Touché因果抽取：软投票与LLM反因果数据增强

Touché 2026把因果抽取扩展到反因果主张，即表面像因果、实际否认因果的新闻句，例如“人们错误地认为X导致Y”。只依赖“导致”等表面线索会把它当因果并判错极性。Countercausal News Corpus（CCNC）有三项任务：因果检测、原因和结果跨度抽取、支持因果/反因果/非因果极性。我们每项训练一个模型。检测采用微调分类器，并以抽取跨度的跨任务规则移除误报。抽取对三个RoBERTa-large BILOU+CRF标注器先平均token分数再解码，而非对最终跨度投票。对于标注反因果最少的极性任务，按Hagen等的九种反因果模式提示LLM生成句子，只保留通过自动结构检查者。留出CCNC测试集检测F1 0.869、极性宏F1 0.817；组织者最终仅因果抽取评测中，粒度调整F1 0.728，为包括组织者基线在内最高。开发划分只用于组件选择及文中消融。