Parsing Early Modern English for Linguistic Search
Linguistic Data Consortium（语言数据联盟）；University of Pennsylvania（宾夕法尼亚大学）
我们调查的问题是，在过去几年中，NLP的进步是否可以大大增加可用于历史语法研究的数据的大小。这将NLP中的许多常用工具--词嵌入、标记和解析--结合在一起，为自动注释语料库的语言查询服务。我们训练的词性（POS）标记器和语法分析器上的语料库的历史英语，使用ELMo嵌入训练超过十亿字的类似的文本。评估基于标准度量，以及使用解析数据的查询搜索的准确性。
2020-02-24 cs.CL
Constructing a Family Tree of Ten Indo-European Languages with Delexicalized Cross-linguistic Transfer Patterns
Peking University（北京大学）
历史语言学家和语言类型学家提出的语言差异模式反映了人类语言的局限性，因而在某种程度上与二语习得是一致的。在本文中，我们验证了这一假设的10个印欧语言。我们形式化的非词汇化的传输作为可解释的树到字符串和树到树的模式，可以通过应用神经句法分析和语法归纳技术从Web数据自动诱导。这使我们能够定量地探讨跨语言迁移，并扩大调查的第二语言习得。我们扩展现有的作品，利用混合功能，并支持脱词汇化的跨语言迁移和历史比较范式产生的系统发育结构之间的协议。
2020-07-17 cs.CL
PBEBench: A Multi-Step Programming by Examples Reasoning Benchmark inspired by Historical Linguistics
Carnegie Mellon University（卡内基梅隆大学）；Ohio State University（俄亥俄州立大学）
PBEBench是一个受历史语言学启发的多步编程-by-例子推理基准，用于评估LLMs的归纳推理能力，发现模型在复杂任务中的表现存在显著差距。
2026-09-17 cs.CL
Building a linguistic corpus from bee dance data
本文讨论了在语言\textit{corpus}中收集蜜蜂舞蹈数据的问题和可能性，并使用语言工具，如齐普夫定律和熵统计来决定是否舞蹈携带任何类型的信息的问题。我们描述这一历史背景下，试图分析非人类的通信系统。
2004-06-28 cs.CL
Programming by Examples Meets Historical Linguistics: A Large Language Model Based Approach to Sound Law Induction
Carnegie Mellon University（卡内基梅隆大学）；Ohio State University（俄亥俄州立大学）
本文将自动语音定律归纳表述为示例编程，提出四种合成数据生成方法，并基于此创建了性能提升6%且参数量更少的最先进开源模型。
2025-01-27 cs.CL
Media Manipulations in the Coverage of Events of the Ukrainian Revolution of Dignity: Historical, Linguistic, and Psychological Approaches
Lviv Polytechnic National University（利沃夫国立理工大学）
本文基于历史、语言学与心理学方法，分析了乌克兰尊严革命期间在线报纸的媒体操纵行为，设计了媒体操纵检测算法并开发了应对信息攻击的方法。
2024-07-09 cs.CL cs.CY
Quantitative methods for Phylogenetic Inference in Historical Linguistics: An experimental case study of South Central Dravidian
在本文中，我们研究了两类算法的有用性距离方法，离散字符方法（Felsenstein和Felsenstein 2003）广泛用于遗传学，预测一组相关语言之间的家族关系，因此，历时语言变化。将这些算法应用于Krishnamurti等人（1983）给出的属于达罗毗荼语亚族的一组六种语言的共享同源词--有变化的同源词和变化的同源词以及不变的同源词的数量数据，我们观察到，所得到的系统发育树与使用比较重建方法构建的语言谱系树基本一致，只有一些微小的差异。此外，我们研究了这些微小的差异，发现即使对于训练有素的历史语言学家来说，它们也是真正的歧义。我们使用一个定义明确的标准来评估通过我们的实验获得的树，并在这里报告结果。我们最后得出结论，定量的方法，如我们所研究的是非常有用的预测语言之间的家庭关系。此外，我们的结论是，一定程度的信心所附的直觉，可能确实存在一个平行的过程之间的语言和遗传的变化是不是完全错位。
2014-01-03 cs.AI cs.CL
Cognate Transformer for Automated Phonological Reconstruction and Cognate Reflex Prediction
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
本文提出Cognate Transformer，将蛋白质语言模型MSA Transformer应用于自动音韵重构和同源词反映预测，实验表明其性能优于现有模型。
2023-10-18 cs.CL
Lexical bundles in computational linguistics academic literature
本研究分析了一个800万字的计算语言学学术文献语料库。基于结构和功能对来自该语料库的词束进行分类。
2016-03-10 cs.CL
ChronoLens: Measuring Language Change Across Time, Languages, and Linguistic Levels
ChronoLens框架结合多语言模型等技术，分析1803-2026年五议会传统的海量文本，揭示同语言内各语言层面变化幅度相当、不同语言变化轨迹有差异，为跨语言历史语言变化研究提供方法。
2026-08-05 cs.AI cs.CL
Modern Models, Medieval Texts: A POS Tagging Study of Old Occitan
Bavarian Academy of Sciences（巴伐利亚科学院）；LMU Munich（慕尼黑大学）；Albert-Ludwigs-Universität Freiburg（弗莱堡大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文通过古奥克语圣徒传记与医学两个语料库的词性标注实验，揭示开源大语言模型在处理低资源、非标准化历史语言时的性能局限，并提供错误分析与改进建议。
2025-03-10 cs.CL
Logical Computational Linguistics
本书提出逻辑计算语言学，提供逻辑语义接口，整合二十多年类型逻辑语法研究并引入新思想。
2026-04-19 cs.CL
Cross-Linguistic Transcription and Phonological Representation in the Huìtóngguǎnxì Huáyíyìyǔ
Department of Korean language and literature, Duksung Women’s University（韩国语言文学系，杜克松女子大学）
本研究将《会同馆华夷译语》视为一个连贯的多语言转写系统，通过数字化和音系分析，揭示了其主要转写和补充转写的跨语言规律，并论证了该系统作为历史音系证据的价值。
2026-05-26 cs.CL
Pretraining Language Models for Diachronic Linguistic Change Discovery
University of Hamburg（汉堡大学）；Center for Digital Humanities, Johns Hopkins University（约翰霍普金斯大学数字人文中心）；IBM Research, MIT（麻省理工学院IBM研究院）
本文提出通过预训练语言模型发现历时语言变化，通过高效预训练技术处理大规模语料，发现预训练模型在训练速度和历史划分尊重方面优于微调基线，展示了在历时语言学中检测词汇变化等现象的能力。
2026-02-17 cs.CL
Computational linguistics and Natural Language Processing
本章介绍了计算语言学方法，重点介绍了它们在翻译实践和研究中的应用。它涵盖了计算模型，方法和工具的收集，存储，索引和分析的语言数据在翻译的背景下，并讨论了在这一领域的主要方法问题和挑战。虽然对现有计算语言学方法和工具的详尽回顾超出了本章的范围，但我们描述了最具代表性的方法，并通过典型应用的描述来说明它们。
2022-06-14 cs.CL
Style Matters! Investigating Linguistic Style in Online Communities
University of Iowa（爱荷华大学）
从历史上看，内容一直是研究在线社区语言的主要镜头。本文的重点是社区的语言风格。虽然我们知道个人有可区分的风格，但在这里我们要问的是，社区是否有可区分的风格。此外，虽然之前的工作依赖于风格的狭义定义，但我们采用了涉及262个特征的广泛定义来分析来自3个社交媒体平台的9个在线社区的语言风格，讨论政治，电视和旅游。我们发现社区确实有不同的风格。此外，风格是一个很好的预测群体成员（F-得分0.952和准确性96.09%）。虽然平均而言，它在统计上等同于单独使用内容的预测，但它对训练数据的减少更具弹性。
2022-09-27 cs.CL
Historical Ink: 19th Century Latin American Spanish Newspaper Corpus with LLM OCR Correction
Universidad de los Andes（安第斯大学）；Rice University（莱斯大学）
本文构建了19世纪拉丁美洲报纸文本新数据集，并开发了基于大语言模型的半自动化框架，用于OCR错误校正和语言表层形式检测，填补了该地区历史语言学语料库空白。
2024-10-04 cs.CL cs.DL
Computational Representation of Linguistic Structures using Domain-Specific Languages
University of Cologne（科隆大学）；German Institute of Medical Documentation and Information（德国医学文献与信息研究所）
我们描述了一个模块化的系统，用于从使用特定领域的语言的基本语言结构的正式定义生成句子。该系统一般使用Java，用于词条的Prolog和基于功能语法和功能语篇语法符号的自定义域特定语言，使用ANTLR解析器生成器实现。我们展示了如何在一个自然语言处理系统中将语言和技术部分结合在一起，以及如何将特定领域的语言用作语言描述中一致的正式符号的工具。
2008-05-21 cs.CL
A computational linguistic study of personal recovery in bipolar disorder
Spectrum Centre for Mental Health Research（斯佩克特鲁姆心理健康研究中心）；Lancaster University（兰卡斯特大学）
心理健康研究可以受益于越来越多的计算语言学方法，在互联网上提供丰富的语言数据和先进的计算工具。这个跨学科项目将收集和分析被诊断患有双相情感障碍的个人的社交媒体数据，以了解他们的康复经历。个人康复-沿着严重心理健康问题的症状过上满意和有贡献的生活-到目前为止，只对西方国家主要讲英语的参与者进行了结构化访谈和标准化问卷的定性和定量调查。作为对这一证据的补充，计算语言学方法使我们能够分析大量在线共享的第一人称账户，代表非结构化的环境和更异质的多语言人群，以更全面地了解双相情感障碍患者个人康复的各个方面和机制。
2019-06-03 cs.CL
Exploring the Constructicon: Linguistic Analysis of a Computational CxG
New Zealand Institute for Language, Brain and Behaviour（新西兰语言、大脑与行为研究所）；University of Canterbury（坎特伯雷大学）
最近的工作制定了计算构式语法的任务，产生一个constructicon给定的语料库的用法。以前的工作已经评估了这些无监督的语法使用内部指标（例如，最小描述长度）和外部指标（例如，方言任务的性能）。本文从语言学的角度来研究评价，首先学习构式，然后从语言学的角度来分析构式的内容。分析表明，习得构式可分为九种主要类型，其中动词性和名词性构式最为常见。本文还表明，标记和类型频率的结构可以用来模拟跨语域和方言的变化。
2023-01-30 cs.CL
Open Korean Historical Corpus: A Millennia-Scale Diachronic Collection of Public Domain Texts
本文介绍了一个涵盖1300年历史的韩国语料库，用于量化分析语言演变，包括韩文书写系统的变化及现代语言模型的改进。
2026-03-05 cs.CL
Cultural Shift or Linguistic Drift? Comparing Two Computational Measures of Semantic Change
Stanford University（斯坦福大学）
词汇的意义变化有很多原因，包括文化因素，如新技术和常规的语言过程，如主观化。理解语言和文化的演变需要解开这些潜在的原因。在这里，我们将展示如何使用两种不同的分布措施来检测两种不同类型的语义变化。第一个措施，这已经在许多以前的作品中使用，分析一个词的分布语义的全球变化，它是敏感的变化，由于语言漂移的常规过程，如语义概括的承诺（“我承诺。”--“它保证会令人兴奋。").第二个衡量标准，我们在这里开发的，重点是一个词的最近的语义邻居的本地变化;它是更敏感的文化转变，如细胞的意义的变化（“监狱细胞”->“手机”）。通过比较这两种方法所做的测量，研究人员可以确定变化在本质上是更多的文化还是语言，这一区别对于数字人文和历史语言学的工作至关重要。
2016-09-24 cs.CL
Linguistic Features of Genre and Method Variation in Translation: A Computational Perspective
University of Wolverhampton（伍尔弗汉普顿大学）；Saarland University（萨尔大学）
在本文中，我们描述了使用文本分类方法来调查体裁和方法的变化，在英语-德语翻译语料库。为了这个目的，我们使用的语言动机的功能，表示文本使用的组合部分的语音标记排列在bigram，trigram，和4-grams。本文所用的分类方法是一种带有拉普拉斯平滑的贝叶斯分类器。我们利用分类器的输出对体裁和翻译方法之间的主要差异进行了广泛的特征分析。
2017-09-13 cs.CL
A Framework for the Computational Linguistic Analysis of Dehumanization
University of Michigan（密歇根大学）；Carnegie Mellon University（卡内基梅隆大学）；Stanford University（斯坦福大学）
非人化是一种有害的心理过程，往往导致极端的群体间偏见、仇恨言论和针对目标社会群体的暴力。尽管有这些严重的后果和丰富的可用数据，去人性化尚未进行大规模的计算研究。借鉴社会心理学的研究，我们创建了一个计算语言学的框架来分析非人性化的语言，通过识别非人性化的显着组成部分的语言相关。然后，我们应用这个框架来分析1986年至2015年《纽约时报》对LGBTQ人群的讨论。总的来说，随着时间的推移，我们发现对LGBTQ人群的描述越来越人性化。然而，我们发现同性恋这个标签与非人性化的态度比其他标签，如同性恋，有更强的联系。我们提出的技术强调了围绕边缘群体的语言变异和话语变化的过程。此外，大规模分析非人性化语言的能力对于自动检测和理解媒体偏见以及在线辱骂性语言具有重要意义。
2020-06-17 cs.CL
Towards Computational Linguistics in Minangkabau Language: Studies on Sentiment Analysis and Machine Translation
The University of Melbourne（墨尔本大学）；Andalas University（安达拉斯大学）
尽管一些语言学家（Rusmali等人，一九八五年; Crouch，2009）已经相当尝试定义米南卡堡语的词法和句法，但由于注释资源的稀缺，这种语言的信息处理仍然缺乏。在这项工作中，我们发布了两个米南卡堡语料库：情感分析和机器翻译，收获和构建从Twitter和维基百科。我们使用经典的机器学习和序列到序列模型（如LSTM和Transformer）在米南卡堡语言中进行了第一次计算语言学。我们的第一个实验表明，当使用印度尼西亚语训练的模型进行测试时，米南卡堡文本的分类性能显着下降。然而，在机器翻译实验中，使用双语词典的简单逐字翻译在BLEU得分方面优于LSTM和Transformer模型。
2020-09-19 cs.CL
A Survey in Automatic Irony Processing: Linguistic, Cognitive, and Multi-X Perspectives
Northwestern University（西北大学）；The Hong Kong Polytechnic University（香港理工大学）
反语是日常交际中普遍存在的一种比喻性语言。以前，许多研究者从语言学、认知科学和计算等方面对反语进行了研究。近年来，随着自然语言处理（NLP）中深度神经模型的快速发展，反语自动处理取得了一些进展。在本文中，我们将提供一个全面的概述计算反讽，从语言学理论和认知科学的见解，以及它与下游NLP任务和新提出的多X反讽处理的观点的相互作用。
2022-09-10 cs.CL
Historical Ink: Semantic Shift Detection for 19th Century Spanish
Universidad de los Andes（安第斯大学）
本研究针对19世纪西班牙语（重点为拉美西语）的语义演变检测任务，构建专属语料库与可定制流水线，用古西语微调的类BERT模型分析词义变化，为探究语言反映的文化社会变迁提供参考。
2024-07-19 cs.AI cs.CL
\textit{Versteasch du mi?} Computational and Socio-Linguistic Perspectives on GenAI, LLMs, and Non-Standard Language
University of Galway（戈尔韦大学）；University of Zurich（苏黎世大学）
本文探讨生成式人工智能和LLMs对非标准语言的处理，分析其对语言标准化和数字语言鸿沟的影响，并提出民主和去殖民化的数字学习策略。
2026-11-03 cs.CL
Computational Social Linguistics for Telugu Cultural Preservation: Novel Algorithms for Chandassu Metrical Pattern Recognition
Independent Researcher（独立研究者）；Department of Computer Science and Engineering（计算机科学与工程系）
本研究提出计算社会科学方法保护泰卢固语Chandassu格律诗传统，构建含4651首标注作品的数据集与多模块数字框架，在Chandassu Score上达91.73%准确率，为社群导向的文化保护提供新思路。
2026-10-14 cs.CL
Computational linguistic assessment of textbook and online learning media by means of threshold concepts in business education
Goethe University Frankfurt（法兰克福歌德大学）；Johannes Gutenberg-Universität Mainz（美因茨约翰内斯·古腾堡大学）；Laboratoire de Linguistique Formelle（形式语言学实验室）；Université de Paris（巴黎大学）
阈值概念是基于领域的知识获取中的关键术语。它们被认为是特定学习者领域知识概念发展的基石。然而，从语言学的角度来看，阈值概念是专门词汇的实例，表现出特定的语言特征。门槛概念通常用于教科书等专业文本中-也就是说，在正式的学习环境中。然而，他们也发生在非正式的学习环境，如报纸。在这篇文章中，第一种方法是将两条线结合成一个总体的研究计划-也就是说，提供一个计算语言评估不同的资源，包括特别是在线资源，通过阈值的概念。为此，63个阈值概念的商业教育（已收集的阈值概念研究）的分布概况进行了调查，在三种（德国）资源，即教科书，报纸和维基百科。维基百科是最大和最广泛使用的在线资源之一。我们考察了阈值概念在三类资源中的频率分布、复合分布和网络结构。本文的主要发现可以概括为以下两点：第一，这三种资源确实可以通过它们的阈值概念轮廓来区分。其次，维基百科显然是一个正式的学习资源。
2020-08-05 cs.CL
Building Tamil Treebanks
University of Jaffna（贾夫纳大学）；University of Konstanz（康斯坦茨大学）
本文探讨了通过人工标注、计算语法和机器学习三种方法构建泰米尔语树库，分析了各自的优势与挑战，强调了其对推进语言学研究和改善泰米尔语NLP工具的重要性。
2024-09-23 cs.CL
Computational Modeling of Artistic Inspiration: A Framework for Predicting Aesthetic Preferences in Lyrical Lines Using Linguistic and Stylistic Features
University of Waterloo（滑铁卢大学）；David R. Cheriton School of Computer Science（戴维·R·切里顿计算机科学学院）；Department of Management Science and Engineering（管理科学与工程系）
本研究针对艺术灵感难以系统研究的问题，提出结合语言学与风格特征及校准网络的歌词审美偏好计算框架，构建标注数据集EvocativeLines，实验显示其性能优于LLaMA-3-70b近18个点，可适配分析各类主观艺术偏好。
2024-10-03 cs.CL
Performing Stance Detection on Twitter Data using Computational Linguistics Techniques
Indiana University（印第安纳大学）
作为人类，我们经常可以从一个人的话语中检测到他或她是否赞成或反对给定的目标实体（主题，产品，另一个人等）。但从计算机的角度来看，我们需要一种方法来自动推断高音喇叭的立场，只给出推文文本。在本文中，我们提出了我们的结果，使用监督的方法对Twitter数据进行姿态检测。我们首先提取词袋来使用TIMBL进行分类，然后尝试优化特征以提高立场检测准确性，然后使用两组词典扩展数据集-争论和MPQA主观性;接下来我们探索MALT解析器并使用其依赖三元组构建特征，最后我们使用Scikit-learn随机森林实现进行分析。
2017-03-06 cs.CL
Aesthetics of Sanskrit Poetry from the Perspective of Computational Linguistics: A Case Study Analysis on Siksastaka
IIT Kanpur（印度理工学院坎普尔分校）；University of Hyderabad（海得拉巴大学）；IIT Roorkee（印度理工学院鲁尔基分校）；Utah State University（犹他州立大学）；IIT Kharagpur（印度理工学院克勒格布尔分校）；IIT Mandi（印度理工学院曼迪分校）
本文提出人机协同的可解释计算语言学框架，结合六大梵语诗学派对 Siksastaka 进行多层面标注与分析，并提供 Web 应用支持后续研究。
2023-08-14 cs.CL
CLICKER: A Computational LInguistics Classification Scheme for Educational Resources
Tata Consultancy Services Limited（塔塔咨询服务有限公司）；Yale University（耶鲁大学）；University of Waterloo（滑铁卢大学）
一个科学主题的分类方案提供了其知识体系的概述。它还可以用来方便访问与该主题有关的研究文章和其他材料。例如，ACM Computing Classification System（CCS）用于ACM数字图书馆搜索界面，也用于索引计算机科学论文。我们观察到，像CCS或数学主题分类（MSC）这样的综合分类系统并不存在于计算语言学（CL）和自然语言处理（NLP）中。我们提出了一个分类方案- CLICKER CL/NLP的基础上分析了77个大学课程在线讲座在这个问题上。目前提出的分类法包括334个主题，并侧重于CL/NLP的教育方面;它主要基于但不限于NLP课程的讲义。我们讨论了这样的分类可以帮助在各种现实世界中的应用，包括辅导平台，资源检索，资源推荐，先决条件链学习，和调查生成。
2021-12-16 cs.CL
Opportunities and Challenges of Large Language Models for Low-Resource Languages in Humanities Research
School of Computing, The University of Georgia（佐治亚大学计算机学院）；Department of Mathematical and Statistical Sciences, University of Alberta（阿尔伯塔大学数学与统计科学系）；University of California, Los Angeles（加州大学洛杉矶分校）；Department of Radiology, Massachusetts General Hospital and Harvard Medical School（麻省总医院放射科和哈佛医学院）
本文探讨了大型语言模型在低资源语言研究中的应用，分析了数据获取、模型适应性和文化敏感性等挑战，并强调了跨学科合作与定制模型的重要性。
2026-04-17 cs.AI cs.CL
An efficient automated data analytics approach to large scale computational comparative linguistics
Department of Computer Science Brunel University London（伦敦布鲁内尔大学计算机科学系）
该研究项目旨在克服分析人类语言关系的挑战，通过开发自动比较技术促进语言分组和它们之间的谱系关系的形成。技术是基于某些关键词和概念的语音表示。示例词集包括数字1-10（策划），数字1-10和绵羊计数数字1-10（其他来源）的大型数据库，颜色（策划），基本词（策划）。为了能够在组内进行比较，基于Levenshtein距离度量计算编辑距离的度量。两个字符串之间的度量是单个字符编辑的最小数量，操作包括：插入，删除或替换。为了探索哪些单词表现出或多或少的变化，哪些单词更容易保存，并研究如何根据集合内的语言距离对语言进行分组，涉及了几种数据分析技术。其中包括密度评估、等级聚类、轮廓、平均值、标准差和Bhattacharya系数计算。这些技术导致了后来通过结合Unix shell脚本，开发的R包和SWI Prolog实现的工作流的开发。这被证明是计算效率高，并允许快速探索大型语言集及其分析。
2020-01-31 cs.CL
Advancing the Database of Cross-Linguistic Colexifications with New Workflows and Data
Max Planck Institute for Evolutionary Anthropology（马克斯·普朗克进化人类学研究所）；University of Passau（帕绍大学）
本文介绍新版跨语言同词化数据库，通过改进数据处理、筛选与呈现工作流，提升了语系覆盖均衡性与数据质量，为语言类型学、历史语言学、心理语言学及计算语言学等领域的开放问题研究提供新资源。
2025-08-21 cs.CL cs.DB
Group Communication Analysis: A Computational Linguistics Approach for Detecting Sociocognitive Roles in Multi-Party Interactions
University of Michigan（密歇根大学）；University of Memphis（孟菲斯大学）
角色是理解人类社会认知行为的重要概念之一。在小组互动中，成员在讨论中扮演不同的角色。角色具有不同的行为参与模式（即，主动或被动，领先或跟随），贡献特性（即，提供新的信息或呼应给定的材料），和社会取向（即，个人或团体）。这些角色的不同组合可以产生不同的群体结果，对集体目标的生产力或低或高。在在线协作学习环境中，这可能会导致个人参与者的学习结果更好或更差。在这项研究中，我们提出并验证了一种新的方法来检测新兴的角色，从参与者的贡献和互动模式。具体来说，我们开发了一个组通信分析（GCA）相结合的自动计算语言技术与分析的顺序互动的在线组通信。GCA应用于三个大型协作交互数据集（参与者N = 2，429;组N = 3，598）。聚类分析和线性混合效应模型被用来评估GCA方法的有效性和学习者角色对学生和小组成绩的影响。结果表明，参与者的语言协调和衔接模式是个人在合作讨论中所扮演的角色的代表。更广泛地说，GCA为研究人员提供了一个框架，以探索与参与者的角色和成功合作相关的社会认知过程相关的微观内部和人际模式。
2018-01-07 cs.CL
Distributional Semantics and Linguistic Theory
Universitat Pompeu Fabra（庞培法布拉大学）；Catalan Institution for Research and Advanced Studies (ICREA)（加泰罗尼亚高等研究院）
分布语义学提供了多维的，分级的，经验诱导的词表示，成功地捕捉了自然语言中的许多方面的意义，如在计算语言学的大量工作所示，但它在理论语言学的影响迄今为止是有限的。这篇评论提供了一个重要的讨论的文献分布语义学，强调的方法和结果，是相关的理论语言学，在三个领域：语义变化，一词多义和组成，和语法语义接口（具体来说，接口的语义与句法和派生形态）。该评论旨在促进语言的理论和计算方法的更大的交叉施肥，作为一种手段，以提高我们对语言如何工作的集体知识。
2020-03-18 cs.CL
A Survey of Code-switching: Linguistic and Social Perspectives for Language Technologies
Ghent University（根特大学）；Microsoft Research India（微软印度研究院）；UT at Austin（德克萨斯大学奥斯汀分校）
近年来，对代表多种语言的数据的分析在计算语言学家中得到了普及。到目前为止，大部分研究主要集中在计算方法的改进上，在很大程度上忽略了语言学长期文献中广泛讨论的C-S的语言和社会方面。为了填补这一空白，我们提供了一个调查的代码转换（C-S）涵盖在语言学文献与语言技术的关键问题的反思。从语言学的角度来看，我们提供了一个概述的结构和功能模式的C-S集中在文学从欧洲和印度的背景下，高度多语言的地区。从语言技术的角度来看，我们讨论了如何大量的语言模型未能代表不同的C-S类型，由于缺乏适当的训练数据，缺乏强大的C-S（跨多语言的情况和C-S类型）的评估基准，以及缺乏端到端的系统，涵盖社会语言学方面的C-S。我们的调查将是朝着计算科学家和语言学家在多语言和C-S方面共同利益的结果迈出的一步。
2023-01-05 cs.CL
Linguistics Computation, Automatic Model Generation, and Intensions
提出了用于定义计算语言学理论模型的技术。作者提出的人工智能规划与推理的广义图建模方法，也适用于语言学理论的计算模型。结果表明，对于外延和内涵的解释，模型可以自动生成的语言学理论为自然语言的计算分配的意义。保留字：计算语言学，推理模型，模型G图，动态模型实现，人工智能语言学和逻辑学
1994-09-09 cmp-lg cs.CL
Charting a Decade of Computational Linguistics in Italy: The CLiC-it Corpus
CNR（意大利国家研究理事会）；University of Pisa（比萨大学）；CoLingLab（语言学协作实验室）
本文通过构建 CLiC-it 语料库，分析意大利 CL/NLP 会议十年论文，揭示研究趋势从词汇语义资源转向语言建模与多模态，为社区提供发展洞察。
2025-09-24 cs.CL
ChiSCor: A Corpus of Freely Told Fantasy Stories by Dutch Children for Computational Linguistics and Cognitive Science
Leiden Institute of Advanced Computer Science（莱顿大学高级计算机科学研究所）；Leiden University Medical Centre（莱顿大学医学中心）
本文发布包含619个荷兰儿童自由讲述奇幻故事的ChiSCor语料库，并通过句法复杂度、Zipf定律和词元向量三个案例展示其在儿童语言与认知研究中的潜力。
2023-10-31 cs.CL
Linguistics and Human Brain: A Perspective of Computational Neuroscience
Institute of AI and Robotics, College of Intelligent Robotics and Advanced Manufacturing, Fudan University（人工智能与机器人研究院，智能机器人与先进制造学院，复旦大学）；Department of Language Science and Technology, The Hong Kong Polytechnic University（语言科学与技术系，香港理工大学）；Department of Computing, The Hong Kong Polytechnic University（计算系，香港理工大学）
本文从计算神经科学视角，通过建模、模拟和数据分析将语言层次动态结构转化为可测试神经模型，并利用深度学习和大语言模型探索语言处理的神经基础。
2026-06-26 cs.CL q-bio.NC
A GAN and LLM-Driven Data Augmentation Framework for Dynamic Linguistic Pattern Modeling in Chinese Sarcasm Detection
School of Cyber Science and Engineering, Sichuan University（四川大学网络空间安全学院）；State Key Laboratory of Fluid Power and Mechatronic Systems, Zhejiang University（浙江大学流体动力与机电系统国家重点实验室）；Law School, Sichuan University（四川大学法学院）
本文提出基于GAN和LLM的数据增强框架，动态建模用户语言模式以提升中文讽刺检测效果，通过合成SinaSarc数据集并扩展BERT架构，实验表明模型在非讽刺和讽刺类别中均取得最高F1分数。
2026-04-09 cs.AI cs.CL
An open diachronic corpus of historical Spanish: annotation criteria and automatic modernisation of spelling
Universitat d’Alacant（阿利坎特大学）
历史西班牙语的IMPACT-es历时语料库汇编了100多本书-包含约800万个单词-除了一个补充词典，该词典将1万多个词元与文件中发现的不同变体的证明联系起来。本文本语料库和随附的词典已根据开放许可证（Creative Commons by-nc-sa）发布，以允许在语言学研究中对其进行深入开发。语料库中大约7%的单词（旨在提高最常见单词形式的覆盖率的选择）已经用它们的词元，词性和现代等价物进行了注释。本文介绍了注释遵循的标准和标准，基于文本编码倡议的建议，用于表示数字形式的文本。作为一个例证的历时文本资源和语言学研究之间可能的协同作用，我们描述了应用统计机器翻译技术来推断概率上下文敏感的规则，自动现代化的拼写。当将输出与文本的监督现代版本进行比较时，使用这种类型的统计方法的自动现代化导致非常低的字符出错率。
2013-06-28 cs.CL cs.DL
SWAY: A Counterfactual Computational Linguistic Approach to Measuring and Mitigating Sycophancy
Johns Hopkins University（约翰霍普金斯大学）
本文提出SWAY，一种无监督的计算语言学指标，用于衡量和缓解大语言模型的谄媚倾向。通过反事实提示机制，识别模型在正负语言压力下的同意变化，发现谄媚倾向随认知承诺增加而增强，并提出基于反事实的CoT缓解策略，有效降低谄媚倾向而不影响对真实证据的响应。
2026-04-02 cs.CL cs.CY
On the Compatibility of Generative AI and Generative Linguistics
Department of Decision Sciences, HEC Montréal（决策科学系，蒙特利尔HEC商学院）；Mila - Quebec Artificial Intelligence Institute（魁北克人工智能研究所）；Department of Linguistics, University of California - Davis（语言学系，加州大学戴维斯分校）
本文论证生成式AI与生成语言学兼容，通过三个论点（语言模型作为形式生成模型、辅助发现程序、支持最简方案）说明其强化了乔姆斯基理论，同时生成语言学为评估和改进语言模型提供基础。
2025-05-26 cs.CL
BiographyNet: Extracting Relations Between People and Events
本文介绍了BiographyNet，一个数字人文项目（2012-2016），汇集了来自历史，计算语言学和计算机科学的研究人员。该项目使用了荷兰传记门户网站（BPN）的数据，其中包含从十八世纪至今各种荷兰传记词典中的大约125，000篇传记，描述了大约76，000人。BiographyNet的目标是通过改进搜索选项和结果的呈现，加强门户网站和可比传记数据集在历史研究中的价值，并通过用户评估的演示器提供历史合理的NLP管道。该项目的主要目标群体是专业历史学家。因此，该项目采用了两个关键概念：“出处”-被理解为一个既允许对历史来源进行批评，又允许参考数字化来源中的数据管理和编程干预的术语;“视角”被解释为关于历史结果解释的固有不确定性。
2018-12-26 cs.CL
Rank diversity of languages: Generic behavior in computational linguistics
Universidad Nacional Autónoma de México（墨西哥国立自治大学）
语言的统计研究主要集中在词的等级频率分布上。相反，我们在这里引入一个衡量单词等级如何随时间变化的方法，并将此分布称为\emph{rank diversity}。我们计算了自1800年以来以六种欧洲语言出版的书籍的多样性，发现它遵循普遍的对数正态分布。基于对数正态分布的平均值和标准差，我们定义了三种不同的语言词的制度：“头”由几乎不改变他们的排名在时间上的话，“机构”是一般使用的话，而“尾巴”是由特定的上下文的话，并改变他们的排名相当大的时间。头部和身体反映了语言学家为基本交流所确定的语言核心的大小。我们提出了一个高斯随机游走模型，它再现了单词在时间上的排名变化，从而多样性。单词的等级多样性可以理解为等级随机变化的结果，其中变化的大小取决于等级本身。我们发现，核心大小是相似的所有语言研究。
2015-05-14 cs.CL
Author-Specific Linguistic Patterns Unveiled: A Deep Learning Study on Word Class Distributions
University Hospital Erlangen（埃尔兰根大学医院）；FAU Erlangen-Nürnberg（埃尔兰根-纽伦堡大学）
该研究利用词性标注、二元组分析与深度神经网络进行文学作者分类，发现词类序列模式更能体现作者风格，验证了计算方法捕捉风格差异的有效性，为作者画像和文学研究提供支持。
2025-01-17 cs.CL
The Unstoppable Rise of Computational Linguistics in Deep Learning
Idiap Research Institute（伊迪亚普研究院）
在本文中，我们追溯了神经网络应用于自然语言理解任务的历史，并确定了语言的本质对神经网络体系结构的发展做出的关键贡献。我们重点讨论了变量绑定及其实例化在基于注意力模型中的重要性，并指出Transformer不是一个序列模型，而是一个诱导结构模型。这种观点导致预测自然语言理解的深度学习架构研究所面临的挑战。
2020-06-11 cs.CL cs.LG
Phylogenetic signal in phonotactics
系统发育方法在语言学中有着超越树推理的广泛潜力。在这里，我们展示了系统发育的方法如何打开了从全新的语言数据中获得历史见解的可能性-在这种情况下，统计音韵学。我们从111个Pama-Nyungan词汇中提取语音定位数据，并对系统发育信号进行测试，量化数据反映系统发育历史的程度。我们测试了三个数据集：（1）记录词典中双音素（两段序列）的存在或不存在的二进制变量（2）段之间的转换频率，以及（3）自然声音类别之间的转换频率。澳大利亚语言的特点是具有高度的音位同质性。然而，我们在所有数据集中检测到系统发育信号。系统发育信号在更细粒度的频率数据中比在二进制数据中更大，并且在基于自然类的数据中最大。这些结果表明，在历史和比较语言学中采用一种新的易于提取的数据来源的可行性。
2020-07-14 cs.CL q-bio.PE
