本研究提出了PeerQA数据集，包含579个科学文档的问答对，旨在解决评审过程中的问题与回答不足。实验结果表明，去上下文化的方法提升了文档检索性能，为长上下文建模提供了具有挑战性的基准。

本研究提出了一种上下文化评估协议，以解决语言模型评估中上下文缺失的问题。研究表明，上下文显著影响评估结果，揭示了模型在不同上下文中的表现差异。

ColBERTer是一个上下文化的神经检索模型，使用单向量检索、多向量细化和可选词汇匹配组件。通过学习每个文档中的项的唯一整词表示并删除不必要的词表示，减少文档的存储向量数量。ColBERTer提高了检索结果的可解释性和有效性，并具有多任务学习的特点。

本研究探讨了预训练语言模型中面向方面的情感分类所面临的挑战，特别关注上下文化和产生幻觉的问题。引入了CARBD-Ko数据集，用于注释特定方面、方面极性、面向不可知极性和方面强度的句子。提出了一种使用连体网络的新方法来解决双标方面极性的问题。实验结果显示了准确预测双极性的困难，并强调了上下文化情感分析模型的重要性。CARBD-Ko数据集为未来面向层面情感分类的研究提供了宝贵的资源。