该研究介绍了计算机模拟在语言演化、认知科学、机器学习、机器人等领域的应用，提出了几种代表性模型的论点和已知结论。研究发现一些假设和方法限制了模型的成功，认为应重视身体和环境对智能体的影响，并以此为基础，提出了将符号系统建立在行动、知觉以及抽象系统的想法。

Mar, 2023

该研究旨在解决聊天机器人系统中当需要考虑自然语言上下文的情况及使用长短时记忆网络学习分类器的问题，并取得了显著的分类准确性提升。

Nov, 2016

通过引入上下文推理，本文提出了一种基于语义的随机模型，用于更有效地传递信息，同时证明系统二的可靠性能够随着意义概念数量的增加而提高，并通过期望语义表示位长度来衡量提取出的有效语义，实验结果表明该模型显著缩短语义表示长度且不会影响通信可靠性。

Aug, 2021

本文探讨了在新兴的网络化系统中，为了实现远程驱动，如何通过语义学方法实现目的导向的信息交换，证明了基于语义学方法采样和传输策略能够显著降低误差率和执行成本。

Jul, 2020

通过显式地对个体之间的社会关系进行建模，我们引入了一种鉴别不适当交流的新方法，并且证明了大型语言模型可以在给定的上下文中准确地识别适当性。此外，我们还证明了上下文适宜性判断对于表达出的其他社会因素（如居高临下和礼貌）具有预测性。

Jul, 2023

该论文展示了代理可以在其观察中进行空间关系的沟通，结果表明代理能够发展出能够表达其观察各部分之间关系的语言，并在需要这种沟通的参考游戏中实现 90% 以上的准确性。该论文还展示了这种新兴语言是可解释的，而且与人类的交流和解释成功完成的测试结果证实了这一点。

Jun, 2024

该论文提出了对组合方法的扩展，以支持在因果影响中确定语境性。作者提出了一个基于因果模型的组合方法的形式化定义，并通过该方法为认知实验提供了一个表示这些元素的协议，为区分噪声和因果影响提供了技术方法，从而为认知现象的语境性测量提供了一种可行性。

Feb, 2022

本研究使用中文颜色参考游戏数据，证实了中英语境下同样表现出对语境难度的敏感性；并展示了采用多任务学习方法训练的神经说话人模型，相比其单语中文模型更贴近人类对语境的依赖，并且不会以达到语言特定的语义理解为代价。

Mar, 2018

本文研究人类在社交互动中感知和行为的变化，采用预测编码理论为基础的人工神经网络训练，发现修改感官信号及先验信号的精确度可模拟社交与非社交实验中的行为数据，并且分析神经网络的活化痕迹，发现社交环境下信息编码方式与个体环境有本质差异。

Mar, 2022

语言模型的先验知识与上下文信息的整合方式对不同问题和上下文情境具有可预见的特征，模型在涉及熟悉实体的问题中更依赖于先验知识，易受特定情境影响。我们提出两个基于互信息的度量，分别衡量模型对上下文的依赖和对实体先验的敏感性。通过经验测试，验证了这些度量的有效性和可靠性，并发现其与模型对实体的熟悉程度存在关联，提供两个使用案例来说明其优势。

Apr, 2024