hiếm. Nhìn chung, nghiên cứu này trình bày một chiến lược đầy hứa hẹn để tự động xây dựng mạng Bayesian bằng cách kết hợp tri thức xác suất được trích xuất từ LLM với dữ liệu thực tế. Hơn nữa, nó thiết lập cơ sở toàn diện đầu tiên để đánh giá hiệu suất của LLM trong việc trích xuất kiến thức xác suất.
