文章认为汉语与数学语言同构：数学是语义先行的形式系统，语法极简，符号直接表意，本质是跨语言的“简化字”。汉语表意、无形态屈折、语义优先，运算符可一一对应念成汉字，结构不变；英语表音且语法先行，符号须先译成词再套入主谓、时态、冠词模具，故数学公式只能“翻译”成英语，形成生硬的“数学英语”。

文章提出以音节结构和大脑解码方式为核心的新语系分类体系，区分开音节语言（如汉语）和闭音节语言（如英语）。开音节语言采用线性帧同步解码，闭音节语言需回溯重组。婴儿期语言环境塑造不同解码策略。同类型语言易融合借词，不同类型则形成双语者。作者认为孤立语化、开音节化是语言演化未来方向，汉语为典范。

文章讨论了全球主要语言在翻译新词时的策略，指出汉语坚持意译，而日语、法语、德语等逐渐放弃。冰岛语和芬兰语通过创造新词保持意译，藏语、毛利语和纳瓦霍语也在积极意译。中文成为唯一在无强制下实现全民意译的大语言。

本研究解决了大型语言模型在外语教学中的语法能力评估不足的问题，提出了CPG-EVAL基准，专门用于评估模型的教学语法知识。研究发现，小规模模型在单语言实例任务中表现良好，但在多实例任务和干扰情况下较为乏力，而大规模模型虽在干扰下表现更佳，但依然需要提高准确性。这一成果为教育工作者、政策制定者和模型开发者提供了系统评估的理论框架，有助于引导大型语言模型在教育中的有效部署。

本研究解决了在训练数据不足的情况下，神经网络在机器翻译中的表现不佳的问题。通过利用多语言预训练语言模型（mBART）和越南语、汉语的单语语料库，提出了一种有效的机器翻译方法，最终显示出与变换模型相比，性能提升了8%。

本研究针对越南语-汉语和越南语-老挝语的机器翻译评估，结合自动指标与专家评审，提出了全面的评估方法，为翻译模型的改进提供依据。

本研究针对汉语语法错误纠正（CGEC）中存在的样本纠正难度不同的问题，提出了一种多层次的课程学习框架，以便更有效地训练模型。通过先评估样本的纠正难度，从简单到困难逐步输入模型，并调整损失函数以优化模型的学习方向，实验证明该方法显著提升了纠正性能。

本文介绍了一种新颖的中文方言TTS前端和翻译模块，旨在将普通话文本转化为方言，以提高语音合成的可懂性和自然度。实验结果表明，该方法在粤语上的性能显著提升。此外，研究还探讨了多说话人语音合成、跨语言语音转移及情感语音合成模型，均取得良好效果。

该研究聚焦于低资源语言的机器翻译，特别是尼日尔及其他非洲语言。通过构建数据集和优化模型，提升了翻译效果，推动了相关语言翻译系统的发展。

本文研究了中文拼写纠错，提出了基于重构句子的训练方法和异构知识注入框架，显著提升了拼写检查的准确性。结合多模态信息和对比学习，开发了有效的拼写检查系统，并验证了其在多个领域的优越性能。

通过在古代汉语中开发历史心理文本分析的管道，我们结合心理测量学的专业知识与基于变压器的语言模型生成的文本表示，测量古代汉语语料库中的传统主义、规范强度和集体主义等心理构造，并通过间接监督的对比学习方法与预训练模型进行微调，展示了我们的管道的卓越性能。