💬 NLP

DKCD: Domain Knowledge-Enhanced Causal Discovery from Unstructured Data

Este artigo apresenta o DKCD, um novo framework que aprimora a descoberta causal a partir de dados não estruturados em domínios de alta especialização ao integrar conhecimento de domínio para melhorar a identificação de fatores latentes e a precisão da construção de grafos causais.

Autores originais: Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen

Publicado 2026-07-13

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando resolver um mistério enorme e bagunçado: descobrir o que causa o quê no mundo real, como por que algumas pessoas têm diabetes ou por que outras têm problemas respiratórios. Normalmente, os detetives (cientistas) precisam de cartões de pistas organizados e limpos (dados estruturados) para resolver esses casos. Mas, no mundo real, as pistas costumam estar escondidas dentro de parágrafos longos e bagunçados de texto (dados não estruturados), como as notas manuscritas de um médico ou a história de um paciente.

Por um tempo, estivemos usando robôs de IA superinteligentes chamados Modelos de Linguagem de Grande Escala (LLMs) para ler essas histórias bagunçadas e adivinhar as pistas. Pense nesses robôs como generalistas brilhantes que sabem um pouco sobre tudo. Mas o problema é que, quando o mistério se torna muito específico — como nas profundezas da área médica — esses robôs generalistas batem em um muro. Eles perdem pistas ocultas que apenas um verdadeiro especialista conheceria e, às vezes, adivinham as conexões erradas entre as pistas porque carecem desse histórico profundo e especializado.

O artigo apresenta uma nova equipe de detetves chamada DKCD (Descoberta Causal Aprimorada por Conhecimento de Domínio). Em vez de deixar o robô adivinhar sozinho, o DKCD dá ao robô uma "folha de cola" feita de um Grafo de Conhecimento de Domínio. Imagine este grafo como um mapa gigante e interconectado de fatos especializados específicos para aquele campo (como um mapa de como rins, genes e níveis de açúcar estão todos ligados no diabetes).

Aqui está como o DKCD resolve o mistério em três etapas divertidas:

A Caça ao Conhecimento: Primeiro, o robô lê o texto bagunçado e extrai as pistas óbvias que consegue ver (como "fumo" ou "idade"). Em seguida, ele usa o mapa de especialistas para encontrar pistas ocultas relacionadas. É como encontrar uma pegada na lama e depois verificar um mapa para perceber: "Ah, esta pegada está perto de um rio, então talvez o culpado estivesse pescando!". Esta etapa encontra "fatores latentes" — causas ocultas que o robô teria perdido por conta própria, como "doença renal" ou "risco genético", que não estão sempre escritos explicitamente, mas são implícitos por outros sintomas.
A Sessão de Raciocínio: Em seguida, o robô usa o mapa de especialistas para entender como essas pistas se conectam. Ele não apenas adivinha; ele raciocina com base no mapa. Isso o ajuda a registrar as pistas de forma mais precisa, evitando erros onde ele poderia pensar que o "fumo" causa o "diabetes" diretamente, quando, na verdade, o mapa mostra que é mais complexo. Esta etapa cria "pistas causais" — pequenos indícios que guiam o robô para pontuar os dados corretamente.
O Mapa Final: Finalmente, com uma lista completa de pistas e pontuações precisas, a equipe usa uma ferramenta estatística padrão para desenhar o "grafo causal" final. Este é o mapa definitivo mostrando exatamente o que causa o quê.

O que o artigo descobriu:
Os autores testaram o DKCD em dois conjuntos de dados médicos fictícios, porém realistas: um com 400 histórias de pacientes sobre diabetes (envolvendo 14 fatores diferentes) e outro sobre problemas respiratórios (envolvendo 8 fatores). Eles compararam o DKCD com outros métodos, incluindo o framework "COAT" e robôs apenas adivinhando por conta própria.

Os resultados mostraram que o DKCD foi significativamente melhor em encontrar as pistas certas e desenhar os mapas corretos. Por exemplo, no conjunto de dados de diabetes usando um robô de alto nível (GPT-4o), o DKCD encontrou os fatores corretos cerca de 84% das vezes (Precisão de Nó), enquanto o melhor método anterior obteve apenas cerca de 61%. Quando se tratou de desenhar o mapa final de conexões, o DKCD cometeu menos erros, com uma pontuação de erro (ESHD) de 25,33, comparado a 30,67 para o método antigo. Esses números sugerem que adicionar o mapa de especialistas realmente ajuda o robô a ver o quadro completo, não apenas as partes óbvias.

O que o artigo descarta:
O artigo argumenta explicitamente contra a ideia de que um robô inteligente sozinho é suficiente para esses campos de alta especialização. Ele mostra que, sem a "folha de cola" externa (o grafo de conhecimento de domínio), os robôs perdem fatores ocultos cruciais e fazem palpites não confiáveis. Também observa que ter mais dados não é a solução; a qualidade do raciocínio, guiado pelo conhecimento especializado, é o que importa.

O quão seguros eles estão?
Os autores estão confiantes nesses resultados, mas são cuidadosos ao dizer que eles são baseados em simulações e conjuntos de dados sintéticos. Eles criaram esses 400 conjuntos de dados de pacientes cuidadosamente, baseados em conhecimento médico real e mapas de verdade fundamental para testar seu sistema. Eles ainda não testaram isso em pacientes reais e vivos em um hospital. Portanto, embora os números pareçam ótimos nesses testes controlados, o artigo sugere que isso é uma nova direção promissora, em vez de um problema resolvido para o mundo real. Eles admitem que os robôs ainda podem ocasionalmente inventar fatos (alucinar) ou ser tendenciosos, e que construir casos de teste do mundo real ainda maiores é um trabalho para o futuro.

Em resumo, o DKCD é como dar a um detetive brilhante um guia de campo especializado. Não substitui o cérebro do detetive, mas garante que ele não perca as pistas ocultas que apenas um especialista conheceria, levando a uma imagem muito mais clara de causa e efeito.

Resumo Técnico: DKCD – Descoberta Causal Aumentada por Conhecimento de Domínio a partir de Dados Não Estruturados

Definição do Problema

A descoberta causal em domínios de alta especialização (ex: saúde, finanças, educação) enfrenta desafios significativos quando aplicada a dados não estruturados, como textos clínicos. Os métodos existentes, incluindo aqueles que utilizam Grandes Modelos de Linguagem (LLMs) como o framework COAT, são limitados por dois desafios primários:

Identificação Insuficiente de Fatores Latentes (CH1): Dados não estruturados frequentemente contêm fatores causais implícitos que não estão explicitamente declarados, mas que são essenciais para um grafo causal completo. O conhecimento geral de um LLM carece da especialização de domínio necessária para inferir essas variáveis latentes (ex: inferir "doença renal" a partir de valores laboratoriais específicos em um contexto de diabetes).
Anotação de Fatores Não Confiável (CH2): A construção precisa de grafos causais requer entradas estruturadas (valores de fatores). Sem um raciocínio fundamentado no domínio, os LLMs frequentemente produzem anotações inconsistentes ou imprecisas, levando a erros que se propagam para a estrutura causal final, como a ausência de arestas ou direções incorretas.

Algoritmos de descoberta causal atuais (ex: PC, FCI) são projetados para dados tabulares estruturados e têm dificuldade com o ruído e a incompletude inerentes ao texto bruto não estruturado.

Metodologia: O Framework DKCD

Os autores propõem o DKCD (Domain Knowledge-enhanced Causal Discovery), um framework que integra Grafos de Conhecimento (KGs) de domínio com o raciocínio de LLMs para preencher a lacuna entre o texto não estruturado e a descoberta causal estatística. O framework opera através de três componentes interconectados:

1. Mineração de Conhecimento (Knowledge Mining)

Este módulo prepara o contexto para o raciocínio, recuperando conhecimento de domínio relevante.

Proposta de Fatores Observáveis: Um LLM extrai fatores causais explicitamente mencionados ( $V_o$ ) do texto não estruturado.
Recuperação de KG de Domínio: Com base em $V_o$ , o sistema consulta um Grafo de Conhecimento específico do domínio para recuperar subgrafos relevantes ( $G_{rel}$ ).
Correspondência Semântica: Os triplos recuperados são verbalizados em declarações de linguagem natural. Um processo de correspondência semântica (usando sentence transformers como all-MiniLM-L6-v2) alinha essas declarações com os fatores observáveis, filtrando o contexto mais relevante ( $S^{(k)}_{v_i}$ ) para apoiar o raciocínio subsequente.

2. Raciocínio Causal Guiado por Conhecimento (Knowledge-Guided Causal Reasoning)

Este módulo central aborda os dois desafios principais, aproveitando o contexto de conhecimento recuperado.

Descoberta de Fatores Latentes: O LLM utiliza os fatores observáveis e o contexto de conhecimento recuperado para inferir fatores causais latentes ( $V_l$ ) que não estão explicitamente declarados, mas que são causalmente relevantes. O conjunto completo de fatores é definido como $V = V_o \cup V_l$ . Isso aborda diretamente o CH1.
Geração de Pistas Causais: O LLM gera pistas causais ( $H$ ), que são descrições fundamentadas no domínio sobre dependências plausíveis entre fatores. Essas pistas servem como orientação estruturada para a etapa de anotação, reduzindo a ambiguidade e melhorando a confiabilidade da pontuação dos fatores. Isso aborda o CH2.

3. Descoberta de Estrutura Causal (Causal Structure Discovery)

Com um conjunto de fatores mais completo ( $V$ ) e uma tabela de pontuação estruturada ( $S$ ) contendo anotações precisas derivadas das pistas causais, um algoritmo de descoberta causal estatística (especificamente o algoritmo FCI) é aplicado para inferir o grafo causal final ( $G$ ). O algoritmo FCI é escolhido por sua capacidade de lidar com confundidores latentes, o que é crítico em domínios especializados onde nem todos os fatores podem ser totalmente observados.

Principais Contribuições

O artigo descreve três contribuições primárias:

Framework DKCD: Um novo framework que integra Grafos de Conhecimento de domínio com raciocínio baseado em LLM para aprimorar a descoberta causal a partir de dados não estruturados em domínios de alta especialização.
Módulo de Raciocínio Guiado por Conhecimento: Um design específico que utiliza o conhecimento de domínio recuperado para descobrir fatores causais latentes e gerar pistas causais fundamentadas no conhecimento, melhorando assim a precisão da anotação.
Benchmarks de Domínio Específico: A construção dos primeiros benchmarks de domínio específico utilizando grafos de conhecimento do mundo real para avaliação, especificamente para os domínios de diabetes e respiratório.

Resultados Experimentais

Os autores avaliaram o DKCD em dois conjuntos de dados médicos sintéticos (Diabetes e Respiratório) contendo 400 descrições de condições de pacientes cada, utilizando múltiplos backbones de LLM (GPT-4o, Gemini 2.5 Flash, Grok-3, LLaMA 3-70B).

Métricas de Desempenho: A avaliação incluiu Precisão/Recall/F1 de Nó (para identificação de fatores), além de Precisão/Recall/F1 de Adjacência e Distância de Hamming Estrutural Estendida (ESHD) (para a estrutura do grafo).
Resultados Comparativos: O DKCD superou consistentemente os baselines, incluindo Zero-shot LLM, META e COAT.
- No conjunto de dados de Diabetes, o DKCD alcançou pontuações de F1 de Nó mais altas (ex: 0,77 vs. 0,41 para o COAT com GPT-4o) e valores de ESHD menores (25,33 vs. 30,67 para o COAT), indicando um alinhamento mais próximo com o grafo causal de referência (ground-truth).
- No conjunto de dados Respiratório, o DKCD demonstrou de forma semelhante uma identificação de fatores superior (ex: 0,74 de F1 de Nó vs. 0,29 para o COAT com GPT-4o) e precisão estrutural.
Estudos de Ablação: A remoção de qualquer uma das partes — as pistas causais (w/o CC) ou a identificação de fatores latentes (w/o LF) — degradou significamente o desempenho. Remover ambos resultou em quedas severas de desempenho, confirmando que os dois componentes são complementares e essenciais para o sucesso do framework.

Significância e Alegações

O artigo afirma que o DKCD melhora significamente tanto a identificação de fatores causais quanto a construção de grafos causais em domínios de alta especialização, ao utilizar efetivamente grafos de conhecimento de domínio para guiar o raciocínio do LLM. Os autores enfatizam que seu trabalho aborda a limitação crítica dos métodos existentes: a incapacidade de identificar fatores latentes implícitos e específicos do domínio e a falta de confiabilidade das anotações sem o embasamento de conhecimento externo.

Os autores mantêm uma postura modesta em relação às limitações:

Dependência de LLMs: O framework ainda depende da capacidade de raciocínio dos LLMs, que podem gerar fatores alucinados ou enviesados.
Disponibilidade de Benchmarks: A dependência de conjuntos de dados sintéticos é reconhecida como uma necessidade devido à falta de benchmarks públicos que contenham tanto textos não estruturados quanto grafos causais de referência alinhados.
Escalabilidade: Embora testado em domínios médicos, a generalização para outros campos (finanças, educação) permanece pouco explorada.

O trabalho é posicionado como um avanço metodológico para a construção de grafos causais a partir de dados não estruturados, destinado a auxiliar pesquisadores na descoberta de potenciais estruturas causais, em vez de servir como um substituto para o julgamento profissional em domínios sensíveis.