基于BERT和图注意力网络的篇章级事件论元识别是一种先进的自然语言处理任务，它结合了深度学习和图神经网络的优势，用于从文本中识别和提取与事件相关的论元信息。以下是关于这个任务的详细解释：

首先，BERT（Bidirectional Encoder Representations from Transformers）是一种预训练语言模型，通过在大规模语料库上进行训练，能够捕捉语言的深层双向表征。这种特性使得BERT在处理自然语言任务时具有强大的上下文理解能力。在篇章级事件论元识别任务中，BERT可以用于提取文本中的语义信息和上下文依赖关系，为后续的论元识别提供有力的支持。

图注意力网络（Graph Attention Network，GAT）是一种图神经网络模型，它通过引入注意力机制来实现对图中节点关系的更好建模。在篇章级事件论元识别任务中，图注意力网络可以用于构建文本中事件和论元之间的图结构，并通过注意力机制捕捉节点之间的复杂关系。这样，模型可以更加准确地识别出与事件相关的论元信息。

依存句法关系在篇章级事件论元识别中也扮演着重要的角色。依存句法关系描述了句子中词与词之间的依存关系，这些关系反映了词语之间的语义搭配和句法结构。通过分析依存句法关系，可以进一步提取出句子中事件和论元之间的深层联系，从而提高论元识别的准确性。

现代计算机在篇章级事件论元识别的过程中，还需要考虑句子级事件论元识别的方法。句子级事件论元识别通常关注单个句子中的事件和论元信息，而篇章级事件论元识别则需要考虑跨句子的上下文信息。因此，在构建模型时，需要充分利用BERT的上下文理解能力以及图注意力网络对复杂关系的建模能力，以实现更加准确的篇章级事件论元识别。

此外，依存句法特征抽取也是提高篇章级事件论元识别性能的关键步骤之一。通过抽取依存句法树中的关键信息，可以进一步丰富模型的输入特征，从而提高模型的识别能力。

现代计算机在实验参数和评价指标方面，需要根据具体的任务和数据集进行选择和调整。通常，会采用准确率、召回率和F1值等指标来评估模型的性能。现代计算机同时，还需要注意模型的复杂度和计算效率等问题，以确保在实际应用中具有良好的表现。

综上所述，基于BERT和图注意力网络的篇章级事件论元识别是一种具有挑战性和实用性的自然语言处理任务。通过充分利用深度学习和图神经网络的优势，并结合依存句法关系等信息，可以实现更加准确和高效的论元识别性能。