通过对智能语言模型进行语言能力测试，我们发现 TOEFL 考试对于现代主要语言模型仍有指导意义。然而，这些模型在空白词汇项上表现较差，并且在西班牙语上泛化测试时情况更糟。尽管如此，最好的模型表现出色，并且能够指出字典中未知的词汇。

Oct, 2023

本研究使用自动排名法大幅减少专家评估的数量，并在英语中测试了该方法对具有较小样本的具体 / 抽象单词字典自动生成的可行性和准确性，结果表明构建的字典质量和专家手动构建的字典相当且预测和专家排名之间的相关性高于现有方法。

Jun, 2022

使用大型语言模型自动生成填空题，并评估其有效性和适用性，通过生成适当的句子和选择合适的答案，以提高学生的词汇掌握水平。

Mar, 2024

本文提出了 M2C，这是一种对自然语言处理模型进行语言特征行为测试的框架，并评估了 12 种类型不同的语言在不同特征测试下的表现，结果发现 NLP 模型在英语上的表现较好，但在斯瓦希里语等语言的某些特殊语言特征测试上表现不佳，这启示我们需要发展解决这些缺陷的模型。

Jul, 2023

该研究介绍了在 24 种语言中引入 15 种类型级别的探究任务，测试诸如情况标记、单词长度、形态标记计数和伪词识别等特定语法特征和语言提示的分类任务，以便探索词嵌入或黑盒神经模型的多语言语言线索，发现许多探究测试具有与子任务的显着高正相关性，特别是对于形态丰富的语言。

Mar, 2019

本篇研究提出了一种新的基于双词短语的语义能力评估测试（TWT），研究评估了 GPT-4、GPT-3.5 和 Bard 等大规模语言模型的能力，显示它们在评估短语的意义和辨别无意义词组方面均表现不佳，需要继续进行测试和改进。

Jun, 2023

本文提出一种基于预训练语言模型的简单有效的方法，用于学习英文单词在各种语言中的定义，并在新构建的数据集上进行了实验和手动分析，结果表明，我们的模型具有良好的跨语言转移能力，可以为汉语单词产生流畅的英文定义，而且生成的定义比参考文献中的定义简单，更适合语言学习者。

Oct, 2020

通过众包评估多语言测试材料和产生音频特性，本研究旨在快速评估其对语音可懂性的影响。

Mar, 2024

AI 在语言测试中应用的潜在影响和测试人员的看法的第一次实证研究表明，AI 整合可能增强公平性、一致性和可用性感知，但可能引发对可靠性和互动性的不信任，从而影响测试人员的行为和福祉，为相关利益相关者提供更全面的社会影响的认识，并协助他们做出明智的 AI 应用决策。

Jul, 2023

本研究介绍了一种名为自我翻译的新方法，通过利用多语言语言模型的少样本翻译能力，克服了使用外部翻译系统的需求，并在五项任务中的实验证明自我翻译始终优于直接推理，在非英语语言提示下，语言模型无法充分利用其多语言潜力。

Aug, 2023