Buchumschlag

Instruction-Tuning LLMs for Event Extraction with Annotation Guidelines

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Srivastava, Saurabh, Pati, Sweta, Yao, Ziyu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Revisiting Prompt Optimization with Large Reasoning Models-A Case Study on Event Extraction
von: Srivastava, Saurabh, et al.
Veröffentlicht: (2025)

Instances Need More Care: Rewriting Prompts for Instances with LLMs in the Loop Yields Better Zero-Shot Performance
von: Srivastava, Saurabh, et al.
Veröffentlicht: (2023)

Are LLMs Good Annotators for Discourse-level Event Relation Extraction?
von: Wei, Kangda, et al.
Veröffentlicht: (2024)

GoLLIE: Annotation Guidelines improve Zero-Shot Information-Extraction
von: Sainz, Oscar, et al.
Veröffentlicht: (2023)

EVIT: Event-Oriented Instruction Tuning for Event Reasoning
von: Tao, Zhengwei, et al.
Veröffentlicht: (2024)

Refining and Reusing Annotation Guidelines for LLM Annotation
von: Kim, Kon Woo, et al.
Veröffentlicht: (2026)

Span-level Emotion-Cause-Category Triplet Extraction with Instruction Tuning LLMs and Data Augmentation
von: Li, Xiangju, et al.
Veröffentlicht: (2025)

Synthesized Annotation Guidelines are Knowledge-Lite Boosters for Clinical Information Extraction
von: Hsu, Enshuo, et al.
Veröffentlicht: (2025)

Dr. SoW: Density Ratio of Strong-over-weak LLMs for Reducing the Cost of Human Annotation in Preference Tuning
von: Xu, Guangxuan, et al.
Veröffentlicht: (2024)

MaiBaam Annotation Guidelines
von: Blaschke, Verena, et al.
Veröffentlicht: (2024)

Towards Event Extraction with Massive Types: LLM-based Collaborative Annotation and Partitioning Extraction
von: Liu, Wenxuan, et al.
Veröffentlicht: (2025)

MAQInstruct: Instruction-based Unified Event Relation Extraction
von: Xu, Jun, et al.
Veröffentlicht: (2025)

Claim Check-Worthiness Detection: How Well do LLMs Grasp Annotation Guidelines?
von: Majer, Laura, et al.
Veröffentlicht: (2024)

Multimodal Event Detection: Current Approaches and Defining the New Playground through LLMs and VLMs
von: Dey, Abhishek, et al.
Veröffentlicht: (2025)

Does Instruction Tuning Make LLMs More Consistent?
von: Fierro, Constanza, et al.
Veröffentlicht: (2024)

Can LLMs Simulate Personas with Reversed Performance? A Systematic Investigation for Counterfactual Instruction Following in Math Reasoning Context
von: Kumar, Sai Adith Senthil, et al.
Veröffentlicht: (2025)

Event Temporal Relation Extraction based on Retrieval-Augmented on LLMs
von: Zhang, Xiaobin, et al.
Veröffentlicht: (2024)

The Atomic Instruction Gap: Instruction-Tuned LLMs Struggle with Simple, Self-Contained Directives
von: Lim, Henry, et al.
Veröffentlicht: (2025)

Balancing Continuous Pre-Training and Instruction Fine-Tuning: Optimizing Instruction-Following in LLMs
von: Jindal, Ishan, et al.
Veröffentlicht: (2024)

Donkii: Can Annotation Error Detection Methods Find Errors in Instruction-Tuning Datasets?
von: Weber-Genzel, Leon, et al.
Veröffentlicht: (2023)

SelectLLM: Can LLMs Select Important Instructions to Annotate?
von: Parkar, Ritik Sachin, et al.
Veröffentlicht: (2024)

Instruction Tuning and CoT Prompting for Contextual Medical QA with LLMs
von: Le, Chenqian, et al.
Veröffentlicht: (2025)

Tool Calling for Arabic LLMs: Data Strategies and Instruction Tuning
von: Ersoy, Asim, et al.
Veröffentlicht: (2025)

Harnessing Generative LLMs for Enhanced Financial Event Entity Extraction Performance
von: Choi, Soo-joon, et al.
Veröffentlicht: (2025)

From Language Modeling to Instruction Following: Understanding the Behavior Shift in LLMs after Instruction Tuning
von: Wu, Xuansheng, et al.
Veröffentlicht: (2023)

Adverse Event Extraction from Discharge Summaries: A New Dataset, Annotation Scheme, and Initial Findings
von: Guellil, Imane, et al.
Veröffentlicht: (2025)

Let Guidelines Guide You: A Prescriptive Guideline-Centered Data Annotation Methodology
von: Ruggeri, Federico, et al.
Veröffentlicht: (2024)

ReasonScaffold: A Scaffolded Reasoning-based Annotation Protocol for Human-AI Co-Annotation
von: Sudheendra, Smitha Muthya, et al.
Veröffentlicht: (2026)

Facilitating Multi-turn Function Calling for LLMs via Compositional Instruction Tuning
von: Chen, Mingyang, et al.
Veröffentlicht: (2024)

Repurposing Annotation Guidelines to Instruct LLM Annotators: A Case Study
von: Kim, Kon Woo, et al.
Veröffentlicht: (2025)

EventFull: Complete and Consistent Event Relation Annotation
von: Eirew, Alon, et al.
Veröffentlicht: (2024)

GemmAr: Enhancing LLMs Through Arabic Instruction-Tuning
von: Chouikhi, Hasna, et al.
Veröffentlicht: (2024)

Cross-Task Defense: Instruction-Tuning LLMs for Content Safety
von: Fu, Yu, et al.
Veröffentlicht: (2024)

How Reliable Are Automatic Evaluation Methods for Instruction-Tuned LLMs?
von: Doostmohammadi, Ehsan, et al.
Veröffentlicht: (2024)

Instruction Following without Instruction Tuning
von: Hewitt, John, et al.
Veröffentlicht: (2024)

ConGA: Guidelines for Contextual Gender Annotation. A Framework for Annotating Gender in Machine Translation
von: Rescigno, Argentina Anna, et al.
Veröffentlicht: (2026)

Open-Source LLMs for Text Annotation: A Practical Guide for Model Setting and Fine-Tuning
von: Alizadeh, Meysam, et al.
Veröffentlicht: (2023)

Rethinking Cross-lingual Alignment: Balancing Transfer and Cultural Erasure in Multilingual LLMs
von: Han, HyoJung, et al.
Veröffentlicht: (2025)

Decompose, Enrich, and Extract! Schema-aware Event Extraction using LLMs
von: Shiri, Fatemeh, et al.
Veröffentlicht: (2024)

Latent Logic Tree Extraction for Event Sequence Explanation from LLMs
von: Song, Zitao, et al.
Veröffentlicht: (2024)