本研究探讨心理学领域中隐喻言语的抽象性和情感性如何影响篇章层面的隐喻性，并通过语料抽取和众包实验的方式，揭示人类注释者在判断隐喻表达方式及其的原因时使用的文本和感性特征。研究结果表明，与直喻相比，隐喻篇章更加情绪化和抽象化，而前文段中的隐喻性、抽象性和情感性并未对隐喻表达方式的选择产生影响。
May, 2022
本文研究如何预测在特定语境下，何时人们使用比喻语言而不是使用字面意思。作者建立了五个简单的模型，通过比较这些模型的成果与人们的判断，发现现有的认知和语言属性不足以系统地解释比喻与字面语言的选择。
该研究使用多语言数据集探索预训练语言模型中所编码的隐喻性信息，结果显示这些模型的中间层主要包含了隐喻性知识，并且该知识在多语言和多数据集中具有泛化性。
Mar, 2022
这项研究是基于大规模语料库的分析，验证了有关动词隐喻的一些存在观点，结果显示，作为隐喻使用的动词的直接宾语往往具有较低的具体性、可形象化和熟悉度，隐喻更容易在情感和主观句子中使用。
Apr, 2024
通过使用隐喻语言模型掩盖字面意思从而生成比喻性的解释，且该方法不仅关注动词，还包括名词和形容词。 这种方法在元数据的分类中实现了比人工方法更高的水平。
Oct, 2022
本文提出了一个用于自动分类习语和字面表达的算法，通过利用 LDA 无监督聚类方法和情感分析技术，采用词袋表示法来提取包含习语和字面表达的段落中的主题，从而实现对习语和字面表达的区分。
Feb, 2018
本研究采用大型语言模型，研究对比了具有体现概念的隐喻句子和不具有的，结果表明具有体现概念的隐喻句子更易被解释。
May, 2023
本研究旨在基于概念隐喻理论通过控制生成过程并使用两种方法 (词汇级和序列生成模型) 生成有意义的隐喻表达。经过自动化和人工评估，实验结果表明，无监督的 CM-Lex 模型与最新的深度学习隐喻生成系统具有竞争力；而 CM-BART 优于其他所有模型。
Jun, 2021
本研究提出了 “形象化语言图像识别” 数据集，探讨了视觉和语言模型理解多模态形象化语言的难点，并借助基准任务和基线模型初步研究了这一问题。结果表明，所有的模型在多模态形象化语言理解上都不如人类。该数据集和基准任务将促进模型更好地理解形象化语言。
Mar, 2023
本研究提出一种使用大型语言模型（LLM）与扩散模型的人工智能协作框架，旨在从语言隐喻中生成视觉隐喻，以便于传达含蓄含义并进行陈述。经过插图师的评估证明，这种协作模型的前景看好。