本研究提出FLUKE框架，通过最小数据变化评估模型的鲁棒性。研究发现，语言变体对模型的影响与任务相关，模型在否定修改下表现脆弱，强调了鲁棒性测试的重要性。

本研究探讨大型语言模型（LLMs）对性别包容语言的处理，发现英语存在男性偏见，而德语中的偏见更为明显，强调了模型公正性的重要性。

本研究旨在解决从人类参与者获取语言学数据的挑战，尤其是在参与者注意力控制和工作条件方面的不足。作者提出利用大型语言模型（LLMs）来优化数据收集过程，并通过两项案例研究展示LLMs在语言学任务中的优越性能及其在相似实验中的潜在应用。研究发现，进一步利用提示技术如链式思维（CoT）提示有助于提高模型与人类表现的一致性，表明LLMs在语言学领域和人文学科的未来应用值得深入探索。

本研究探讨如何将语言损伤研究及其临床治疗的见解整合，开发人性化学习策略和评估框架，以提升语言模型的表现。研究强调了源自神经语言学与失语症学的理论基础，为复杂句法现象的处理设计更严格的语言模型评估，推动创建更具可持续性和认知合理性的自然语言处理模型。

本研究探讨了语言学与人工智能之间的相关性，填补了关于二者关系的研究空白。通过对1974年至2024年间5750篇文章的科学计量分析，揭示了自20世纪80年代以来，相关出版物的显著增加以及新兴研究热点和应用的出现。研究结果显示，深度学习语言模型的快速发展，特别是ChatGPT，推动了二者的融合与创新。

本研究提出了EZSwitch框架，结合等效约束理论与大型语言模型，解决自然语言处理中的代码切换问题。结果表明，该方法生成的文本质量显著优于基准模型，并创建了CSPref数据集以验证模型表现。

研究评估大型语言模型在处理论证角色时的敏感性。结果显示，模型能区分动词在合理和不合理上下文中的应用，但未能捕捉人类在实时动词预测中的选择性，表明模型的动词合理性检测机制与人类不同。

本研究分析语言模型中语言知识的编码，特别是形态句法现象。通过Shapley头部值方法，发现BERT和RoBERTa模型的注意力头在处理语言现象时有聚类特征。这揭示了模型处理信息的独特方式，对跨语言分析和自然语言处理的可解释性有影响。

本研究通过计算方法首次定量评估斯瓦希里语中名词类别的语义一致性，并详细描述其语义内容，对语言学理解有重要影响。

本研究探讨了神经网络语言模型在句法表示和阅读时间预测中的表现。结果显示，LSTM模型在大数据集上的效果优于小数据集，边缘困惑度更能反映模型性能。此外，研究提出了评估词汇表示质量的新标准，并验证了惊奇理论与阅读时间的跨语言联系。最终，GPT-4在粗粒度合理性预测中表现良好，但在细粒度判断上仍有不足。

本文探讨了机器学习算法在语言学和博弈理论中的应用，包括改进的wake-sleep算法、NADE模型的优势、梦境描述的可预测性，以及沉睡美人问题的概率分析。研究表明，机器学习在理论完整性检测和复杂性问题解决中具有重要作用。