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

本文主要探讨自然语言生成器 (NLG) 领域包括方法、评估、任务等方面的相关研究，并特别关注了 NLG 被恶意利用的潜在危险，以及存在的偏见风险。

Aug, 2022

本文综述了一种新的逻辑推理范式，它使用自然语言作为知识表示（并使用预训练语言模型作为推理器），包括逻辑推理的哲学定义和分类、新范式的优势、基准和方法、新范式的挑战、未来的可取任务和方法以及与相关 NLP 领域的关系。这种新范式具有很好的前景，因为它不仅可以缓解正式表示的许多挑战，而且还对端到端的神经方法具有优势。

Mar, 2023

该研究实验了人工智能通过语言生成实现的创意写作，参赛学生使用四个文本生成器的输出作为创意创作的一部分，并在反思问题的指导下评估了他们的写作表现，研究结果有助于更好地应用自然语言生成技术于教育教学。

Jun, 2022

本文综述了过去五年间关于知识增强文本生成的研究，主要内容包括将各种形式的知识融合到文本生成中的通用方法与架构，以及基于不同形式的知识数据的具体技术和应用。

Oct, 2020

本文描述了 OntoAgent 认知架构内开发的面向智能代理的自然语言生成（NLG）的最新进展，该方法在计算语言学的知识库、代理架构和方法上深受过去自然语言理解研究的启发，以实现长期面向广泛覆盖，同时支持近期应用。

Jan, 2022

本文比较不同的信息表现形式对人类决策的影响，发现使用自然语言生成（NLG）在不确定情况下可以提高决策水平，在 442 名成年人的任务研究中，NLG 的表现相对于图形表现平均要好 24％，而将 NLG 与图形结合使用可使决策水平提高 44％。同时发现，当使用 NLG 输出时，女性的表现显著优于男性（相对于图形表现增加了 87％）。

Jun, 2016

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

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

提出一种自然语言生成系统设计的概念框架，以实现复杂的交际目标，并通过现代统计方法提供针对目标、成本和效用的具体建议。同时，倡导开发可以通过类人的方式推理目标、成本和效用的 NLG 系统。

Oct, 2022