本研究介绍了 CARE：一种交互式的基于人工智能生成建议的工具，利用 Motivational Interviewing 框架和大规模的对话数据，帮助在线同侪咨询平台的同伴辅导员诊断哪些具体的辅导策略在特定情况下最适合，并提供个性化的参考响应，从而改善同伴咨询的质量。

May, 2023

从文献中提取细粒度实验结果可以为科学应用提供巨大效益，而本研究聚焦于生物医学领域，提出了一种新的信息抽取数据集 CARE （临床聚合导向结果抽取），以提取临床发现结果。在该数据集上对多种最先进的信息抽取系统进行了性能评估，结果表明本数据集的困难之处，尤其是关系抽取方面。

Nov, 2023

介绍了一个 230k 的社交媒体帖子数据集 CARE$_{db}$，通过 Common Affective Response（CARE）方法进行标注，旨在预测社交媒体帖子在用户中引起的情感反应，并使用该数据集训练基于 BERT 的模型预测情感反应以及情感检测。

Jan, 2022

本文介绍了一个人工标注的可解释因果推理数据集（e-CARE），包含超过 21K 个因果推理问题以及自然语言形成的解释。实验结果表明，为因果事实生成有效解释仍然是现有模型面临的难题，而解释信息有助于提高因果推理模型的准确性和稳定性。

May, 2022

本文介绍了一个全流程的共情对话代理 CAiRE，该系统运用 TransferTransfo 学习方法，通过多任务学习（响应语言模型、响应预测和对话情感检测）微调预训练的大规模语言模型，并在最近提出的具有同情心的对话数据集（Rashkin 等人，2019）上进行了评估，实验结果表明 CAiRE 在对话情感检测和共情响应生成方面实现了最先进的性能。

Jul, 2019

CAiRE-COVID 是一个实时的问题回答和多文档摘要系统，它通过结合信息提取、最新的问答和面向查询的多文档摘要技术来选择和突出查询中的证据片段，以回答与 COVID-19 相关的高优先级问题，并总结突出的问题相关信息。

May, 2020

本篇论文探讨将理性和情感融合到人工智能对话代理中的可行性，并提出了 CARE 模型，一种基于常识感知的情感响应生成模型，实验证明该模型比仅关注单一方面的现有模型在生成情感响应方面更加准确。

Dec, 2020

本研究探讨了自然语言处理技术在新型信息领域应用中的数据来源和分析问题，提出了一种名为 HARE 的系统，支持文档集合中相关信息的筛选与排序，并提供了后期处理和质量分析工具，以用于模型开发和调试，在移动信息的临床数据中应用 HARE 系统，比较了几种候选嵌入特征，提供了基于 Web 的界面和可视化工具，支持与现有注释工具的互操作。

Aug, 2019

本研究提出通过 AI 和 HCI 技术实现更智能、互动和无障碍的阅读界面，同时介绍 Semantic Reader 项目，它通过自动创建动态阅读界面，提高了学者的阅读体验。

Mar, 2023

通过整合开放科学、大型语言模型和自然语言处理功能，提供了一个 AI 文献综述套件，以优化和自动化学术和工业研究中的文献综述过程。

Jul, 2023