Jul, 2023

数字信息参与的预测模型：融合认知偏见、计算语言学和自然语言处理预测用户对英文单词的参与度

PDF
TL;DR本研究介绍并经验证一个新的数字信息参与（IE）预测模型 - READ 模型，该模型由信息参与的四个关键属性构成：代表性，易用性，情感和分发。该模型融合了累积展望理论的理论框架，将关键认知偏差与计算语言学和自然语言处理相结合，以开发对信息参与的多维视角。通过 WordNet 数据库中随机选取的 50 对同义词（总共 100 个单词）实施了严格的测试协议。通过大规模在线调查（n = 80,500）评估了这些单词的参与水平，以得出经验性 IE 指标。然后计算了每个单词的 READ 属性，并测试了其预测效果。研究结果证实了 READ 模型的稳健性，以 84％的准确率准确预测了一个单词的 IE 水平，区分了一对同义词中更具吸引力的单词。 READ 模型的潜力在于各个领域，包括商业，教育，政府和医疗，它可以增强内容的参与度，并促进 AI 语言模型的发展和生成文本工作。未来研究应解决该模型在不同领域和语言中的可扩展性和适应性问题，从而扩大其适用性和效力。
digital information engagementread modelcomputational linguisticsnatural language processingie metrics
发现论文，激发创造
  • 话语的黏着力：利用认知偏差和计算语言学预测决策和同义词的使用

    本研究利用认知心理学和信息系统研究来预测数字平台上用户参与和决策过程。通过使用自然语言处理技术和认知偏差研究的见解，我们研究用户与数字内容中的同义词的互动。通过综合用户调查，我们评估了这种模型预测用户参与的能力，发现准确代表核心思想的同义词更易理解，能引起情绪反应，并且常常遇到，能提升用户参与度。重要的是，我们的研究提供了对人机交互、数字行为和决策过程的新视角。我们的结果强调了认知偏差作为用户参与的有力指标的潜力，并强调了它们在教育和营销等领域中设计有效数字内容的重要性。

    Jul, 2023

  • 言辞的力量：词汇选择对信息参与和决策的影响

    本研究探讨了信息参与度对决策制定的影响，分析了词语选择在信息参与度中的作用，基于 User Engagement Theory 和 Information Behavior Theory 构建了一个理论框架并使用大规模用户调查验证了该框架，结果表明信息的表达方式特别是词语选择对数字化信息的解释、互动和使用具有重要的影响。

    May, 2023

  • 语言模型性能度量在心理语言学建模中的应用：人们阅读行为的概率预测

    通过对现代神经结构的分析，提出一种新的语言建模表现度量并与人类主观认知语言处理结果的相关性来重新评估 Goodkind 和 Bicknell（2018 年）的观点，证明了一种基于困惑度的语言模型能否对阅读时间进行建模的线性假设不适用于 LSTM 网络，变形器和预训练模型。

    Sep, 2020

  • 检测学习者参与度的通用模型：实施与评估

    考虑到学习者参与可以对学习者和教师带来共同的利益，本文提出了一个通用的轻量级模型，以选择和处理特征来检测学习者的参与度，同时保留随时间变化的顺序时序关系。通过分析公开可用的 DAiSEE 数据集中的视频，该模型能够捕捉学习者参与度的动态本质。此外，本文提出了一个适应策略，以通过利用与教育相关的数据集的情感状态来找到新的标签，从而提高模型的判断能力。该模型在特定实现中取得了 68.57％的准确率，并且优于研究中研究了的用于检测学习者参与度水平的最先进模型。

    May, 2024

  • 神经语言模型对人类实时理解行为的预测能力

    通过对二十多种不同的计算模型测试发现，尽管这些模型可能包含不同的结构、方法和数据集，但其前向单词期望和人类阅读行为之间的关系是很直接的，其中深度 Transformer 模型和 n-gram 模型在眼动数据方面表现优异，而在句法知识和预测能力之间不存在重大关系。

    Jun, 2020

  • 语言模型比经验可预测性更好地解释单词阅读时间

    本文研究了语言模型在理解阅读中的应用，发现概率语言模型在得知前文后更有深入的语法和语义解释，从多个层面上与阅读时间都有非常明显的关联。

    Feb, 2022

  • 语言模型模拟特定的认知模式：可预测性度量如何与个体差异相互作用的研究

    通过整合语言用户的认知能力信息，重新评估了从多种语言模型中估计出的意外性和熵的预测能力，以读时数据作为对处理工作的度量，研究发现大多数情况下，整合认知能力提高了意外性和熵对读时的预测能力，并且研究结果表明分析的语言模型模拟了具有较低语言智力的读者，对具有高语言智力的目标群体的预测估计较不准确。

    Jun, 2024

  • 经验、分布和依存基词汇嵌入在解码脑活动中具有互补作用

    通过比较 8 个不同的词向量模型的表现，研究发现在用于预测与具体名词相关的神经激活模式时，神经词向量模型表现优异；在其他情况下 GloVe 分布式模型表现最佳。这表明大脑使用不同的系统来处理不同类型的单词，为更好地理解大脑的单词相关认知活动提供了有用的启示。

    Nov, 2017

  • 预测性参与度：评估开放域对话系统的有效指标

    该论文研究了基于用户参与度的智能对话系统的质量评估方法，提出了新的自动评估指标 —— 预测性参与度，并证明了预测性参与度可以用作实时反馈来改进对话模型。

    Nov, 2019

  • 个体文本语料预测开放性、兴趣、知识和教育水平

    通过对用户的谷歌搜索历史进行分析，我们研究了个体的开放性经验维度是否可以进行预测。使用网络爬虫技术，我们从 214 名参与者生成了个体文本语料库 (ICs)，平均包含 500 万个词元。我们训练了 word2vec 模型，并使用 IC 标签词的相似性进行标注，这些标签词是从人格词汇的词法方法中得出的。这些 IC - 标签词的相似性被用作神经模型的预测特征。我们使用 179 名参与者进行训练和验证，并保留了 35 个参与者的测试样本。我们进行了一系列的网格搜索，包括不同数量的预测特征、隐藏单元和提升因子。我们使用在验证样本上的 R2 值作为模型选择准则，同时还考虑了训练和验证之间的 R2 差异。选择的神经模型在测试样本中解释了 35% 的开放性方差，具有相同架构的集成模型对知识人文学科的兴趣和教育水平提供了稍微更稳定的预测。最后，学习曲线分析表明大约需要 500 名训练参与者来进行具有普遍适用性的预测。我们讨论了个体文本语料库作为问卷调查心理诊断的补充或替代品。

    Mar, 2024