该研究创建了适用于跨语种论证挖掘的平行语料库，并比较了注释映射和基于双语词嵌入的直接转移策略，发现前者表现更好且几乎消除了跨语种传递的损失。

Jul, 2018

本研究探索了利用多语言BERT模型进行传输学习，以识别非英语语言中的论证挖掘任务。结果表明，机器翻译的质量对于论点立场和证据检测任务而言很好，但对于论证质量评估任务来说则不太适合。研究还展示了语言选择和它们之间的关系对结果模型的准确性产生了影响，并提供了一个多语言的人工数据集，以方便进行传输学习的效果评估。

Oct, 2020

本研究针对少样本跨语言迁移问题进行了试验设计和成功案例分析，并提出了集成功效设计的实验方案。通过对六个不同自然语言处理任务的40组样本进行分析，阐明了字典特性在少样本迁移中的作用，并证明了简单的完整模型微调方法在少样本迁移中的有效性。同时，开放了部分样本，为标准化的跨语言实验设计提供了参考。

Dec, 2020

本文介绍利用多语言预训练生成式语言模型进行零-shot的跨语言事件论元提取的研究。通过将EAE视为语言生成任务，论文提出的方法能够有效编码事件结构并捕获论元之间的依赖关系，提出了语言无关的模板以表示事件论元结构，从而适用于任何语言，最终在源语言训练模型，并直接应用于目标语言以实现事件论元提取。实验表明，所提出的模型在零-shot跨语言EAE方面优于当前最先进的模型，论文对它的优势和现有限制进行了全面的研究和误差分析。

Mar, 2022

本文探索了各种数据选择策略，依靠多个度量，利用了渐变嵌入和损失嵌入方法，以提高针对多语言预训练模型的POS标记、NER和NLI任务的Few-shot迁移的性能。实验证明，所提出的方法始终优于随机数据选择基线，即使仅使用更少的标记数据进行零-shot迁移，也能显著提高性能。

Jun, 2022

通过实验发现，来自不同词汇语义家族的预训练语言模型如何利用辩论磋商单元任务的性能，实验结果表明，传递学习技术对任务有益，但当前方法可能不足以利用不同词汇语义家族的常识知识。

Sep, 2022

本文通过实验证明使用高容量多语言语言模型应用于零样本（基于模型的跨语言转移）情况下能够比基于数据转移更好地执行跨语言序列标注，这可能是由于语言使用的重要差异所致。

Oct, 2022

这篇研究介绍了一个新的跨语言迁移的评估标准BUFFET，其中包含15个不同类型的任务和54种语言，利用该标准评估发现，少量的训练数据对于不同语言和任务之间的语言迁移效果影响较大。

May, 2023

本文在多语言和交叉语言设置下，通过全面研究检索语义相似的少样本示例的方法来提升Transformer模型在自然语言理解任务中的性能。结果表明该方法在英语以外的单语言和交叉语言任务中均优于随机抽样。

Jun, 2023

使用多语言Transformer模型和适配器扩展加上少样本学习方法的组合，成功地在沟通科学领域的实际案例中实现了通过自动检测声明和论据并确定其立场来改善包括复杂语义类别编码在大数据集上的自动内容分析，提供了与完全微调PLMs相媲美的有效性，同时在沟通研究中具有更好的特性。

Dec, 2023