ACLJun, 2016

自然语言生成增强带有不确定信息的人类决策

PDF
TL;DR本文比较不同的信息表现形式对人类决策的影响，发现使用自然语言生成（NLG）在不确定情况下可以提高决策水平，在 442 名成年人的任务研究中，NLG 的表现相对于图形表现平均要好 24％，而将 NLG 与图形结合使用可使决策水平提高 44％。同时发现，当使用 NLG 输出时，女性的表现显著优于男性（相对于图形表现增加了 87％）。
发现论文，激发创造
  • 自然语言生成的不确定性：从理论到应用

    最近强大的语言模型为自然语言生成（NLG）提供了进步，使其不仅可以执行传统任务如摘要或翻译，还可以作为各种应用的自然语言接口。本文首先提出了表示不确定性所需的基本理论、框架和词汇，并从语言学的角度确定了 NLG 中主要的不确定性来源，并提出了一个比流行的整体 / 种类二分法更具信息量和忠实度的二维分类系统。最后，我们从理论转向应用，强调利用不确定性进行解码、可控生成、自我评估、选择性回答、主动学习等的令人兴奋的研究方向。

    Jul, 2023

  • 基于强化学习的不确定性下自然语言生成规划

    本研究提出了一种新的基于统计规划的自然语言生成模型，它能够在存在噪声反馈的情况下（例如用户和实现器的当前生成上下文），有效地解决常见的自然语言生成问题，包括信息展示、语句长度和信息传递量等方面的折衷问题。我们采用强化学习方法训练该模型，并将其性能与先前工作中的基准性能进行了比较，结果表明，该模型的性能明显优于所有基线模型。

    Jun, 2016

  • 有说服力的自然语言生成 -- 文献综述

    此文献综述聚焦于使用自然语言生成 (NLG) 自动检测和生成说服性文本的应用，旨在延伸之前研究的自动识别文本中的说服力的方面，通过将说服力的决定因素概念化为五个业务关注的类别：仁慈、语言适宜性、逻辑论证、可靠性、工具和数据集，重点关注生成方面，这些因素可以使 NLG 增加现有信息的说服力，并发展了进一步研究说服性 NLG 的研究议程，该综述分析了 77 篇文章，概述了现有的知识体系，展示了这一研究领域的稳步进展。

    Jan, 2021

  • 运用知识和推理实现类人自然语言生成：简要回顾

    本文探讨以知识为指导的自然语言生成技术，旨在产生具有人类思维方式的文本内容。作者提出了十个目标来指导智能化自然语言生成系统的发展，同时简要回顾了以知识和推理为指导的自然语言生成技术的成就。最后，作者展望了未来的发展方向和挑战。

    Dec, 2022

  • 数字欺骗视角下自然语言生成进展综述

    本文主要探讨自然语言生成器 (NLG) 领域包括方法、评估、任务等方面的相关研究，并特别关注了 NLG 被恶意利用的潜在危险，以及存在的偏见风险。

    Aug, 2022

  • 数据驱动的自然语言生成：通向成功之路

    本研究讨论了统计机器学习用于自然语言生成的商业应用的两个主要瓶颈：缺乏可靠的自动评估指标和高质量的领域内语料库。通过彻底分析当前的评估指标并提出需要新的更可靠的指标，我们解决了第一个问题。通过提出一种新的框架来开发和评估用于自然语言生成训练的高质量语料库，我们解决了第二个问题。

    Jun, 2017

  • 联合自然语言理解和生成的生成模型

    本研究提出一个通过共享潜变量将自然语言理解和自然语言生成相结合的生成模型，可在平面和树形形式表示的两个对话数据集上达到最先进的性能，并展示了该模型可以利用未标记数据进行半监督学习以提高其性能。

    Jun, 2020

  • 评估神经文本生成器的不确定性与人类生产变异之间的关系

    研究了自然语言生成中的目标表达方式的多样性和生成系统的不确定性对于模型的不确定性表示的影响，并通过实例分析表明对生成系统进行探测可以获得对模型不确定性表示的深入理解。

    May, 2023

  • 基于 LLM 的自然语言生成评估：现状与挑战

    自然语言生成（NLG）的评估是人工智能中一个重要但具有挑战性的问题。本文调查了基于大型语言模型的 NLG 评估方法，探讨了它们的优势和劣势，讨论了人机合作的 NLG 评估，并提出了该领域的几个开放问题和未来的研究方向。

    Feb, 2024

  • 学生 - AI 创意写作：在学校应用自然语言生成的教学策略

    该研究实验了人工智能通过语言生成实现的创意写作，参赛学生使用四个文本生成器的输出作为创意创作的一部分，并在反思问题的指导下评估了他们的写作表现，研究结果有助于更好地应用自然语言生成技术于教育教学。

    Jun, 2022