Table 1 Document and mention-level evaluation results across both models and all seven prompts on HPO-GS

3.5

1

0.45

0.21

0.29

0.39

0.14

0.20

2

0.51

0.12

0.19

0.46

0.08

0.13

3

0.12

0.25

0.16

0.05

0.15

0.07

4

0.12

0.28

0.16

0.07

0.17

0.10

5

0.14

0.09

0.11

0.14

0.06

0.08

6

0.3

0.13

0.18

0.29

0.08

0.12

7

0.41

0.41

0.41

0.28

0.25

0.26

4

1

0.41

0.34

0.37

0.36

0.21

0.26

2

0.41

0.34

0.37

0.36

0.21

0.26

3

0.37

0.31

0.33

0.34

0.19

0.24

4

0.34

0.38

0.35

0.32

0.23

0.27

5

0.31

0.22

0.25

0.26

0.13

0.17

6

0.35

0.17

0.22

0.29

0.10

0.15

7

0.75

0.47

0.58

0.73

0.3

0.43