本研究探讨了大型语言模型（LLMs）在NL2SQL任务中的应用，尤其是在处理自然语言问题的模糊性和SQL生成的复杂性方面。通过分析延长上下文窗口对性能和延迟的权衡，首次说明了如何通过额外的上下文信息提升NL2SQL的准确性和效率。研究结果表明，基于长上下文的LLMs在处理大量上下文信息时表现稳定，且无需微调即可在BIRD基准测试中实现67.41%的良好性能。

本研究解决了学生在使用大型语言模型（LLMs）学习编程的有效性及其学习策略不明的问题。通过对计算机科学二年级学生的混合方法研究，我们发现学生在学习较难概念时，传统在线学习方法比使用ChatGPT更为有效，且他们在使用搜索引擎时询问的后续问题较少，更多使用关键词查询，而对LLMs的提示则倾向于直接要求信息。

本研究针对高等教育个性化学习算法中课程建模和领域模型的不足，提出了一种利用大型语言模型（LLMs）完成知识图谱（KG）的创新方法，旨在创建个性化学习路径推荐。研究结果表明，该方法能够有效连接不同学科的相关课程，以提升学习体验的个性化，同时获得的专家反馈也表明该合作方法在概念提取和分类中的高接受度。

本研究解决了传统任务导向对话系统训练中对高质量数据集需求高、成本和时间消耗大的问题。提出了GraphTOD框架，通过用户以JSON格式指定转移图，简化了对话生成过程。实验证明，GraphTOD能够在多个领域生成高质量对话，显著降低了数据集创建的成本和复杂性。

本文研究了大语言模型（LLMs）在生成复杂概念解释时的理解能力，填补了对其理解水平评估的空白。通过提出自我评估方法“解释-查询-测试”（EQT），研究表明EQT的性能与传统基准测试显著相关，揭示了当前LLMs在知识表示和推理能力方面的基本局限。

本研究解决了传统OCR/HTR系统在转录历史手写文档时的局限性，提出利用大型语言模型（LLMs）进行数据转录的新方法。研究发现，GPT-4o和Claude Sonnet 3.5在处理历史记录的转录时，尤其在与人类评估的比较中，显示出更高的准确性和相似度，展示了LLMs在这个领域的潜力和应用价值。

本研究解决了当前大型语言模型（LLM）在代码生成中遇到的技术和评估挑战。我们提出了一个六层的愿景框架，将代码生成过程分为不同阶段，并系统分析了LLM面临的具体问题。研究的最大贡献在于提供了关于如何改进LLM代码生成系统可靠性、鲁棒性和可用性的实际建议，为未来的代码生成工作指明方向。

本研究解决了大型语言模型（LLMs）在处理电子健康记录（EHR）时的能力缺口，尤其是在患者数据提取与检索方面。通过对MIMICSQL数据集进行广泛实验，研究发现优化特征选择和序列化方法可提升任务表现最多26.79%，并且选择相关示例的上下文学习设置能提升数据提取表现5.95%。这些发现为LLM模型在健康搜索的设计提供了指导。

本研究针对大型语言模型在主观任务上的局限性，提出了一种新的方法——通过视角转变进行推理（RPT）。该方法允许模型根据任务性质动态选择直接、角色或第三人称视角，从而提高对主观问题的理解和响应准确性。研究结果表明，与传统的单一视角方法相比，RPT在多项主观任务中表现更佳，彰显了模型适应不同视角以提供更精准响应的潜力。