这项研究通过引入一个新的指导属性 “问题明确度”，旨在丰富 NLP 中问题生成（QG）的可控性，提供了在特定的叙事元素下生成问题的显式和隐式 wh-questions 的控制方法，代码公开于 github。

Jun, 2023

通过链式思考促进的 KBQG 方法在低资源情况下提供了有效的少样本问题生成方法，比现有基线方法在 KBQG 任务上取得了显著的性能提升。

Oct, 2023

本研究探索了使用各种提示策略来增强零样本视觉问答性能的方法，重点关注 BLIP2 模型，通过在多个视觉问答数据集上进行全面研究，发现精心设计的问题模板和集成附加视觉提示，如图像标题，可以提高 VQA 绩效，特别是在与少量样本示例结合使用时。

Jun, 2023

我们提出了一种结构化的思维链（SCoT）提示方法，使用预训练的大型语言模型（LLM）生成基于内容的多轮问答对话，并通过将复杂任务分解为状态机中的多个状态，通过其专用状态执行各种子任务，例如读取内容和生成话语等，以增加对基础文档的代理忠实度并减轻错误生成。

Feb, 2024

对话系统需要产生高语义可信度的能实现多种类型对话行为的回应。本文提出了一种新颖的少样本过度生成与排序方法来实现对话行为的可控生成，并将其与八种少样本提示方式进行了比较，其中包括使用文本风格转移方法从文本伪参考中生成。在生成过程中，我们开发了六个自动排序函数，可以识别具有正确对话行为和高语义准确性的输出。我们在三个领域和四个预训练语言模型上进行了测试，结果显示，几种提示设置实现了完美的对话行为准确性，并且语义准确率接近完美（99.81%），表现优于少样本微调模型。

Jul, 2023

本文讨论使用主观知识进行任务导向型对话建模的方法，重点关注回答生成。我们通过广泛的数据分析确定了回答长度、情感和对话行为等关键因素，并使用少样本学习来增强数据。我们提出了三种方法应用于 DSTC11：（1）任务特定模型探索，（2）将最频繁的问题纳入所有生成的回答，以及 （3）结合了 GPT-3 和 ChatGPT 的瀑布提示技术。

Aug, 2023

研究采用大型语言模型替代 fine-tuning 来实现可控制的混合对话，并在 PersuasionForGood 和 Emotional Support Conversations 两个任务中通过人类评估和自动度量标准显示了改进。

May, 2023

该研究提出了一种用于会话查询重写的 few-shot 生成方法，使用规则和自监督学习生成弱监督数据，并使用 GPT-2 进行优化以重写会话查询，在 TREC Conversational Assistance Track 上，我们的弱监督 GPT-2 重写器提高了 12％的准确性，仅使用极少量的手动查询重写。在零 - shot 学习设置下，该重写器仍然能够给出与之前最先进的系统相当的结果。

Jun, 2020

通过提示将零样学习和少样学习赋予 AI 新任务的方法是一种用于人工智能交互的新范例。本文分析了使用提示作为新范式的交互式创意应用程序的关键机遇和挑战，并提出了四个设计目标。我们重点关注创意写作的用例，提出了具体的 UI 设计草图，HCI 和 AI 研究社区可以以此为起点，开发出适当的用户界面，用于零样学习和少样学习模型。

Sep, 2022

本研究提出了一种基于提示的方法，通过连续或离散提示来区分不同构建的输入，例如基础来源和会话内容，证明提示的语言模型表现优于会话模型，并进一步分析影响提示效果的各种因素，为未来研究提供了有价值的发现和见解。

Sep, 2021