从英语新闻标题中推断计算
IA 研究是 NLP 领域的一个不断发展的子领域，主要目标是深入理解 NLP 系统和方法的行为和内部工作。通过数量化分析，本文发现 IA 工作在 NLP 领域具有广泛的引用和影响力，研究表明 NLP 研究人员依赖和借鉴 IA 工作的发现和术语，并认为它对于 NLP 和其多个子领域的进展非常重要，但也指出了 IA 工作今天的不足，并提出了为 IA 研究创造更有影响力的未来的呼吁。
Jun, 2024
通过在多语言环境下利用辅助信息，如嵌入在文章中的图像和标题，检索相关句子并利用变化来生成新闻文章的标题和标签，该研究提出了一种用于头条和实体标签生成的方法，有效地引导阅读者对感兴趣的主题有更好的访问。
Jun, 2024
研究表明，五至十二岁的儿童对于生成式人工智能模型具有积极的态度，他们对于人工智能的认识和使用具有巨大的潜力，并且与真实物体和其他技术概念相比，儿童对生成式人工智能模型的理解仍存在较大的研究空白。
May, 2024
通过与人类实验结果进行对比，使用先进的大型语言模型预测，本研究关注明确和嵌入的分明性推论以及常规数量意涵的三种推论，并发现模型结果与人类实验结果在这些推论的大幅差异以及精细差异方面基本一致。
May, 2024
数字人文学者对生成人工智能（GenAI）技术的采用、实践以及批评评估方面的研究过程进行调查，结果表明，数字人文学者对于 GenAI 在数字人文学科中的价值持不同意见，而实际使用情况在个体和研究任务上多样化。该调查分析有助于进一步研究 GenAI 对数字人文学科发展的影响。
Apr, 2024
我们提出了一个动态的情感 - 语义相关模型（ESCM）来帮助生成共情性对话，它通过上下文和情感的交互构建了动态的情感 - 语义向量并引入了依赖树来反映情感和语义之间的相关性，通过动态的相关图卷积网络引导模型学习对话中的上下文含义并生成具有流畅且丰富信息的共情性回应。实验结果表明，ESCM 能更准确地理解语义和情感，并表达出具有流畅且信息丰富的共情性回应，分析结果也显示出对话中情感和语义之间的相关性的频繁使用对共情感知和表达具有重要意义。
Feb, 2024
通过使用非线性结构探测器来研究编码信息的结构特点，这篇论文提出了一种简化而有效的非线性结构探测器设计，并设计了一个可视化框架来定性地评估句子中两个词之间的连接强度，并用于探索 BERT 在各层中编码的依赖关系树的结构。研究发现，径向基函数（RBF）比线性探测器对 BERT 模型更有效。
Feb, 2024
本文介绍了一种针对物体检测模型的新型黑盒可解释性方法，通过找出场景级对象对图像中物体的识别影响，进一步验证模型性能。通过比较模型在测试数据中存在或不存在某些场景级对象时的准确度，可以更清晰地了解这些对象对模型性能的贡献。本研究的结果为量化解释物体检测模型的决策过程提供了基础，进一步深化对模型性能的理解。
Jan, 2024
通过对 2011 至 2021 年的全球灾害风险动态进行世界风险指数的时间分析，评估了减轻风险和创造安全环境所采取的措施的影响，并发现尽管持续努力，全球的风险景观仍然分为两个主要集群，而当前的政策和机制对于帮助国家从危险位置转移到更安全位置并不有效。因此，需要针对这些国家特定的脆弱性，发展创新的方法来应对持续的灾害风险管理挑战。
Jan, 2024