本研究探讨意大利构造集与统一依存资源的关系，提出通过标注构造形式提升其可用性，以促进语言资源共享和意大利语研究的发展。

本研究探讨了多语种检索增强语言模型在处理多样语言时的挑战，提出了《Futurepedia》基准测试，评估六个多语种RALMs，揭示语言资源不均等问题并提出改进建议。

本研究通过为KIParla语料库构建普遍依赖树库，填补了意大利语资源的空白，丰富了口语意大利语的语言资源，为语言学研究提供了新视角。

该研究使用FLORES-200基准测试，对204种语言进行了实验证据和机器翻译成本分析。结果显示，GPT模型在高资源语言上表现良好，但在低资源语言上表现较差，84.1％的语言中，ChatGPT的翻译能力低于传统机器翻译模型水平。语言的资源水平是决定ChatGPT相对翻译能力的最重要特征，并且在低资源语言和非洲语言上处于劣势。