这篇论文介绍了一种新颖的凝视驱动的句子简化系统，旨在提高语言学习者的阅读理解能力。通过结合凝视特征和语言特征来评估句子理解，系统识别到理解困难时，通过 GPT-3.5 将复杂的词汇和语法替换为简化的替代词汇和语法，从而提供简化版本，收集了 19 名英语学习者阅读英文文本时的眼动数据，实验结果表明我们的系统能够准确估计句子级别的理解能力，此外，我们还发现 GPT-3.5 的简化在传统可读性指标和个别单词难度、不同语言层面的释义方面提高了可读性。

Sep, 2023

通过研究人类注视和深度神经网络注意力机制之间的相互作用，我们提出了一种新的注视辅助图像字幕模型，将人的注视信息集成到基于注意力的 LSTM 结构中，能够将算法选择性地分配到注视和非注视的图像区域，这种方法通过对 COCO / SALICON 数据集的评估，显示了我们方法改善了图像字幕性能，并且注视可以补充机器的注意力，提高了语义场景理解的任务。

Aug, 2016

本文提出了一种基于 ScanTextGAN 的人类注视路径生成模型，通过集成生成的注视路径数据来提高自然语言处理领域中多个任务的性能表现。

Feb, 2023

本文对 2016 年到 2020 年间关于机器阅读理解方面的 241 篇论文进行了全面的调查，探讨了机器阅读理解的不同方面，包括方法、结构、输入 / 输出和研究的创新之处，并论述了研究的重点发生了变化，从答案提取到答案生成，从单一到多文档阅读理解，从零开始学习到使用预训练的嵌入。同时我们还讨论了这个领域中的流行数据集和评估指标，最后还研究了最常被引用的论文及其贡献。

Jan, 2020

我们提出了一种新型混合文本显著性模型 (TSM)，首次将阅读的认知模型和显式的人类注视监督相结合，将 TSM 的预测与人类注视的真实数据高度相关，并提出了一种新的联合建模方法，将 TSM 的预测集成到网络的注意层中，从而实现了人类注视引导的神经注意力与 NLP 任务的结合，其在 QUora 问题对语料库的释义生成任务中优于当前技术水平的 PERFOMANCE BY MORE THAN 10% BLEU-4，并在 Google 句子压缩语料库中实现了最先进的性能，从而介绍了一种实用的方法，将数据驱动模型和认知模型之间桥接起来，并展示了将人眼引导的神经关注集成到 NLP 任务中的新方法。

Oct, 2020

通过比较使用不同架构的神经网络在机器阅读理解中的表现，发现与人类视觉注意力较为相似的 LSTM 和 CNN 模型的性能表现显著关联，但与之性能最佳的 XLNet 模型关联性不明显，提示不同架构的神经网络的注意力策略存在差异，且神经注意力与人类注意力相似性并不代表拥有最佳表现。

Oct, 2020

本篇论文提出了一种新方法，通过大规模监督学习从而提供阅读理解的数据集，开发了一类基于注意力机制的深度神经网络，使其能够在没有先前语言结构知识的情况下阅读真实文档并回答复杂问题。

Jun, 2015

通过固定点引导的并行 RNN 或层，将机器学习模型使其更像人类阅读，并通过语言建模和情感分析任务的实验来测试其有效性，从而提供了经验验证此直觉的证据。我们的模型在语言建模任务上表现出良好的性能，明显优于基准模型，并发现神经网络预测的固定点持续时间与人类的固定点有相似之处。模型在没有明确引导的情况下做出与人类相似的选择，并调查了它们之间差异的原因，解释了为什么 “模型固定点” 在指导语言模型时往往比人类的固定点更合适。

Oct, 2023

研究读者通过阅读时眼动观察来推断其身份并估计文本理解水平的问题，通过使用词法特征的个体注视模式（扫描路径）的生成模型，得出基于眼动数据的 Fisher-SVM 的 Fisher 核方法，结果表明 Fisher-SVM 在识别读者身份上表现出色。

Sep, 2018

通过实验发现注意力机制在句子中能够关注到重要的词，类似于人类阅读时关注关键词汇，但机器学习可能出现错误关注，因而可以借助眼动仪辅助纠正错误，从而提高分类任务的性能。

Sep, 2022