- 走向人工智能与人类共同学习：一种新的研究范式
这篇论文描述了一种研究人类与人工智能合作的新范式，称之为 “人工智能相互学习”，它定义为人类与人工智能智能代理在合作中保留、交换和改进知识的过程。我们描述了该范式下的相关方法论、动机、领域示例、益处、挑战和未来研究议程。
- 借助大型语言模型实现 FAIR 数据空间
使用语义网技术提升数据空间的可用性，但复杂性对数据空间的采用和成本产生重大挑战，大型语言模型的出现引发了如何支持公平的数据空间采用的问题，本研究通过一个具体示例展示了大型语言模型在数据空间中的潜力，并推导出一个探索这一新兴领域的研究议程。
- 卫星数据是机器学习中的独特模式
通过对卫星数据的研究，本文论述了卫星数据对于机器学习的独特性以及相关的研究议题，并提出了将 SatML 从一个有趣的应用领域转变为一个专门的研究学科的关键问题和可操作建议。
- 生成式幽灵：预测人工智能遗留的益处与风险
AI 系统快速提高了在性能的广度和深度上，它们能够创造越来越强大和逼真的代理人，包括以特定人物为模型的代理人，我们预计在我们有生之年，人们可能会普遍使用定制的 AI 代理人与亲人或更广泛的世界进行交互，我们称之为生成之灵，因为这样的代理人将 - 互动语言中的问题和失败：朝向语言学知识驱动的分类学
本研究旨在介绍一种系统的研究议程，旨在理解人类与人工会话代理之间的相互作用的本质（即人机交互，HMI），具体来说，我们将采取明确的语言学角度，重点关注已知影响人类对话流程的语言学定义变量（即人与人之间的交互，HHI）。
- 业务过程管理中的提示工程
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 - AAAIBIASeD: 将非理性引入自动化系统设计
本文主张人工智能系统需要模拟、理解、甚至复制人类的认知偏差，在人机协作中扮演更加重要的角色，并提出了关于人类认知偏差和人工智能之间相互作用的研究议程及三个感兴趣的广泛领域，并为具有更好对人类偏见的人工智能系统的设计方向提出了研究方向。
- 预测计算中朝向透视主义矫正的转变
本文阐述 “数据透视主义” 的概念，提出通过采取人类主体在机器学习过程中所涉及到的知识表达方法，来代替传统的黄金标准数据集。文章探讨了如何在实践中采用透视主义态度来解决主观和客观机器学习任务的问题，并提出相关建议和研究议程。
- 有说服力的自然语言生成 -- 文献综述
此文献综述聚焦于使用自然语言生成 (NLG) 自动检测和生成说服性文本的应用，旨在延伸之前研究的自动识别文本中的说服力的方面，通过将说服力的决定因素概念化为五个业务关注的类别：仁慈、语言适宜性、逻辑论证、可靠性、工具和数据集，重点关注生成方 - 部署机器学习的挑战：案例研究调查
该论文调查了部署机器学习模型在实际业务系统中可能遇到的挑战和关注点，并将这些挑战与机器学习部署工作流程的各个阶段对应起来，以期为解决这些挑战探索新的方法和研究方向。
- 数据科学十大研究挑战领域
探索数据科学作为一门学科的元问题，并阐述了建立数据科学研究议程的基础上的十个主意。