本文评估了几种典型的 CSC 模型在多个特定领域的适应能力，并测试了大型语言模型 ChatGPT 的性能。实验证明，CSC 模型在新的领域中性能明显下降。

Jan, 2024

该研究使用错误一致掩蔽策略来为预训练创建数据，展示了 ECSpell 在一般基准上超越了先前的最先进模型，将可变的用户字典添加到处理零射领域适应问题的通用令牌分类基础拼写员中将进一步提高性能。

Mar, 2022

该论文介绍了一个由真实社交媒体数据构成的对拼音输入法产生的中文拼写错误进行检测和纠正的数据集（CSCD-IME），并提出了利用拼音输入法自动生成大规模高质量的伪数据的方法，实验结果表明，我们提出的伪数据构建方法能够更好地适应这种错误分布并提高 CSC 系统的性能。

Nov, 2022

我们提出了一种创新的模型无关的多阶段知识传递框架，该框架通过在每个领域中利用不断演化的教师模型进行知识传递来解决多领域中文拼写纠正模型在适应时容易遗忘先前获得的知识的问题，实验证明了我们提出方法的有效性，并进一步分析表明克服灾难性遗忘对于提高模型性能的重要性。

Feb, 2024

我们提出了一种称为 RSpell 的检索增强的拼写检查框架，通过搜索相应的领域术语并将其合并到拼写检查模型中，来增强其错误纠正能力。通过结合拼音模糊匹配和输入，我们引入了一种自适应过程控制机制来动态调整外部知识对模型的影响，同时采用迭代策略加强了 RSpell 框架的推理能力。通过在法律、医学和官方文件撰写三个领域的 CSC 数据集上进行实验，结果表明 RSpell 在零样本和微调场景下均取得了最先进的性能，验证了检索增强的拼写检查框架的有效性。我们的代码可在 https URL 获取。

Aug, 2023

我们提出了一种基于大型语言模型的中文拼写检查方法 C-LLM，该方法通过逐个字符检查错误，实现了字符级别的对齐，从而有效地缓解了与字符级别约束相关的问题。在两个中文拼写检查基准测试中的实验表明，C-LLM 相比现有方法平均提升了 10％，在一般场景下提升了 2.1％，在垂直领域场景中有显著的 12％改进，达到了最先进的性能。

Jun, 2024

本文介绍了一个名为 uChecker 的框架，该框架采用无监督的方法对汉语拼写错误进行检测和修正，其中使用 BERT 这样的模型作为骨干模型，并采用混淆集引导的 MASKing 策略来优化模型训练。实验结果表明，uChecker 在汉语拼写错误检测和修正任务的字符级和句子级准确性、精度、召回率和 F1 度量方面的表现是有效的。

Sep, 2022

本研究探讨了中文拼写纠错，提出了一种新的训练方法 Rephrasing Language Modeling，通过重新构造整个句子而非逐字符标记的方式来纠正拼写错误，取得了在细调和零样本测试中的最新最佳表现，超越了之前的方法，并能在与其他任务联合训练时学习到可迁移的语言表示。

Aug, 2023

本研究旨在解决中文语义错误诊断（CSED）的问题，构建了 CSED 语料库，并且提出了一种针对 CSED 任务的基于句法的模型，该模型表现显著优于常规模型。

May, 2023

本文提出了一种 LEAD 框架，该框架允许 CSC 模型从字典的语音、视觉和含义方面学习异构知识，并通过基于对比学习的训练方案来提高 CSC 模型的表示能力。实验证明该方法有效。

Oct, 2022