文章探讨了“使用排行榜”标签对人们心理和行为的影响。不同名称传达不同意义，如“使用排行榜”暗示更多使用更好，而“使用羞耻墙”则使人不愿使用。作者强调选择词语时需谨慎，因为它们深刻影响我们的思维和行为。

本研究解决了现有进化博弈理论和基于智能体模型中对语言表达形式利用不足的问题。提出了一种基于大型语言模型（LLMs）的模型，使得智能体之间能够进行多样化的互动并促进词语的演化与变异。研究表明，强者生存的原则导致不同物种的独特演化，其中某些大型物种在生态适应上表现出显著主导性。

本研究比较了1900至1950年间中文文献中大型语言模型（LLMs）与传统自然语言处理工具在词语分割、词性标注和命名实体识别方面的表现。结果表明，LLMs在精度上优于传统方法，但计算成本较高，反映了精度与效率之间的权衡。

本文研究如何通过与人类导师的混合主动性情境互动，获取词语的有根据表示。利用互动学习，代理可以有效地控制学习进程，并针对未知概念请求指令。研究显示，该方法在一个能够操控小物体的桌面机器人手臂上得到了验证，表明其在多种知识获取方面的有效性。

本研究提出了一种基于BARTScore的智能词语替换方法，克服了对人工标注数据的依赖，优化了模型预测与句子评分的对齐，显著提升了文本质量。

本研究针对传统基于余弦相似性的词语相似性计算方法无法捕捉语义相似性的上下文依赖性和多义性的问题，提出了一种新的相似性度量方法“词语混淆”。通过使用特征基础的分类混淆，该方法能够动态选择相似性特征并通过训练分类器来映射上下文嵌入到词语身份，从而更好地理解语言的多面性与动态性，特别是在社交科学与文化分析领域的应用潜力显著。

本研究探讨大型语言模型（LLMs）在颜色与词语关联方面的不足。尽管GPT-4o在视觉输入下的预测准确率最高，但仍仅约50%，显示出与人类能力之间的显著差距。

本文提出了一种考虑声音相关性的模型，以解决语音感知中的词语识别问题。短词汇识别速度快，而长词汇在误听时可能导致识别效率下降。

本研究解决了词语在上下文中的表示不足的问题，提出了一种从预训练的掩码语言模型中提取单语和跨语言词语表示的方法。该方法通过自注意力机制结合模型的不同隐藏层输出，避免了人工标注语料和模型参数更新的需要，并在单语和跨语言任务中均显示出竞争力和显著提升。

本研究提出了一种创新的图卷积网络模型，名为短语问题图卷积网络（PQ-GCN），通过将问题表示为图结构并结合短语特征，提高了分类准确性，尤其在数据资源匮乏的环境中。

研究发现社会属性影响有害内容和评分，探讨减缓偏见策略。

本文介绍了一种利用调优的LLMs预测新出版文章未来影响的方法。通过区分高影响力论文的共享语义特征，使用这些特征回归改进的指标TNCSI_SP，并构建了一个全面数据集。定量结果表明该方法在预测新出版文章的影响力方面达到了最先进的性能。最后，演示了一个真实应用来预测新出版期刊文章的影响力，展示了其实用价值。

该文章提出了一种基于数据分布的组合建模通用框架，用于数据增强和任务解决。通过识别数据转换并应用于普通 RNN 和转换器序列模型，取得了在视觉问答和语义分析数据集上的最先进结果。

大语言模型的准确性受到任务概率的影响，低概率情况下使用需谨慎。大语言模型应被视为独特系统，而非人类。

分析同传中顺译特征，在英日语言对中特别是英语和日语这种具有显著结构差异的语言对中，词序差异是同传的最大挑战之一。通过使用 NAIST 的英日顺译数据集对顺译特征进行了分析，并发现了一些在英日同传中使顺译困难的语法结构。通过评估现有语音翻译和同传语音翻译模型在 NAIST...