本研究提出了一种无监督方法，优化了检索增强生成（RAG）模型中上下文的利用，显著提升了问答任务的表现，尤其在PubHealth任务上准确率提高了19.7%。

本研究针对自然语言生成中控制语言模型以生成具有特定属性的文本的难题，提出了RSA-Control框架。该框架通过想象中的讲者和听者之间的递归推理，增强了目标属性在干扰因素存在下被正确理解的可能性，并引入自适应合理性参数以根据语境自动调整控制强度。实验表明，RSA-Control在保证语言流畅性和内容一致性的同时，实现了强属性控制。

本研究解决了生成性人工智能在语言学习中使用的局限性，特别是在社交语用和文化真实性方面。论文提出了针对AI系统的语言适应性改进建议，以提升其在第二语言学习中的有效性。研究结果表明，缺乏真实的语言文化背景会影响AI在语言教学中的应用效果。

本研究探讨哪些韵律特征在传达语用功能中具有重要性，尤其侧重于预测人类对话语对之间语用相似性的感知。研究发现，持续时间相关特征优于音高相关特征，且话语开头的特征比话语结尾的特征更为重要。这些结果为语音合成评估及未来韵律研究提供了重要的指导。

对于一个中学生，为什么迟迟无法在英语考试中获得高分？ 这个问题可以从很多个角度来解释，不过据我观察，其中一个很直接的原因是: 学生不知道。比如学生不知道原本学过的课内单词原来还可以这样用，比如不知道一句英文表达在实际使用时与它

该研究论文主要涉及模糊性、语用学、法律生态系统和法律的表述功能等关键词，总结简化为：讨论模糊性和语用学在法律领域的应用，以及智能法律生态系统的构建与规则遵守。

本文研究了AI生成文本与人类编写文本的差距，并提出了通过语法、语义和语用来区分AI文本的框架。发现AI生成的科学文本在深度和质量方面有待提高，存在事实性问题等差距。同时发现AI生成的科学文本与人类编写的文本在写作风格方面存在差距。提出了一些模型和特征用于其他领域的检测任务，有助于指导AI模型优化，解决伦理和安全问题。

本研究通过引入来自Twitter和YouTube的新数据集，揭示了whataboutism、宣传和‘Tu quoque'谬误之间的重叠和区别，并运用语义学的最新研究成果将'what about'词汇构造与whataboutism区分开来。实验结果显示，在Twitter和YouTube收集的数据中，取得了显著的进展。

本研究通过基于对话的任务评估 Large Language Models（LLMs）和人类主体在解释语用学方面的能力，结果显示 GPT4 在解释语用学方面表现出了优越的性能和速度，同时在人类写作样本的预测试中也表现出了准确性，进一步的分析也揭示了 LLMs 的显著和持续的发展，为通信中心领域 AI 模型的发展和应用提供了重要的启示。

该文章介绍了一个基于人工智能、因果推理和通信理论的可扩展端到端语义通信网络。该网络要求将数据驱动网络转向为知识驱动的网络，并使用语义语言和语义表示方式。文章提出了新的“推理能力”度量方法，为未来的语义通信网络提供了参考。

本文研究了科学文献中AI生成文本与人类编写文本的差距，并提出了通过语法、语义和语用来区分AI文本的框架。发现AI生成的科学文本在深度和总体质量方面有待提高，存在事实性问题等差距。同时发现AI生成的科学文本和人类编写的文本在写作风格上存在差距。提出了一些模型和分布无关的特征用于其他领域的检测任务。这些研究结果有助于指导AI模型的优化，解决相关的伦理和安全问题。

我们提出了一种实用语言理解模型，通过搜索信号博弈的正则化均衡来产生和理解话语。这个模型能够接近博弈论最优规范和共享的“默认”语义，同时保证交际成功和自然性之间的权衡。在多个数据集中，ReCo模型与最佳反应和理性言语模型的预测相匹配或改善。

本文介绍了基于语用的互动式物体抓取任务和相应的数据集IM-Dial，以及机器人系统PROGrasp的实现。PROGrasp通过视觉定位、提问、抓取和答案解释等模块，实现了基于语用推理的任务。实验表明，PROGrasp在离线和在线环境中均表现出良好的效果。