本文探讨了自媒体在游戏和数码产品评测中的主观性及其对专业性的影响，反思评测者的个人偏见与市场压力，指出信任危机加剧，媒体与厂商关系复杂，影响用户体验与社区互动。

GPT-5 是 OpenAI 最新的智能模型，具备深度思考能力，尤其在编程和写作方面表现突出。Nicholas-L-Johnson 的 flip-card 项目是一款超薄商务名片，具备流体仿真功能。Vibechart 强调数据可视化的主观性，指出图表可能不真实。文章还讨论了“本地优先”技术及其应用。

忒修斯之船问题探讨了事物是否保持不变的主观性。替换船的任何部分是否仍为原船因人而异，涉及认知差异。争议在于观念中的船是否变化，类似于唯名论与唯实论的争论。

本研究提出了一种管理模糊主张主观性的方法，针对主张与源文件的忠实性判断。通过引入LLM生成的总结编辑，提出了模糊重写指标（ARM），显著提高了评估一致性，并增强了对叙述模糊性的理解。

本文探讨了多个问答数据集的创建与研究，分析了个性化、主观性及偏见对问答模型的影响。研究发现，性别和种族等偏见普遍存在于模型中，影响其性能。提出了新的问答模型和任务，旨在提升模型的泛化能力和准确性，特别是在金融领域的应用。

论文提出了一种新方法，通过“语义重要性投注”评估语言模型输出的语义重要性。人类评估者对文本进行投注，判断其意义。实验显示，该方法能揭示模型生成的流畅但语义不重要的文本，补充现有评估指标的不足。但方法的主观性和激励机制问题需进一步研究。

本文探讨了计算机视觉在图像美学和情感分析中的应用，研究了图像显著性与情感之间的关系，并提出了新的数据集和模型以提升图像生成的情感表达能力。研究强调主观性在图像评估中的重要性，指出考虑用户和情境的必要性。

本研究探讨了图像生成模型评估中的主观性问题，利用Rapidata技术收集了超过200万条全球评审员的注释，结果表明该方法能够有效排名模型并减少评估偏差。

本文提出了一种自动短答案评分（ASAG）框架，旨在提高K-12教育中自由文本问题的评分准确性。研究表明，结合手工特征和深度学习模型可以提升评分效果，并探讨了评分的信任与伦理问题。通过引入可解释性模型，增强了评分的透明度和可靠性，展示了该方法在教育领域的潜力。

研究发现颜色感知和颜色语言之间存在一致性，但在主观性和抽象性的情况下降低。

颜色感知和颜色语言研究发现颜色空间和语言模型特征空间一致性，但在主观性和抽象性情况下降低。需要进一步研究。

本文介绍了一种利用多个标记数据集学习通用的域不变表示的方法，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，提出了一个半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了其有效性，可与目标领域上的监督学习相媲美。

本文介绍了 Gpachov 团队在 CLEF-2023 CheckThat！实验室任务 2 中构建的解决方案，旨在通过主观性检测确保社交网络上信息的客观性和质量。该解决方案采用了微调句子嵌入编码器模型和降维、样本高效少样本学习模型以及多语言数据集上微调多语言转换器等方法，并通过简单多数投票集成的方式融合三种方法，在测试集上达到 0.77 的宏 F1，并在英语子任务上获得第二名。

本文研究了在线辅导平台上对话的情绪估计任务，探讨了聚合评估者选择策略和机器学习算法的可靠性。发现投票共识和优化聚合方法同样有效，机器学习算法在评估主要情绪时与人类评估一样可靠。