本研究实证检验了自然语言中的层级结构与幂律的关系，发现现有观点缺乏支持，尤其在句法结构上不成立，结果表明需重新思考幂律与层级结构的相关性。

本研究分析了大型语言模型在细粒度语言标注中的局限性，特别是在名词、动词和复杂句法结构的检测方面。实验结果显示，这些模型在处理复杂语言时常出现错误，影响语言分析的可靠性，为未来模型设计提供了参考。

本研究探讨了注意机制与人类记忆检索的关系，分析了基于句法结构的Transformer语法（TG）的作用。实验结果表明，TG的注意机制在预测阅读时间方面优于传统Transformer，强调了句法结构在记忆表示中的重要性。

本研究探讨神经网络在语法识别中的应用，提出了多种模型（如PRPN和StructFormer），实现无监督语法分析，取得了优异效果。研究表明，神经网络能够有效提取句法结构，提升语言模型性能，在英语和中文实验中表现出色。

本研究提出了一种自动框架，通过可视化语法促进语言教学，特别是印度语言Kannada和Marathi。教师认为这些材料有助于课程准备和学习者评估。此外，研究开发了在线语言学习工具，提供对话体验和自动语法反馈，以提高学习效果。

本文提出了一种基于句法结构的局部语义注意力机制，结合BERT等预训练模型，提升了句法相关词的关注度。研究表明，BERT的注意力机制与语法和指代密切相关，并在不同任务中表现出遗忘、强化或保留的特征。通过多语言BERT的实验，发现注意力模式有效代表语言结构，新模型在关系分类和问答任务中表现优异。

本文介绍了一种名为SyntaxShap的可解释性方法，用于在安全关键领域利用大型语言模型。该方法考虑了文本数据中的句法结构，并通过扩展Shapley值来考虑基于解析的句法依赖关系。研究结果表明，SyntaxShap能够生成更忠实、连贯和可解释的预测解释，适用于自回归模型。

本文介绍了分析推特的问题，提出扩展UD指南覆盖特殊结构，使用Tweet Treebank v2解决标注歧义，并构建解析为UD的系统。还验证了精简解析器集合的新方法。