使用 GPT 技术提出了 ProcessGPT 作为增强数据中心和知识密集型流程决策的新技术，它可以通过使用深度学习和 NLP 来开发训练模型和生成流程来帮助提高流程管理效率，降低成本并支持业务运营的质量提升。

May, 2023

该论文通过案例研究比较了基于生成模型的聊天机器人（如 GPT 和 PaLM）在过程执行支持中的表现，揭示了使用会话式方法支持生成聊天机器人作为理解过程感知建模符号并协助用户执行任务的挑战性问题。

Nov, 2023

大规模语言模型（LLMs）在文本相关的业务流程管理任务中表现出与现有解决方案相当甚至更好的性能，这为未来的 BPM 研究和实际应用带来了重要的启示。

Jul, 2023

通过将 LLMs 的相关性和知识系统以及自动推理方法的分析精度和可靠性相结合，提出了大型过程模型（LPM），该模型将大大减少业务转型所需的时间和工作量，并能提供比以前更深入、更有影响力和更具操作性的见解。

Sep, 2023

使用 GPT-3 等自然语言处理模型在业务流程管理（BPM）领域中取得了成功，但需要 fine-tuning 以及大量适当的训练数据。为此，本文提出可以借助 prompt engineering 将这些语言模型能力引入 BPM 研究，并提出了相关潜力和挑战的研究议程。

Apr, 2023

该研究通过将 ChatGPT 等 Large Language Models（LLMs）集成到过程挖掘工具中，引入了一种新颖的方法，使过程分析对更广泛的受众更易于访问，以便将复杂数据转化为可行的见解。研究旨在调查 ChatGPT 如何增强分析能力，改进用户体验，提高可访问性以及优化过程挖掘工具的架构框架。该研究的关键创新在于为每个过程挖掘子模块开发了一个定制的提示工程策略，确保人工智能生成的输出准确且与上下文相关。

May, 2024

本文提出了一种基于大型语言模型（LLM）的创新方法，解决了自动生成复杂任务的行为树（BT）的挑战性任务。该方法利用 LLMs 的鲁棒表达和推理能力，设计了一个基于 LLM 的 BT 生成框架，通过数据合成、模型训练、应用开发和数据验证的全过程，大幅提高了 BT 生成模型的性能，并引入多级验证策略确保生成的 BT 的有效性和可执行性。

Jan, 2024

利用大型语言模型 (LLMs) 来推动组织效率和自动化任务，在本研究中创建了一个基准来评估 LLMs 在推理业务活动的因果和过程视角方面的能力，并应用 LLMs 的能力进行 BP^C 的推理，以用于流程干预和流程改进。

Jun, 2024

通过提出一种新的基线技术和构建基于机器学习的过程提取技术，将实体解析组件与实体和关系提取组件进行深度融合，以适应不同数据集和领域，从而避免了适应其他数据集、不同实体和关系类型或新领域所需的特征工程和规则定义所产生的巨大开销。

May, 2023

提出一种使用大型语言模型来增强 BDD 实践的新方法，通过零样本和少样本提示评估 GPT-3.5、GPT-4 等 LLMs 的性能，旨在自动生成无错误的 BDD 验收测试，强调该方法对于支持协作 BDD 流程和未来自动化 BDD 验收测试生成的研究具有潜力。

Mar, 2024