我们的研究关注中等规模的单词的具体性评分，并通过相关性和监督分类来识别显著的多模式特征，应用硬聚类方法来确定评分者之间系统性分歧的模式。结果表明，在利用中等规模的目标词之前，需要对其进行微调或过滤。

Nov, 2023

本研究旨在探讨如何自动计算多模态训练数据中的单词与主题的视觉具体性以此来预测机器学习算法学习文本与视觉关系能力的高低。研究发现具体概念确实比抽象概念更容易学习，且不同数据集中视觉具体性与算法表现之间的关系是有所不同的，建议在多模态研究中使用视觉具体性评分以便更好地探索概念。

Apr, 2018

通过 Wikipedia 生成词汇测试，评估参与者的母语能力，可以在不同语言文化背景下了解文化、认知和语言的视角，通过六项行为实验测试结果表明，这个测试可以区分母语相近的语言，测试结果与现有测试成绩和个人报告结果有很强的相关性。

Feb, 2023

通过有监督学习，利用词嵌入作为解释变量，我们研究了具体性和形象性这两个概念的可预测性。我们利用与单一向量空间对齐的跨语言嵌入的集合在语言内和语言间进行预测。我们发现，具体性和形象性这两个概念在语言内和语言间都具有高度可预测性，跨语言预测的相关性损失最多达到 20％。我们进一步展示了通过词嵌入的跨语言传输比简单通过双语词典进行传输更加有效。

Jul, 2018

本研究介绍了一种基于大型语料库信息和词汇速写的新工具，用于自动生成详尽精确的单语词典中的单词释义，并重点计算名词释义的质量评估。该方法在某种程度上与语言无关，但本文介绍的验证则仅限于捷克语和英语，研究结果表明，该方法约 90% 的释义包含有助于理解单词含义的数据，但在许多情况下，需要进行后期编辑以去除冗余信息。

Feb, 2023

通过使用公开的 Wordnets、机器翻译和单语种双语字典，我们提出了一种方法来为资源丰富和资源贫乏的语言生成 Wordnet 同义词集，这些方法适用于至少存在一种从英文翻译到该语言的双语词典的任何语言，是自动构建完整 Wordnets 的第一步。

Aug, 2022

本文利用基于人类判断的词汇复杂性词典和基于高斯的特征向量化层提出了一种新的神经可读性排名模型，用于衡量任何给定单词或短语的复杂性，并通过将该模型应用于 Paraphrase 数据库（PPDB）生成了超过 1000 万个简化的复述规则。实验证明，我们的模型在不同的词汇简化任务和评估数据集上表现优于现有的最佳系统。

Oct, 2018

本文提出了一种自动创建低资源语言，特别是资源贫乏和濒危语言的大量新双语词典的方法，使用一个单一的输入双语词典生成目标语言的单词翻译，依赖于 Wordnets 和机器翻译器（MT）。

Aug, 2022

大型语言模型在抽象推理任务上表现优秀，但与人类推理问题存在相似的缺陷，同时受到人类知识和信仰的影响，使用可信的现实情境方案进行推理可以提高推理质量，这种关联性帮助我们了解认知效应和语言模型表现的因素。

Jul, 2022

本文介绍了一种弱监督方法，用于在完全没有标记数据的情况下推断单词和表达式的抽象性质，利用最少的语言线索和概念在文本数据中的上下文使用，训练具有足够强大的分类器，取得了与人标记的高相关性，结果表明这种方法适用于其他概念属性、其他语言和资源缺乏的情况。

Sep, 2018