本研究提出了一种系统的叙述性发现框架,通过改变点检测、语义角色标注(SRL)和叙事片段的自动聚合来解决大规模文本下叙述性的提取,并在两个 Twitter 语料库中评估了我们的模型,结果表明我们的方法可以恢复相应于重大事件的主要叙述转变。
Jul, 2023
本文评估了神经网络模型以预测 Stack Overflow 上问题的质量,结果表明与基准机器学习模型相比,神经网络模型具有更高的准确性,并且发现神经网络模型的层数对其性能有显著影响。
Apr, 2024
使用机器学习算法分析媒体新闻的语言特征,以区分真假新闻,主要解决神经假新闻生成、机器生成的标题、文本和图像标题之间的语义矛盾等问题。同时提出应用特征集和类别、特征之间的相关性计算相关属性评估指标和计算属性变量的协方差指标来模拟这些问题。其中独特、负面、积极和基数数字特征在度量中得分高,能够提供高的 AUC 和 F1-score。
Nov, 2022
社交媒体中,通过自然语言处理和机器学习相结合的方式来评估金融创作者的可信度,并提供准确的市场数据验证和连续的可信度评分,同时利用社交媒体指标和相关性分析来提供决策的自然语言解释。
Jun, 2024
本文研究关系人物之间的情感极性特征,并提出结构化预测和聚类方法来解决该问题,在语言和语义特征的基础上,通过社交网络结构来提高模型性能。作者在维基百科电影概要数据集上验证了模型的优越性。
Dec, 2015
本研究提出了一种结合行为和计算实验的框架,利用虚构提示作为一种新颖工具,研究人类和生成型 AI 在叙事中的文化产物和社会偏见。通过分析人类和大型语言模型对创建并与人工智能恋爱的相同提示的回应,实验证明了 Pygmalion 神话在人类和大型语言模型的集体想象中一直存在的普遍存在。分析揭示了 GPT-3.5 和特别是 GPT-4 的叙事在性别角色和性取向方面比人类更加进步。虽然人工智能的叙事偶尔会提供创新的情节转折,但其提供的情境和修辞比人类的文本更缺乏想象力。该提出的框架认为小说可以作为了解人类和基于人工智能的集体想象和社会维度的窗口。
Oct, 2023
这篇论文介绍了第一个面向社交媒体数据的自动问答系统大规模数据集,结果显示先前在形式文本上表现优异的神经模型在社交媒体文本上表现不佳,即使使用 fine-tuned BERT 模型,性能也远远落后于人类表现,因此有必要改进社交媒体文本问答系统。
Jul, 2019
社交媒体的兴起使得虚假新闻的广泛传播成为可能,而虚假新闻被故意发布以传播错误信息和影响人们的信仰。本文介绍了一种新的方法,通过人机交互的方式改善自动化系统对社交媒体的表示质量,在真实事件中实验表明,在少量人机交互之后,系统检测新闻可信度的性能得到了提升。
Sep, 2023
研究表明,社交关系信息可以用于提高用户级情感分析,实验结果表明,将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。
Sep, 2011
语言模型作为一种科学工具,我们展示了它在研究人类对有意义材料的记忆上的应用,通过在线大规模记忆实验和结果分析,发现记忆和认知表现与叙述长度成线性关系,并且研究叙述理解在记忆中的作用。
Nov, 2023