本研究介绍了一个自动框架，旨在通过自动发现和可视化语法的不同方面来促进语言教学，其中从自然语料库中提取描述单词排序、一致性、语法标记或词形成及词汇学习的描述，并显示例证。作者在印度语言 Kannada 和 Marathi 上应用此方法，以评估其实用性，并邀请北美的语言教育家对这些语言进行手动评估。教师们认为这些材料有趣，可以用作自己的课程准备或学习者评估的参考资料。

Jun, 2022

通过自动发现和可视化语法描述，本研究旨在帮助语言教育专家自动创建材料，以便教授印度语言中的语法和语义知识。

Oct, 2023

AutoLEX 是一个自动框架，旨在帮助语言学家发现和提取语言现象的简洁描述，如形态一致性、格标记和词序。

Mar, 2022

该研究提出了一种基于语法规则的非监督句法树生成方法，利用了语言的通用语法知识，采用强化学习和自编码器等技术，在 MNLI 和 WSJ 两个基准数据集上实现了最好的结果。

May, 2021

本文介绍了一种基于约束的形态消歧方法，使用手工制作的约束规则、无监督学习和统计数据，结合较新颖的未知词处理方法，以实现对拥有复杂形态的语言进行形态消歧，结果表明该方法在召回率达到 96% 至 97%，保持 93% 至 94% 的准确率，每个标记平均产生 1.02 至 1.03 个词形分析结果。

Apr, 1996

我们提出了一种新的方法，从树库中提取和探索显著的细粒度语法模式和潜在的句法语法规则，以创建易于理解的基于语料库的语法描述。我们使用线性分类器提取预测研究中语言现象最显著特征，并将统计信息与每个规则关联，然后将模型结果的排序与其他定量和统计测量结果进行比较。我们的方法捕捉到了西班牙语、法语和沃洛夫语中已知和不太为人知的重要语法规则。

Mar, 2024

提出 L'AMBRE 用于评估多语言文本生成系统的形态句法良好性度量，并通过自动提取多种形态句法规则和训练鲁棒解析器解决文本生成系统的问题，并证明了该度量在机器翻译任务中的有效性。

Mar, 2021

本研究介绍了一种新的全自动、无监督的从大型文本语料库中提取依赖语法和相关语法到语义关系映射的方法，若成功，该方法将使得直接从大型未注释语料库中挖掘出用于自然语言理解和生成的所有信息成为可能。

Jan, 2014

通过自动标注工具对上千个关于儿童和照顾者对话的语料进行了上下文相关语法的编码和标注，并通过训练和评估一系列基于 Transformer 的 NLP 模型表明，在儿童语法中，细调的 Transformer 模型表现最佳，达到了人类间标注一致性水平，从而在研究儿童语言习得方面应用了现有最先进的 NLP 方法。

Mar, 2024

本文探讨如何在没有专门的句法指导的语料库中从语料学习句法的可行性，以语料库的观察结构为基础，通过定义和隔离语法和意义 / 语用学信息，我们描绘了自主语法的形式特征，并展示了通过简单的优化过程搜索基于语法的词汇类别，而无需对模型形式做任何先验假设的可能性。

May, 2020