本研究呈现了一个新的数据集以适用于三种语言且提供了建立和评估词汇简化系统所需的高质量数据体。通过采用神经网络架构，对两种高级系统进行了适应和评估，结果在英语中表现最佳。

Sep, 2022

使用基于 GPT-3 生成的简单流水线，在少量训练实例的情况下，通过几种不同的提示模板获得了最佳表现，可以实现对英语以外语言的简化，方法适用于西班牙语和葡萄牙语，并讨论了提示的特点和未来工作的影响。

Jan, 2023

该研究是关于 TSAR-2022 共享任务中字词简化的贡献，采用 RoBERTa 转换器语言模型扩展了无监督识别的词汇简化系统，通过采取一系列特征加权方案和基于文本蕴含的简化筛选方法，提高了系统的性能表现达 5.9％的精度，排名第二。

Dec, 2022

本文介绍了我们队伍 “teamPN” 为英语子任务所做的工作，我们创建了一个模块化的流水线，将现代转换器模型与传统的 NLP 方法相结合，创建了一个多级和模块化的系统，用于根据词性标注处理目标文本，以实现文本简化的目标。

Feb, 2023

我们通过两个以复杂句和复杂词为重点的语料库，对西班牙语文本简化（TS）在生产系统中进行评估。我们将最流行的西班牙语特定可读性评分与神经网络进行比较，并表明后者在预测用户对 TS 的偏好方面始终更好。作为分析的一部分，我们发现多语言模型在相同任务上表现不及相应的仅限西班牙语模型，然而所有模型都过于频繁地关注无关的统计特征，如句子长度。我们通过在评估中发布我们的语料库，希望推动西班牙语自然语言处理的最新技术发展。

Aug, 2023

提出了一种基于 Transformer 的多语言可控词汇简化系统，使用语言特定的前缀、控制标记和候选词从预训练的掩蔽语言模型中提取较简单的替代词，该系统在三个公开的词汇简化数据集上优于之前的最先进模型，表现良好。针对最近的 TSAR-2022 多语言 LS 共享任务数据集也展现出很强的性能，且在西班牙语和葡萄牙语中获得性能提升。

Jul, 2023

我们提出了一种基于无监督学习的词汇简化方法，仅使用单语数据和预训练语言模型。根据目标词和其上下文，我们的方法基于目标上下文和从单语数据中抽样的附加上下文生成替代词。我们在 TSAR-2022 共享任务的英语、葡萄牙语和西班牙语上进行实验，并表明我们的模型在所有语言上都显著优于其他无监督系统。我们还通过与 GPT-3.5 模型组合，建立了一个新的最先进模型。最后，我们在 SWORDS 词汇替换数据集上评估我们的模型，获得了最先进的结果。

Nov, 2023

本研究介绍 ALEXSIS-PT 语料库构建的巴西葡萄牙语言词汇简化数据集，使用 mDistilBERT，mBERT，XLM-R 和 BERTimbau 四个模型进行评估，结果表明 BERTimbau 在所有评估指标上都具有最高性能。

Sep, 2022

通过使用 MultiLS-SP/CA 数据集，本研究描述了自动词汇简化的任务，此数据集为西班牙语和加泰罗尼亚语提供了一种新的方法，首次包含西班牙语的词汇理解困难度的定量评分，并将此数据集的实验结果作为未来工作的基准。

Apr, 2024

自动将难以阅读的词替换为更易理解的替代词，以改善文本可访问性；通过创建多任务的 LS 数据集，MultiLS 框架和 MultiLS-PT 数据集的潜力得到展示，并报告了基于转换器和大型语言模型的模型性能。

Feb, 2024