本研究提出了一种创新框架，结合语法解析和语义角色标记，利用预训练语言模型提升共指解析的准确性。实验结果显示，该方法在多个数据集上超越传统系统，显著提高了引用歧义的识别准确率。

本研究开发了一种针对生物医学领域的共指解析系统，采用手动构建规则的方法，在多个医疗数据集上实现了89.6%的性能，验证了该方法的有效性。

本研究推出了首个法律文档数据集LegalCore，解决了法律领域事件共指解析数据不足的问题，提供全面标注，旨在挑战大型语言模型，为法律文本理解与处理提供参考。

本研究探讨了自然语言处理(NLP)低级任务对自动提取文学文本角色网络的影响，发现命名实体识别(NER)对角色检测有显著作用，而共指解析则弥补了NER的不足。传统NLP管道在召回率上优于基于大型语言模型的方法。

本研究提出新基准IdentifyMe，评估大规模语言模型在共指解析中的表现，发现开放模型与封闭模型之间存在显著差距，尤其在人称代词解析方面表现较差。

本研究通过CorPipe模型解决多语言共指解析中的零共指提及问题，采用两阶段和单阶段方法，分别提高了3.9和2.8个百分点的准确性。

本研究提出了一种长问共指适应（LQCA）的方法，优化共指解析以提升大型语言模型在长文本理解和问答中的表现。实验显示，LQCA在多个数据集上优于传统方法。

该研究使用一个包含31种南亚语言的多语种共指解析翻译数据集训练了两个模型。最佳模型在印地语黄金集上的得分分别为64和68，并指出了当前共指评估指标的局限性，呼吁开发更合适的评估指标。

DWIE是一个多任务数据集，包括命名实体识别、共指解析、关系抽取和实体链接。该数据集提出了一种新的度量标准和基于图神经网络的模型，取得了5.5个F1的提升，具有研究潜力。