此文献综述聚焦于使用自然语言生成 (NLG) 自动检测和生成说服性文本的应用，旨在延伸之前研究的自动识别文本中的说服力的方面，通过将说服力的决定因素概念化为五个业务关注的类别：仁慈、语言适宜性、逻辑论证、可靠性、工具和数据集，重点关注生成方面，这些因素可以使 NLG 增加现有信息的说服力，并发展了进一步研究说服性 NLG 的研究议程，该综述分析了 77 篇文章，概述了现有的知识体系，展示了这一研究领域的稳步进展。

Jan, 2021

研究概述了语言模型产生的虚假文本、媒体关注度、自然语言生成、社会意义等关键词，同时探索了机器产生文本的趋势和更大的社会影响。

Jan, 2024

本文是关于机器生成文本和自然语言生成领域的综述。研究表明，机器生成文本与人类作者的文本越来越难以区分，因此我们讨论了现代自然语言生成系统带来的威胁模型，并对文本检测方法进行了最全面的综述。本文进一步讨论了机器生成文本的安全和社会背景，并提出了在未来工作中需要考虑的最关键威胁模型，以及确保检测系统本身通过公正、稳健和负责任的方式展示其信任性。

Oct, 2022

本文探讨以知识为指导的自然语言生成技术，旨在产生具有人类思维方式的文本内容。作者提出了十个目标来指导智能化自然语言生成系统的发展，同时简要回顾了以知识和推理为指导的自然语言生成技术的成就。最后，作者展望了未来的发展方向和挑战。

Dec, 2022

本文研究了自然语言生成工具，如生成人类对话文本的聊天机器人，其可信度和伦理影响的问题，讨论了不同用户对这些工具的感知和采用方式以及机器生成文本质量的感知优缺点，还分析了参与者确定的这些工具的优点和伦理风险，并探讨了这些发现对于提升 AI 开发过程的潜在影响。

May, 2023

该文章调查了近年来开发的自然语言生成（NLG）系统的评估方法。将 NLG 评估方法分为三类，讨论了每种类别取得的进展和仍然面临的挑战，重点关注最近提出的 NLG 任务和神经 NLG 模型的评估。最后提出了自动文本摘要和长文本生成的两个任务特定的 NLG 评估示例，并提出了未来的研究方向。

Jun, 2020

最近强大的语言模型为自然语言生成（NLG）提供了进步，使其不仅可以执行传统任务如摘要或翻译，还可以作为各种应用的自然语言接口。本文首先提出了表示不确定性所需的基本理论、框架和词汇，并从语言学的角度确定了 NLG 中主要的不确定性来源，并提出了一个比流行的整体 / 种类二分法更具信息量和忠实度的二维分类系统。最后，我们从理论转向应用，强调利用不确定性进行解码、可控生成、自我评估、选择性回答、主动学习等的令人兴奋的研究方向。

Jul, 2023

本文综述了关于深度学习在自然语言生成中出现幻觉问题的度量、缓解方法和未来方向，以及针对抽象摘要、对话生成、生成式问答、数据到文本生成、机器翻译和视觉语言生成的幻觉问题的任务特定研究进展。

Feb, 2022

本文调查了神经元数据到文本生成的方法、基准数据集和评估协议，突出了技术应用阶段及其在自然语言生成领域中的前景。

Jul, 2022

研究人工智能自然语言生成系统 (NLG)，探讨其任务与应用，介绍 NLG 领域基本知识给潜在的合作伙伴。

May, 1996