Feb, 2023

利用大型语言模型自动评分梦境报告的情感内容

PDF
TL;DR采用大型语言模型来解决自然语言处理工具在梦境研究中的局限性，通过使用混合的现成和定制方法，特别关注情感参考，最终表明我们的方法可能在大型梦境数据集的分析中应用，并可能有利于研究结果的可重复性和比较性。
dream researchnatural language processinglanguage modelsdream reportstext classification
发现论文，激发创造
  • 梦境叙事中的字符和情绪检测的序列到序列语言模型

    通过自然语言序列到序列生成框架，本研究首次在开放的 DreamBank 梦境叙述语料库的英文部分中对字符和情感进行检测，结果显示语言模型能够有效应对这一复杂任务。

    Mar, 2024

  • 梦境比你想象中更 “预测

    本篇论文利用大型语言模型研究了梦境描述和其他人类生成文本的相似度，发现总体而言梦境描述并未与维基百科等非梦境语料有明显差异，且单个梦境描述比维基百科文章更易预测。同时，文章还发现词数、性别和视力障碍等因素可能会对梦境描述的可预测性产生显著影响。

    May, 2023

  • 朝向基于情绪的合成意识：使用 LLMs 估计情绪概率向量

    利用 LLMs（大型语言模型）估计与文本相关的情感状态摘要。通过对亚马逊产品评论的情感分析，将情感描述符映射到 PCA 类型的空间中，并探索通过尾部提示来引发改进当前文本状态的行动描述，然而实验结果表明这并不是一项直接可行的任务。

    Oct, 2023

  • 分析大型语言模型在课堂讨论评估中的应用

    借助大型语言模型（LLMs）等新的自然语言处理技术，自动评估课堂讨论质量变得越来越可行。本文研究了两种 LLMs 的评估性能如何与任务制定、上下文长度和少样本示例等三个可能影响性能的因素相互作用。我们还探讨了两种 LLMs 的计算效率和预测一致性。结果表明，前述三个因素确实影响了被测试 LLMs 的性能，并且预测一致性与性能之间存在关系。我们建议采用以 LLMs 为基础的评估方法，在预测性能、计算效率和一致性方面取得良好平衡。

    Jun, 2024

  • 使用大型语言模型丰富机器学习数据集文档

    本文提出了一种利用大型语言模型和提示策略自动提取文档中的关键维度，并将其用于丰富数据集描述的方法。通过此方法，可以创建机器可读的文档，改善数据集的可发现性，评估其符合当前的 AI 法规，并改善对其训练的 ML 模型的整体质量。

    Apr, 2024

  • 大型语言模型的心理评估：注重隐私且具有成本效益的方法

    该研究探讨使用大型语言模型（LLMs）分析 Reddit 用户的文本评论，旨在实现两个主要目标：首先，找出支持预定义心理评估自杀风险的关键摘录；其次，总结材料以证实预先分配的自杀风险水平。该研究仅限于在本地运行的 “开源” LLMs 的使用，从而增强数据隐私。此外，该研究优先考虑计算要求低的模型，使其可供具有有限计算预算的个人和机构使用。该实施策略仅依靠精心设计的提示和语法来指导 LLM 的文本补全。尽管简单，评估指标显示出卓越结果，使其成为一种重要的关注隐私和成本效益的方法。这项工作是 2024 年计算语言学和临床心理学（CLPsych）共享任务的一部分。

    Feb, 2024

  • 利用大型语言模型自动化生成补丁集合从代码审查评论中

    评估预训练的大型语言模型（LLMs）在复制开发人员在代码审查评论中传统执行的任务方面的效果，通过比较它们生成的修补程序集与相同代码库的人工生成的修补程序集的历史数据，来确定 LLMs 的反馈的准确性、相关性和深度，从而评估它们支持开发人员应对代码审查评论的准备程度。

    Apr, 2024

  • 图像标题的情感背景评估

    通过图像的标题生成以及使用大型语言模型（LLMs）进行推理的方法，该论文探讨了 LLMs 是否可以支持上下文情感估计任务，并表明 GPT-3.5 模型在情感预测方面具有潜力。

    Sep, 2023

  • 机器生成报告的评估

    大型语言模型在自动报告生成方面仍面临完整性、准确性和可验证性等质量问题，本文提出了基于评估框架的自动报告生成视野，以满足用户的复杂信息需求，并实现对生成报告的完整性、准确性和可验证性的评估。

    May, 2024

  • 利用大型语言模型自动提取随机对照试验的数值结果

    现有的大型语言模型在处理复杂结果和推理时表现欠佳，虽然巨大的语言模型可以在二分结果方面接近完全自动的元分析。

    May, 2024