本研究提出了一种“无反馈重试”机制，以解决大型语言模型在复杂推理任务中的计算复杂性问题。研究结果表明，简单的重试方法通常优于复杂推理框架，挑战了传统对复杂方法优越性的假设。

本研究提出了一种力与语言的跨模态嵌入方法，旨在改善人机交互中言语与触觉的整合。研究表明，尽管语言与物理力特征不同，但它们可以在统一的潜在空间中量化相互关系，从而实现有效沟通。

本研究解决了自动语音识别系统在言语障碍患者语音识别方面的不足。本文提出了一种基于自监督语音表示的无监督节奏和声音转换方法，能够将言语障碍语音转换为典型语音。研究发现，尤其是在更严重的言语障碍案例中，该方法显著提高了自动语音识别的性能。

本研究提出了ToMATO基准，以解决现有心智理论测试的不足。通过角色扮演生成对话，捕捉多种心智状态，发现虚假信念的生成普遍存在，并且人格特征显著影响模型表现。

本研究解决了ECoG信号在言语运动中的激活-抑制动态关系的分析问题。通过主成分分析模型，研究揭示了言语相关活动与主成分之间的时空关系，发现两种组件足以有效表示言语运动的传感运动皮层活动。该研究的主要发现为理解言语运动中的神经机制提供了新见解，并可能推动脑机接口技术的发展。

本研究定义了新的表格摘要任务，提出了QTSumm基准测试，包含5625个查询摘要对，基于2437个表格。实验结果表明，该基准为未来研究提供了重要的挑战与发展机会。

本研究重新审视图灵测试，比较大型语言模型（如ChatGPT）与人类在理解和文本生成方面的能力，通过摘要和问答任务评估其内容质量和可读性。

研究分析大型语言模型从嘈杂对话中提取完整句子的能力。结果表明，模型在语法和语义理解上仍不如人类。

自动生成对抗言论可以有效减少社交媒体上的仇恨内容，但需考虑话题和受众。我们提出基于话语理论的新框架，研究对抗言论与仇恨评论的关系。通过Reddit数据和3.9k评论对的手动注释，识别仇恨和对抗言论，并重新表述以减少冒犯。结果表明，大型语言模型能生成有效的对抗言论，改善模型问题。

本文介绍了一种生成模型，通过结构化正则先验联合学习源和目标模型参数，解决跨语言迁移问题。利用可逆投影学习公共嵌入空间，提升跨语言词嵌入效果。在英语为源的依赖树库上评估，对10种语言的词性标注和依赖分析分别提升5.2%和8.3%。

本研究发现发话长度对发音速率的影响最大，探讨了发音速率与社交因素之间的关系。研究结果指出社会因素的影响需放在更广泛的背景下解读。

多模态大型语言模型（MLLMs）在交互中不会自发提高语言效率，与人类语言的共同特点不同，在当前的训练体制下不会出现这一属性，需要采用重型提示才能激发这种能力。

本研究介绍了一种新的计算方法，用于分析教育环境中的非语言社交行为。该模型通过整合多模态行为线索，包括面部表情、手势强度和空间动态，从教室视频中评估教师的非语言紧迫性（NVI）。经验证，该模型与相关教育结果呈中度到强相关，表明其在反映有效教学行为方面的功效。

通过研究语言特征和文本相似性，揭示了患者表达方式的差异，并利用预训练语言模型实现了准确的自动化患者声音分类。这是推进医疗标准和以患者为中心的关键一步。

本文提出了ADS-Cap框架，用于生成准确且多样化的文体标题。该框架使用对比学习模块统一成对的事实语料库和不成对的文体语料库，并通过条件变分自动编码器在潜空间中自动记忆多种文体模式以增强多样性，并通过重新检查模块提高文体准确性。实验结果显示ADS-Cap在与图片一致性、文体准确性和多样性方面表现出色。