关键点分析需要结构恢复：任务定义、数据集诊断和结构感知基准

关键点分析 (KPA) 旨在确定一组简明的关键点，总结一系列论点及其普遍性。我们认为，KPA 从根本上来说是一个结构化预测问题，需要恢复语义分组、生成代表性关键点、确保覆盖范围并估计流行率。根据这个公式，我们表明现有的 KPA 基准在分组质量、冗余、覆盖范围和参数关键点映射方面受到限制，导致基于参考的评估中的上限违规和选择失败。为了支持未来对真正 KPA 的研究，我们引入了一种通过人机交互重新注释构建的结构感知、分布敏感的基准。人类和 LLM 评估一致表明，与现有注释相比，所得结构产生更连贯的分组、更高质量的关键点、更好的覆盖范围和更可靠的患病率估计。我们进一步发布了一些注释资源来支持 KPA 评估、论点关键点匹配、可解释的 KPA 和 LLM-as-a-judge 方法论的研究，并概述了真正的 KPA 的研究议程。