本研究探讨了人工智能在劝说中的能力与脆弱性，提出了一种新分类法，强调合理开发AI驱动的劝说系统可以提高安全性和有效性，降低风险。

本研究探讨了大型语言模型（LLMs），特别是ChatGPT在基于错误分类法注释机器翻译输出的能力，弥补了以往主要关注一般语言的研究空白。通过测试不同的提示语和定制的错误分类法，我们发现ChatGPT在处理DeepL翻译结果时，其注释的召回率和准确率均较高，但在对自身翻译进行评估时表现较差，揭示了自我评估的局限性。研究结果强调了LLMs在专业领域翻译评价中的潜力与局限，为未来的自动化翻译评估研究奠定了基础。

本研究探讨了贫民恐惧症对减贫政策的影响。通过与非营利组织和政府合作，建立了社交媒体上贫民恐惧症的标注语料库，并提出了新分类法以识别和追踪相关观点。

本研究探讨了人工智能中的知识不公正，提出了一种分类法，强调AI系统在全球南方国家的应用可能导致非西方知识体系的隐形化，为识别和理解AI领域的知识不公正提供了新视角。

本研究提出了一种新分类法和开源基准测试MinorBench，用于评估大型语言模型拒绝儿童不安全请求的能力。结果显示，不同模型在儿童安全合规性方面存在显著差异，为改进儿童安全机制提供了建议。

本研究解决了算法仇恨言论检测中由于多样化定义和数据集所带来的挑战。通过将现有的数据集和分类法整合为一个统一的模型，提出了一种通用分类法和能够在单一框架内检测多种定义的仇恨言论分类器。研究表明，该方法显著提升了分类性能，并在广泛适用性上具有潜力。

本研究探讨了大型语言模型在主动学习中的应用，提出分类法，分析其影响及面临的挑战，并提出未来研究方向。

本研究解决了大型语言模型（LLMs）相关的安全风险方面缺乏高质量人类标注数据集的问题。我们提出了一种全面且适应性强的风险分类法，并使用混合数据生成管道创建了Aegis 2.0数据集，包含34,248个经过注释的人机交互样本。最重要的发现显示，多种轻量级模型在使用Aegis 2.0训练后能够在安全性表现上与主流模型相媲美，为LLMs的安全防护提供了有效解决方案。

本研究提出了一种新分类法，针对27种新闻偏见类型，解决了现有媒体偏见检测的细粒度分类不足，通过比较零样本与微调模型，提高了偏见检测的质量和准确性。

本研究解决了语言类型学中对词类语义功能的量化问题，提出了一种利用感知模态的数据进行分析的新方法。研究发现，功能类和词汇类在内容丰富度上存在不对称性，并揭示了不同词类的基本语义层次，提供了关于语言中语义功能的量化证据。

本研究探讨了大型语言模型（LLMs）在智能辅导系统中的应用，包括课程规划、个性化教学和测验评估。研究表明，LLMs在教学和回答准确性方面表现良好，但在识别学生错误方面存在局限。未来将通过更多数据集提升模型能力，并开发合成对话数据集以降低成本，推动教育技术进步。

本研究针对随着基础模型驱动的自主智能体系统日益复杂所带来的观察性和可追溯性问题，提出了AgentOps平台设计的必要性。通过快速审查相关工具，研究提供了可观测性和可追溯性在整个智能体生产生命周期中的重要特征和数据概述，强调其在提升智能体系统可靠性方面的关键作用。

本研究解决了学术论文搜索中查询与文档之间学术概念匹配困难的问题。提出了一种基于分类法的语义索引框架（TaxoIndex），通过提取关键概念并组织为结构化语义索引，以提高匹配效果。研究表明，该框架在有限训练数据下显著提高了搜索效率和可解释性。

研究通过调查118篇论文，分析了158项关于有毒模因的工作，提出了新的分类法，识别模因毒性的三个维度：目标、意图和传达策略。探讨了跨模态推理、专家和文化知识整合的挑战，强调了自动毒性解释和处理资源匮乏语言的需求，并提出未来研究方向。

大型语言模型与图表示学习的结合促进了复杂数据分析的发展。研究提出了一种新分类法，分析其核心组成和操作技术，分为知识提取和整理两部分，并探讨集成和训练策略。研究揭示了有效模型设计，并指出未来研究方向。

本研究通过构建28个类别的声音分类法和数据集，解决了声音分类中高内部类变异性的问题。采用音频嵌入技术编码声学和语义信息，提高了分类准确性，强调了深入研究各阶段的重要性。

本文研究了生成敌对网络与学习压缩相结合的方法，得到一种最先进的生成有损压缩系统。该系统在广泛的比特率范围内能够视觉上令人满意地重建高分辨率图像。研究表明该方法优于以前的方法，即使使用超过2倍的比特率。