本研究提出了一种任务指导的反课程学习方案，通过调整掩码比例和选择掩盖词汇，改善掩码语言模型的训练过程。结果表明，该方法在情感分析、主题分类和作者归属等任务中显著提升了模型性能。

该研究探讨了作者归属和验证方法，评估了多种模型的表现。传统Ngram模型在AA任务中表现最佳，而BERT模型在AV任务中更优。提出的作者语言模型（ALMs）在Blogs50数据集上达到83.6%的准确率，优于其他方法。研究还分析了大型语言模型在文本创作中的应用及其对教育和学术诚信的影响。

本文综述神经文本生成中的作者归属与模糊化研究，指出传统方法存在局限，并探讨匿名性与隐私问题。研究涵盖集成学习混淆、隐蔽性评估、多语言机器文本检测对抗、神经网络风格分析及DeepStyle等方法，发现现有混淆易被检测，同形异义攻击尤为突出，需提升鲁棒性与隐蔽性。

该文综述多项大语言模型研究，涵盖：神经网络语言模型在作者归属上优于传统模型；利用词汇、句法和结构风格特征追溯AI生成文本；提出评估LLM引用的基准ALCE；总结增强语言模型在推理与工具使用上的优势；构建带归属的问答评估框架；定义知识感知归因任务以减少幻觉；比较作者归属与验证方法；提出集成学习模型ALMEn用于常识验证；并探索检测与归因LLM生成文本的方法。