BALANCE-DEE：平衡文档级事件抽取中的事件候选空间扩展与假阳性纠正

基于摘要分析。该研究针对文档级事件抽取（DEE）中非显著事件漏检及跨事件论元分配错误，提出结构化细化框架 BALANCE-DEE。其核心是把事件候选扩展、候选有效性判断与状态条件化的编辑收益评估结合，避免提升覆盖率时引入过多虚假候选和结构冲突。 方法上，框架以经判别性增强的 schema 引导冻结的大语言模型提出可能遗漏的事件，再依据事件实例化与文本支持两个因素评估事件有效性，过滤缺乏支持的候选。学习得到的 action-gain 函数根据当前事件记录状态，为插入、删除、拆分与重新分配等编辑操作评分；模型迭代执行正收益编辑，并在每次更新后重新计算收益。区别于单纯扩大候选集合，该方法强调候选验证与结构纠错应随当前记录状态动态调整。 作者报告，在 FNDEE、CrudeOilNews 和 SENTiVENT 上，BALANCE-DEE 相较各自对应的基础抽取器均提升了触发词与论元 F1。在 FNDEE 上，作者报告整体事件 Recall 提高 2.3 个百分点、非显著事件 Recall 提高 4.2 个百分点，过度抽取的论元减少 13.2%，跨事件论元归属错误率由 20.4% 降至 12.9%。摘要未给出基础抽取器身份、具体划分及 F1 数值，不能据此比较不同数据集上的提升幅度。 复现需进一步核对 schema 构建、候选生成提示、双因素有效性评估、action-gain 的训练监督与停止条件，以及各模块的独立贡献。实验协议、消融及统计信息尚未验证。该研究的主要对象是文本事件抽取，并未提供 EEG 或 BCI 验证；其结构化纠错机制能否用于神经信号任务尚不能由这些结果推出，相关 EEG 工作尚未检索确认。