向朋友学习：通过抽象意义表示反馈的自训练改进事件抽取

基于摘要分析。本文研究文本事件抽取中的标注数据稀缺问题，提出 Self-Training with Feedback（STF）框架：利用大规模无标注文本生成事件伪标签，再依据同一句子的 Abstract Meaning Representation（AMR，抽象意义表示）图评估伪标签兼容性，为自训练提供反馈。 机制上，基础事件抽取模型先在已有事件标注上训练，再预测无标注语料中的事件提及。评分模型接收预测的事件触发词、论元、论元角色及其在 AMR 图中的路径，输出表示伪标签正确性的兼容性分数；这些分数用于鼓励或抑制模型对相应伪标签的学习。与直接使用模型自身预测开展自训练相比，其主要特点是引入句子语义图作为结构化反馈来源；具体反馈损失、分数校准方式及训练流程尚未验证。 作者报告，在 ACE05-E、ACE05-E+ 和 ERE 三个文本事件抽取基准上，STF 相较基础事件抽取模型和强基线取得性能提升，尤其有利于事件论元抽取。摘要未提供指标数值、数据划分或统计检验细节，因此无法量化提升幅度。作者还报告，该框架可用于改进多种事件抽取模型，并在无法获得高质量 AMR 图标注时仍可发挥作用；这一结论的适用模型范围、AMR 获取方式与质量条件需查阅全文确认。 该方法依赖文本中的触发词—论元—角色结构及 AMR 语义路径，摘要未建立这些结构与 EEG/BCI 任务之间的具体对应关系，因此不据此提出 EEG 迁移效果或复现实验建议。实验协议、消融及统计信息尚未验证；已有 EEG 相关工作尚未检索确认。