通过两个大规模案例研究验证了一种方法，用于丰富计算词典中与语言多样性相关的内容。这种方法通过研究亲属称谓的领域，在七个阿拉伯方言和三种印度尼西亚语言中证实了多样性的存在。结果为丰富之前对亲属称谓的语言学研究提供了扩展，并揭示了即使在语言和文化上相近的社区内也存在着多样性的程度。

Aug, 2023

在多语言词汇数据库中，主要的世界语言表达不完整，数据结构的限制导致文化特定单词的表达能力降低，尤其是英语这样的主导语言以更准确的方式表示词汇意义空间，而语言或文化多样性的语言以近似的方式映射。本文评估了最先进的多语言词汇数据库，并评估其在语言多样性的词汇现象上的表达能力的优点和局限性。

Jan, 2023

通过从维基百科文献到链接页面的导航，建立文化知识的多元多样化采集方法与 CultureAtlas 数据集，该数据集涵盖了各种亚国家地理区域和族群，用于评估语言模型在文化多元背景下的表现和开发具有文化敏感和意识的语言模型，以促进数字领域中全球文化的更具包容性和平衡的表达。

Feb, 2024

利用跨语言的开放信息提取的最新进展，通过多语言代词消解和保留仅有实体链接三组，构建了第一个含有六种语言的全面的开放式知识库 (mOKB6)，并通过基线模型的实验进行分析。

Nov, 2022

本研究探讨语言对用户生成内容的碎片化影响，通过检查 25 种不同的维基百科语言版本中的知识表示多样性。研究发现维基百科的语言多样性大于先前研究的预测，并对利用维基百科作为世界知识来源的应用程序产生重要影响。最后阐述了如何利用这种知识多样性创造 “文化意识应用” 和 “超语言应用程序”。

Apr, 2019

提供了分析流程和最佳实践准则来构建和策划日常会话语料库，并开发了质量控制方法。通过两个案例研究展示了会话数据的广泛实用性，并讨论了语言多样性会话语料库对语言科学和语言技术的强有力的经验基础。

Mar, 2022

Kencorpus, the first corpus of its kind for low-resource Indigenous African languages, endeavors to fill the gap in the development of Natural Language Processing and Machine Learning datasets for Swahili, Dholuo, and Luhya languages, enabling text and speech data-driven solutions in applications like machine translation, question-answering, and transcription.

Aug, 2022

本研究介绍了一个大型数据收集项目的方法论，强调了文档记录和以人为中心的方法，通过在线目录和公共黑客马拉松活动进行元数据的收集，以解决大型语言模型数据收集面临的难题，研究结果分析了所得到的资源元数据分布情况，并总结了在此项目中的经验教训。

Jan, 2022

本文描述了一个基于互联网语言使用的语料库，重点介绍如何利用这个语料库进行数据驱动的语言映射；通过提供有关全球语言使用的信息来支持本地化语种，并且通过对比人口统计学数据和 Twitter 数据来分析数字语言数据代表实际人口的程度。

Apr, 2020

本文介绍了 DUKweb 数据库，它是一个大规模的资源集，用于对当代英语进行历时分析。该资源集可以提供每年的词共现矩阵和两种类型的词向量表示。我们通过一个词义变化检测的案例研究展示了 DUKweb 的重用潜力和质量标准。

Jul, 2021