งานวิจัยชี้ ความรู้เชิงความหมายจาก LLM ช่วยหาทิศทางเหตุ-ผลได้ แต่ต้องคัดข้อเสนอที่ผิดออก
งานวิจัยบน arXiv เสนอกรอบคิดว่า ควรส่งคำถามเชิงความหมายไปยังจุดใด รับข้อเสนอแบบไหนเข้ามา และเก็บกราฟเชิงเหตุผลแบบใดไว้ เพื่อไม่ให้คำตอบที่ถูกหลุดหายไป
การค้นหาโครงสร้างเชิงเหตุผล (causal discovery) จากข้อมูลที่เก็บมาโดยไม่ได้ทดลอง มักเจอปัญหาว่าหลายความสัมพันธ์ระบุไม่ได้ชัดว่าเหตุอยู่ฝั่งไหนและผลอยู่ฝั่งไหน ผลคือทิศทางของเส้นเชื่อมจึงไม่นิ่งหรือไม่แน่นอน
งานวิจัย arXiv หมายเลข 2611.14736 (ฉบับ v1 เผยแพร่เมื่อ 10 พ.ย. 2026) ของ Muhammad Ahmed Mohsin และคณะ รวมถึง Bernhard Scholkopf เสนอว่าโมเดลภาษาขนาดใหญ่ (LLM) อาจช่วยแก้ปัญหานี้ได้ด้วย "ความรู้เชิงความหมาย" เช่น การอ่านว่าตัวแปรแต่ละตัวหมายถึงอะไรในโลกจริง แต่ข้อเสนอที่ผิดก็อาจตัดกราฟที่ถูกต้องทิ้งไป และทำให้การอนุมานขั้นต่อไปใช้งานไม่ได้
ผู้วิจัยแยกการตัดสินใจออกเป็นสามเรื่อง ได้แก่ จะส่งคำถามไปยังความสัมพันธ์ใด จะรับข้อเสนอใดเข้ามาในระบบ และจะเก็บกราฟใดไว้ นอกจากนี้ยังแยกความไม่สามารถระบุได้ระดับประชากร (population non-identifiability) ออกจากความไม่นิ่งเมื่อข้อมูลมีจำกัด (finite-sample instability) และเทียบผลกับตัวควบคุมทางสถิติและการสุ่มล้วน
จากการทดลองบนเครือข่ายมาตรฐาน ผู้วิจัยรายงานว่าข้อมูลเชิงความหมายช่วยให้กู้โครงสร้างได้ดีกว่าการกำหนดทิศทางแบบโยนเหรียญ
ต้องระวังว่านี่เป็นงานวิจัยที่ยังไม่ผ่านการตีพิมพ์ในวารสารที่มีการประเมินโดยผู้เชี่ยวชาญ และยังมีแหล่งข้อมูลเดียวที่ทันเอไอตรวจสอบได้ ตัวเลขผลการทดลองเต็มยังต้องอ่านจากตัวเอกสารเอง
สำหรับคนที่ทำงานกับข้อมูลสุขภาพ การเงิน หรือการวิเคราะห์นโยบาย การเดาเหตุ-ผลผิดอาจนำไปสู่การตัดสินใจผิดได้ งานนี้ชี้ว่าการใช้ LLM ช่วยต้องมีด่านคัดกรองข้อเสนอ ไม่ใช่รับทุกคำตอบเข้าระบบทันที