本文研究了新自动化工具在阿拉伯隐喻语料库中的情感分类，填补了阿拉伯隐喻情感分析的空白。采用语义情感标签，评估标准包括F值、召回率和准确率，首次揭示了阿拉伯网络隐喻对情感的影响。

本研究提出了JEEM基准，用于评估视觉语言模型在四个阿拉伯国家（约旦、阿联酋、埃及和摩洛哥）的视觉理解能力。研究发现，主流阿拉伯视觉语言模型在理解视觉内容和生成方言特定文本方面的表现不佳，强调了创建更具包容性的模型和具有文化多样性的评估框架的必要性。

本研究提出了阿联酋多任务（EMT）数据集，这是首个公开的阿拉伯海湾地区自动驾驶数据集，旨在解决该地区独特的道路拓扑和交通拥堵问题。文章提供了数据集中包括多目标跟踪、轨迹预测和意图预测的多任务挑战，显著增强了对该地区自动驾驶系统的理解和评估。此数据集的发布将推动自动驾驶技术在该区域的进一步发展。

本研究提出Dialect2SQL，这是首个针对摩洛哥达里贾的跨领域文本到SQL数据集，包含9,428个自然语言问题及其对应的SQL查询，旨在解决阿拉伯方言资源不足的问题。

本研究解决了阿拉伯语教育工具匮乏的问题，提出了一种基于先进语言模型的阿拉伯填字游戏生成器。该生成器使用了名为Arabic-Clue-Instruct的超过50,000条目的数据集，能够为特定文本和关键词生成相关线索。研究结果表明，这种新的工具不仅提高了语言学习的趣味性和效果，还为互动和认知学习技术树立了新标准。

本研究解决了在医疗领域开发能够进行多语种理解和医学知识的大型语言模型（LLMs）所面临的挑战。研究表明，简单翻译医学数据并不能保证在目标语言上的临床任务表现优异，而是需要通过优化训练数据中的语言比例来提升不同医学任务的表现。结果表明，大型模型在土著语言的临床任务上表现更好，同时强调了在多语种医学环境中，数据和计算密集型的预训练方法的必要性。

本研究提出了一种结合深度学习与可解释人工智能的方法，以提高阿拉伯手语识别的准确性和可解释性。使用EfficientNet-B2模型，识别准确率达到99.48%。

本文提出了一种新方法，通过量化低秩适配(QLoRA)对4GB显存系统进行阿拉伯语言处理的Qwen2-1.5B模型微调，显著提升了文本分类、问答和方言识别等任务的性能，最终损失降至0.1083，为低资源语言适配做出了重要贡献。

本研究提出了一种阿拉伯稳定语言模型1.6B，旨在解决阿拉伯语言处理中的参数过多和硬件要求高的问题，并在多个基准测试中表现优越，为低资源语言研究提供了轻量级选择。

本研究分析了ChatGPT在翻译阿拉伯誓言时的表现，指出其在宗教和文化理解方面存在明显不足，强调了改进的必要性。

本研究探讨了阿拉伯作家短篇小说中的拐弯抹角翻译问题，识别并分类了相关实例，揭示了翻译面临的挑战与局限性，同时指出阿拉伯语与英语元话语的相似性。

该研究探讨了大型语言模型中的偏见及其对公正性和可靠性的影响，分析了提示工程技术揭示偏见的方法，并测试了针对偏见的越狱提示。实验结果表明，尽管模型能力强大，但仍可被操控，强调了加强安全技术的必要性。

本研究解决了对埃及古典与现代音乐进行作曲家分类和生成的难题。采用卷积神经网络（CNN）进行音乐分类，并利用CNN自编码器生成新音乐，模型在作曲家分类上的准确率达81.4%。该系统为音乐推荐、制作和教育等领域提供了前景广阔的应用方案。

本研究结合深度学习、迁移学习和变压器模型，提高了阿拉伯字母手语识别的准确性，在两个数据集上实现了99.6%的识别精度，为阿拉伯语听障人士提供了更好的沟通方式。

研究显示，fine-tuned 大型语言模型在阿拉伯语语法纠正中表现优异。结合提示方法和少样本学习，GPT-4 在专家提示下的 F1 分数为 65.49。然而，完全 fine-tuned 的小模型性能更佳。受低资源机器翻译启发，研究利用合成数据，在阿拉伯语基准测试上取得了新高，QALB 数据集 F1 值分别为 72.19% 和 73.26%。

该研究探讨了多模态仇恨迷因检测中的挑战，发现仅有具有仇恨性质的文本能够泛化，图像对特定数据集敏感。研究发现文本模态的贡献程度为83%，引入迷因图像标题后减少至52%。评估显示文本混淆因素性能高于图像混淆因素。

调查研究了人工智能和大型语言模型在法律领域的应用和挑战，包括法律文本理解、案例检索和分析等任务的协同作用，以及偏见、可解释性和道德考虑等挑战。调查还提出了未来研究和发展的方向。

该研究介绍了一个超过500GB的阿拉伯语言清理文本语料库，用于提高大规模语言模型的知识和下游泛化能力。该语料库还被用于训练大型阿拉伯语言模型，在典型的NLP任务微调中表现出显着提升。