本研究探讨了问答和阅读理解基准中的偏见问题，指出其在不同人群和地区的代表性不足，呼吁在基准创建中关注偏见，以促进公平的大语言模型发展。

本研究提供了一个英语-约鲁巴语的评估数据集，旨在弥补高资源语言与低资源语言之间的评估差距。结果表明，约鲁巴语在自动评估中明显落后于英语，尤其在长文本理解方面，反映出英语大型语言模型在约鲁巴语阅读理解上的局限性。

本文探讨了利用BERT和机器学习方法提高学生阅读理解和科学写作自动评分的有效性。研究表明，多角度混合神经网络（HNN）在评分准确性和效率上优于传统方法，展示了机器学习在教育中的潜力。

本研究通过眼动观察分析阅读理解，提出了Fisher-SVM和Eyettention等多种模型，探讨眼动数据与机器阅读理解的关系。研究表明，眼动特征能够有效提升模型性能，并为理解阅读障碍提供新见解。

本研究通过眼动轨迹评估阅读理解能力，使用三种多模态语言模型进行预测，验证模型在不同文本和参与者下的泛化能力。结果表明，眼动数据能提供有价值的信号，帮助预测。

文章描述了一个编程任务，要求编写程序打乱英文文本中的单词字母，但保持首尾字母不变。研究表明，这种打乱对阅读理解影响不大。文章提供了Raku和Perl语言的解决方案示例，并展示了输出结果。任务旨在探索文字打乱的效果，并鼓励参与者分享结果。

本文探讨了语言模型在阅读理解中的应用，提出了一种基于熵和距离的预测器，发现上下文熵对阅读时间的预测能力优于惊奇度。研究表明，Transformer模型在处理人类阅读时间时需考虑认知能力，大型模型对罕见单词的预测更为准确。

Potsdam教科书语料库（PoTeC）包含75名参与者在阅读科学文本时的眼动数据，旨在研究学习水平、学科和文本领域对阅读理解的影响。该语料库分析专家与新手的阅读策略，并提供多层次标注特征。此外，研究还涉及其他眼动数据集，如CopCo和WebQAmGaze，探讨不同语言的阅读过程及其对自然语言处理模型的影响。

本文探讨了大型语言模型（LLMs）在长上下文理解中的表现，指出其在多次推理和细节问题上的挑战。研究表明，商业模型在短任务上优于开源模型，但在长依赖任务中仍存在困难。提出了新的评估基准和自动化数据生成流程，验证了模型在阅读理解中的能力，发现开源模型在开放和封闭任务中表现良好。总体而言，LLMs在长文本理解方面仍需改进。

本文提出了一种基于知识蒸馏的方法来解决阅读理解系统困境，通过有效论证纯知识蒸馏模型的预测能力，并提出两种创新方法来惩罚混淆答案的预测并利用蒸馏出的对齐信息指导训练。实验结果表明，该方法在推理期间仅需12倍时间，与集成模型相比，在SQuAD测试集上仅下降0.4%的F1得分，并在对抗SQuAD数据集和NarrativeQA基准测试中胜过老师。

Yi系列人工智能模型估值10亿美元，可用于常识推理、阅读理解和数学/代码问题的任务，存在非标准许可证的问题。

该文介绍了一种简单的框架，使预训练Transformer能够处理更长的序列，同时计算和内存成本与输入序列长度线性增长。通过在编码步骤中对块间信息进行对齐，提取块间语义信息。实验结果表明，该方法在长文本摘要和阅读理解任务上取得了有效的改进。

本文介绍了一种基于智能手机的凝视追踪器的开源实现，利用机器学习技术实现了与专业设备相当准确度的眼动追踪解决方案。强调了智能手机凝视追踪在阅读理解挑战中的应用潜力，以及在视觉研究、无障碍增强和医疗应用等领域的益处。

该文介绍了一种使用文本百科知识进行文本表征的方法，并将其应用于阅读理解任务。该方法通过编码与实体相关的背景句子来实现基于事实推理的任务，并通过预训练进一步提高知识集成能力。在实验中，该方法相对于不整合背景知识的模型取得了显著的性能提升。