本研究探讨惊讶感对语言处理的影响，发现传统惊讶理论能预测处理时间的线性影响，但在具体情境中效果有限，显示出当前语言模型的局限性，需进一步研究其认知相关性。

本文介绍了利用机器学习和心理学技术在社交媒体上检测自杀意念的研究进展。通过深度学习模型和心理语言学字典，开发了有效的自杀风险检测系统，取得了较高的准确率和F值。研究表明，数据集质量对检测效果影响显著，大型语言模型在自杀风险识别中表现优异，具有广泛的应用潜力。

本文探讨神经语言模型与语言学理论的关系，特别是其对负极性项的处理能力。研究发现，模型在许可环境中对负极性项有一定理解，但不同实验方法的效果差异显著。通过多种方法评估模型的语法知识，有助于深化语言模型与心理语言学的联系。

本文探讨了大语言模型在情绪智能和情感识别中的应用，特别是在多语言和跨文化的讽刺检测、人格特征识别及幽默检测等任务中的表现。研究表明，通过改进预训练模型和结合心理语言学特征，情感分析和讽刺检测的性能显著提高。

大型语言模型（LLMs）在心理语言学和科学研究中具有重要作用，能够加速文献回顾和优化科学写作，但也面临数据偏见和伦理挑战。研究表明，LLMs通过微调可以在认知模型中表现出色，推动认知心理学的新方向。