Pragmatically Informative Color Generation by Grounding Contextual Modifiers
Stanford University(斯坦福大学);Institute of High Performance Computing, Agency for Science, Technology and Research(科学技术研究局高性能计算研究所);National University of Singapore(新加坡国立大学)
将语言置于上下文信息中是细粒度自然语言理解的关键。一个重要的任务,涉及接地上下文修饰符是颜色生成。给定一个参考色“green”和一个修饰符“bluey”,如何生成一个可以表示“blueygreen”的颜色?我们提出了一个计算语用学模型,制定这个颜色生成任务作为一个递归的扬声器和听众之间的游戏。在我们的模型中,一个务实的扬声器的原因,听众会作出的推断,从而产生一个修改后的颜色,是最大限度地帮助听众恢复原来的参考。在本文中,我们表明,与其他最先进的深度学习模型相比,结合语用信息提供了显着的性能改进,其中缺乏语用推理和从大型连续空间表示颜色的灵活性。我们的模型在训练过程中看不到参考颜色的测试用例中性能绝对提高了98%,在训练过程中看不到参考颜色和修改器的测试用例中性能绝对提高了40%。
2020-10-09 cs.AI cs.CL
Do Language Models Know Theo Has a Wife? Investigating the Proviso Problem
本文通过设计诊断数据集,探究语言模型在处理条件句预设问题时的推理能力,发现模型依赖浅层模式匹配而非深度语义分析。
2026-03-09 cs.CL
A Formalism and an Algorithm for Computing Pragmatic Inferences and Detecting Infelicities
自Austin提出“不恰当”一词以来,语言学文献中大量使用这一术语,但却没有给出任何形式上的或计算上的解释。我们的贡献假设存在一个更细粒度的分类方面的语用推理。研究表明,如果要解释自然语言的表达性,就必须区分“适于失败的语用推理”和“不适于失效的语用推理”。因此,它表明,一个人应该考虑至少三种类型的信息:不可行的,恰当地可废止的,和不恰当地可废止的。最后一个条件的取消决定了语用的不恰当性。一种新的形式主义已经设计出来,以适应三个层次的信息,称为“分层逻辑”。在它里面,我们能够正式地表达诸如“话语U预设P”或“话语U是不恰当的”之类的概念。特别注意的是,我们的工作在解决一些著名的存在主义哲学难题的影响。的形式主义产生一个算法,用于计算解释的话语,确定其相关的前提,并已在Common Lisp中实现的信号infelicitous话语。该算法同样适用于简单和复杂的话语和话语序列。
1995-04-26 cmp-lg cs.CL
How Pragmatics Shape Articulation: A Computational Case Study in STEM ASL Discourse
Northeastern University(东北大学);Gallaudet University(盖尔道特大学);University of Pittsburgh(匹兹堡大学)
通过采集 STEM 领域美国手语对话的运动捕捉数据,量化分析对话、独白和翻译场景中手语发音的时空变化,发现对话中手语持续时间显著缩短,并评估了手语嵌入模型对 STEM 手语的识别能力。
2026-06-25 cs.CL
PROGrasp: Pragmatic Human-Robot Communication for Object Grasping
Seoul National University(首尔大学)
本文提出Pragmatic-IOG任务及IM-Dial数据集,并设计PROGrasp系统,通过视觉定位、提问和答案解释实现基于意图的语用物体抓取,在离线和在线实验中均有效。
2024-04-05 cs.CL cs.RO
You Really Didn't Get That? Benchmarking Social Pragmatic Inference for Indirect and Playful Chinese Online Comments
George Mason University(乔治梅森大学);Virginia Tech(弗吉尼亚理工大学);University of Toronto(多伦多大学);City University of Hong Kong(香港城市大学);Duke Kunshan University(昆山杜克大学)
本文构建中文网络评论语用推理基准,评估8个LLMs在区分自然评论情境化含义任务中的表现,发现模型难准确判断语用机制,性能远低于人类。
2026-09-07 cs.AI cs.CL cs.HC
Larry Caused the Car to Stop, But the Model Didn't Notice: Transformer Blindness to the M-Heuristic
University of Bucharest(布加勒斯特大学)
本文研究Transformer模型是否运用M-启发式进行语用推理,通过对比词汇与迂说使役结构,发现DeBERTa等模型未捕捉语用差异,但指令可激活该原则。
2026-09-30 cs.CL
Pragmatic competence of pre-trained language models through the lens of discourse connectives
Michigan State University(密歇根州立大学);University of Chicago(芝加哥大学)
随着预先训练的语言模型(LM)继续主导NLP,我们越来越需要了解这些模型中语言能力的深度。本文旨在研究语言学习者的语用能力,重点是与话语联系语有关的语用能力。我们使用自然发生的数据和来自心理语言学的控制输入相结合来制定完形填空式测试。我们重点测试模型使用语用线索预测话语连接词的能力,模型理解与连接词相关的含义的能力,以及模型在多大程度上表现出与人类相似的关于连接词时间动态的偏好。我们发现,虽然模型预测连接词在自然发生的数据的情况下,相当不错,当我们控制上下文隔离高层次的语用线索,模型的敏感性要低得多。模型也没有显示出实质性的人类时间偏好。总的来说,研究结果表明,目前,占主导地位的预训练范式并没有导致实质性的语用能力在我们的模型。
2021-09-27 cs.CL
Pragmatics in Language Grounding: Phenomena, Tasks, and Modeling Approaches
Carnegie Mellon(卡内基梅隆大学);UC Berkeley(加州大学伯克利分校);MIT(麻省理工学院);Brown University(布朗大学);DeepMind(深度思维公司)
本文综述了语言基础中的语用学研究,分析了任务目标、环境语境和交际可供性如何丰富语言意义,并提出未来基础任务设计建议,以自然引发语用现象并拓展交际语境。
2023-11-21 cs.CL
PROPRES: Investigating the Projectivity of Presupposition with Various Triggers and Environments
University of Delaware(特拉华大学);National Institute of Informatics(国立信息学研究所)
本研究针对以往自然语言理解研究未充分考虑预设投射性随触发语与环境组合变化的问题,构建了含1.2万对样本的PROPRES数据集,发现人类存在投射性判断差异,而当前最优模型DeBERTa未能完全捕捉该特性,为语用推理探测研究提供了新的参考。
2023-12-14 cs.CL
Towards Pragmatic Production Strategies for Natural Language Generation Tasks
Institute for Logic, Language and Computation(逻辑、语言与计算研究所);University of Amsterdam(阿姆斯特丹大学)
该立场文件提出了一个概念框架,设计自然语言生成(NLG)系统,遵循高效和有效的生产策略,以实现复杂的交际目标。在这一总体框架中,效率的特点是生产和理解成本的吝啬调节,而有效性是衡量相对于任务导向和上下文接地的交际目标。我们提供了具体的建议,通过现代统计方法的目标,成本和效用的估计,展示我们的框架的应用程序的经典实用任务的视觉接地参考游戏和抽象的文本摘要,两个流行的生成任务与现实世界的应用。总而言之,我们提倡开发NLG系统,通过以人性化的方式推理目标,成本和效用,学习根据经验做出务实的生产决策。
2022-10-23 cs.AI cs.CL
Regularized Conventions: Equilibrium Computation as a Model of Pragmatic Reasoning
本文提出ReCo模型,将语用理解视为信号博弈的正则化均衡搜索,兼顾最优约定与默认语义,在多个数据集上匹配或超越现有模型预测。
2023-11-16 cs.CL
Let's CONFER: A Dataset for Evaluating Natural Language Inference Models on CONditional InFERence and Presupposition
Carleton University(卡尔顿大学);University of Ottawa(渥太华大学)
本文提出CONFER数据集,通过评估四个NLI模型及多款LLM在零样本、少样本条件下的表现,揭示模型在条件句预设推理上的不足。
2025-06-06 cs.CL
Pragmatic Side Effects
在寻求给自然语言一个正式的组合语义学的过程中,语义学家已经开始将他们的注意力转向也被认为是语用学的一部分的现象(例如,语篇回指和预设投射)。为了解释这些现象,人们经常重新审视赋予单词和短语的各种含义。更具体地说,在使用简单类型的λ演算(高阶逻辑)对自然语言表示进行建模的流行范例中,这意味着重新访问分配给各个词性的表示类型。然而,λ演算也是计算的基本理论,在计算的研究中,类似的类型转换被用来给副作用赋予意义。程序设计语言中的副作用对应于超出表达式的词法作用域的操作(抛出的异常可能在整个程序中传播,在一个点修改的变量可能稍后在另一个点被读取)或甚至超出程序本身的作用域(程序可能通过例如,打印文档、发出声音、操作机器人肢体.)。
2015-06-17 cs.CL
When Humans Leave Context Unsaid: Implicit Context as a Risk for Large Language Models
University of Mississippi(密西西比大学);Michigan State University(密歇根州立大学);Johns Hopkins University(约翰斯·霍普金斯大学);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校)
本文提出大语言模型存在语用攻击面漏洞,利用人类语言解读与安全对齐的隐式上下文不匹配,所提攻击方法在各类模型上的成功率大幅优于基线方法。
2026-10-26 cs.CL
Color Overmodification Emerges from Data-Driven Learning and Pragmatic Reasoning
Stanford University(斯坦福大学)
说话人的指称表达往往偏离交际理想,有助于阐明语用语言使用的本质。过度修饰的模式,即说话者使用的修饰语在他们的交际目的下是多余的,已经证明在这方面特别有用。这些模式似乎是由说话者所处的环境以复杂的方式塑造的。不幸的是,在人类语言习得过程中系统地操纵这些因素是不可能的。在本文中,我们建议通过采用神经网络(NN)作为学习代理来解决这个限制。通过系统地改变训练这些代理的环境,同时保持NN架构不变,我们表明,过度修改更有可能与不常见或突出的环境特征。我们发现,这些发现自然出现在一个概率模型的背景下,语用交流。
2022-05-18 cs.CL
PragReST: Self-Reinforcing Counterfactual Reasoning for Pragmatic Language Understanding
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出PragReST框架,通过自监督构建语用问答数据、生成反事实推理轨迹,结合监督微调和强化学习提升大语言模型的语用推理能力,在四个基准上显著优于基线模型。
2026-10-19 cs.CL
Pragmatic approach to structured data querying via natural language interface
FriendlyData, Inc.(FriendlyData公司)
随着技术使用的增加和数据分析在许多企业中变得不可或缺,快速访问和解释数据的能力变得比以往任何时候都更加重要。组织和公司正在利用信息检索技术来管理它们的信息系统和过程。尽管在关系数据库中有效地组织了大量数据的信息检索,但是用户仍然需要掌握DB语言/模式以完全地制定查询。这给组织和公司带来了负担,需要雇佣精通数据库语言/模式的员工来制定查询。为了减轻已经过度紧张的数据团队的负担,许多组织正在寻找允许非开发人员查询数据库的工具。不幸的是,编写一个有效的SQL查询来回答用户试图提出的问题并不总是容易的。即使是看似简单的问题,比如“哪些初创公司获得了超过2亿美元的资金?”“实际上很难回答,更不用说转换成SQL查询了。你如何定义创业公司?按规模,地点,成立时间长短?如果用户正在使用他们已经熟悉的数据库,这可能是好的,但是如果用户不熟悉数据库呢?所需要的是一种能够有效地将自然语言查询翻译成针对不同客户数据库类型的特定数据库查询的集中式系统。有许多因素会显著影响系统架构和用于将NL查询转换为结构化查询表示的算法集。
2018-07-02 cs.CL
A Flexible Pragmatics-driven Language Generator for Animated Agents
本文介绍了NECA MNLG;一个完全实现的多模态自然语言生成模块。MNLG部署的NECA系统的一部分,生成动画代理之间的对话。生成模块支持完整语法规则、模板和固定文本的无缝集成。生成器接受允许对输出进行语法、语义和语用约束的规范的输入。
2003-12-22 cs.CL cs.MM
The Pragmatics of Indirect Commands in Collaborative Discourse
Stanford Linguistics(斯坦福大学语言学系);Stanford NLP Group(斯坦福大学自然语言处理组);Stanford Computer Science(斯坦福大学计算机科学系)
今天的人工助理通常通过直接的命令来执行任务,例如\emph{Set a timer}或\emph{Pick up the box}。然而,为了在人类和这些助手之间进行更自然的交流,重要的是要理解非命令性话语可以间接地引起收件人的行动。在本文中,我们调查的命令类型设置的接地,协作游戏。我们专注于一个不太了解的家庭的话语引发代理人的行动,如\emph{The chair is in the other room}的地方,并演示这些话语如何间接命令在特定的游戏状态的上下文中。我们的工作表明,特定领域的接地模型可以有效地实现更强大的自然语言交互所必需的语用推理。
2017-09-04 cs.AI cs.CL
Evaluating Pragmatic Abilities of Image Captioners on A3DS
University of Tübingen(图宾根大学)
本文提出了开源数据集A3DS,用于评估多智能体通信环境中微调的图像描述器的语用能力,发现模型能发展出类似人类的对比性描述模式。
2023-05-22 cs.CL
Integrating Neural and Symbolic Components in a Model of Pragmatic Question-Answering
University of Tübingen(图宾根大学);Stanford University(斯坦福大学)
本文提出一个神经-符号框架,将LLM模块整合进概率认知模型以替代人工指定,并通过语用问答案例表明混合模型可达到或超过传统模型性能,同时揭示了LLM在真值条件语义评估上的局限。
2025-06-02 cs.CL
Pragmatic Neural Language Modelling in Machine Translation
University of Oxford(牛津大学);Google DeepMind(谷歌DeepMind)
本文对神经语言模型在翻译系统中的集成进行了深入的研究。缩放神经语言模型是一项艰巨的任务,但对于现实世界的应用至关重要。本文评估了新的和现有的缩放技术对端到端MT质量的影响。我们展示了显式规范化神经模型的必要性,以及在这种情况下应该使用什么样的优化技巧。我们还专注于可扩展的训练算法,并研究噪声对比估计和对角上下文作为进一步提高速度的来源。我们探索了神经模型和退避n-gram模型之间的权衡,发现神经模型在内存受限的环境中成为自然语言应用的强有力候选者,但在原始翻译质量方面仍然落后于传统模型。最后,我们提出了一组建议,应该遵循建立一个可扩展的神经语言模型的机器翻译。
2015-03-20 cs.CL
PRiME: Pragmatic Reasoning In MEntal health
Sneha Oram(独立研究者)
本文提出PRiMH数据集及心理健康语用推理任务,评测多个大语言模型的推理能力,并研究其对心理健康污名的处理表现。
2026-10-22 cs.CL
Pragmatic Reasoning improves LLM Code Generation
Max Planck Institute for Informatics Saarland Campus(马克斯·普朗克信息研究所萨尔兰州分校);Computer Science Saarland University(萨尔兰州大学计算机科学系);Max Planck Institute for Software Systems Saarland Campus(马克斯·普朗克软件系统研究所萨尔兰州分校)
提出CodeRSA方法,通过局部语用竞赛对候选代码进行重排序,以解决自然语言到代码生成中的歧义问题,在多个基准测试中取得最佳平均准确率。
2026-05-24 cs.AI cs.CL cs.SE
Understand the Implication: Learning to Think for Pragmatic Understanding
Indian Institute of Technology Bombay(印度理工学院班加罗尔分校);University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对大语言模型语用理解提升研究不足的问题,构建含显式推理的ImpliedMeaningPreference数据集,通过基于思考的学习显著提升语用理解准确率,且在未见过的语用任务上也有迁移提升效果。
2025-06-16 cs.AI cs.CL
VakyArth: Evaluating Pragmatic Competence in LLMs across Indic Languages
Georgia Institute of Technology(佐治亚理工学院);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究推出首个印度语言语用基准VakyArth,评估多语言LLM在印度语言文化相关语用现象上的表现,发现其存在系统性语用推理失败及语言间差异。
2026-09-03 cs.AI cs.CL
Incorporating Pragmatic Reasoning Communication into Emergent Language
Tsinghua University(清华大学);Hasso Plattner Institute(哈索·普拉特纳研究所);University of Potsdam(波茨坦大学)
突现主义和语用学是两个研究领域,它们研究的是在不同的时间尺度和智力水平上的语言交际动态。从多智能体强化学习的角度来看,它们对应于具有强化训练的随机游戏和具有对手意识的阶段游戏。鉴于它们的结合已在语言学中得到探索,我们提出了将短期基于相互推理的语用学与长期语言涌现主义相结合的计算模型。我们探索这智能体通信参考游戏,以及在星际争霸II,评估不同类型的相互推理语用模型的相对优点,经验和理论。我们的研究结果揭示了它们对于获得更自然,准确,健壮,细粒度和简洁的话语的重要性。
2020-12-15 cs.AI cs.CL cs.MA
Are LLMs good pragmatic speakers?
University of Edinburgh(爱丁堡大学)
本文利用 RSA 框架和基于 TUNA 语料库的指称游戏,比较 Llama3-8B-Instruct 与 RSA 模型的候选话语评分,发现二者仅呈一定正相关,尚不足以证明 LLM 具备语用说话者行为。
2024-11-03 cs.AI cs.CL
Calibrate your listeners! Robust communication-based training for pragmatic speakers
Stanford University(斯坦福大学)
为了成为好的会话伙伴,自然语言处理(NLP)系统应该被训练成产生上下文有用的话语。先前的工作已经研究了具有基于通信目标的NLP系统的训练,其中神经侦听器作为通信伙伴。然而,这些系统通常遭受语义漂移,其中所学习的语言从根本上偏离自然语言。我们提出了一种方法,使用人口的神经听众,定期扬声器训练。我们首先表明,语言漂移起源于神经听者的不确定性校准差,这使得对新句子的高确定性预测。我们探讨合奏和辍学为基础的听众群体,发现前者的结果更好的不确定性量化。我们评估两个基于人口的目标参考游戏,并表明,集成方法具有更好的校准,使扬声器生成务实的话语,同时扩展到一个大的词汇量和推广到新的游戏和听众。
2021-10-11 cs.AI cs.CL cs.LG
Pragmatic information in translation: a corpus-based study of tense and mood in English and German
LMU Munich(慕尼黑大学);Saarland University(萨尔大学)
语法时态和语气是自然语言处理研究中需要考虑的重要语言现象。我们认为,在翻译中,英语和德语的时态和语气的对应。人类翻译人员并不容易找到这种对应关系,正如我们将通过仔细分析表明的那样,没有简单的方法可以将时态和语气从一种语言映射到另一种语言。我们对人类翻译时态和语气的挑战的观察对多语言NLP具有重要意义。特别重要的是在基于规则、基于短语的统计和神经机器翻译中建模时态和语气的挑战。
2020-07-10 cs.AI cs.CL
RSA-Control: A Pragmatics-Grounded Lightweight Controllable Text Generation Framework
Saarland University(萨尔大学);Saarland Informatics Campus(萨尔信息学园区)
针对语言模型属性控制难题,本文提出无需训练、基于语用学的 RSA-Control 框架,通过说话者—倾听者递归推理和自适应理性参数实现强属性控制,并保持流畅性与一致性。
2024-10-24 cs.AI cs.CL
Evaluating statistical language models as pragmatic reasoners
MIT(麻省理工学院)
本研究评估大语言模型(LLMs)的语用推理能力,通过可分级形容词“strong”的阈值估计及多种组合语境测试,发现LLMs能生成类人的语境化语用解读分布,但否定组合表现不佳,为其语义解析应用提供参考。
2023-05-01 cs.AI cs.CL
Does GPT-4 surpass human performance in linguistic pragmatics?
Institute for Artificial Intelligence Research and Development of Serbia(塞尔维亚人工智能研究与发展研究所);University of Belgrade, Institute for Philosophy and Social Theory, Digital Society Lab(贝尔格莱德大学哲学与社会理论研究所数字社会实验室);Complexity Science Hub(复杂性科学中心);University of Novi Sad, Faculty of Philosophy(诺维萨德大学哲学学院);University of Kragujevac, Faculty of Engineering(克拉古耶瓦茨大学工程学院)
本研究基于格莱斯沟通原则,在对话任务上评估LLMs与人类的语言语用学理解能力,发现GPT-4等LLMs表现优于人类,凸显其相关能力进步,对通用AI模型发展有重要意义。
2025-08-24 cs.AI cs.CL cs.CY
Non-literal Understanding of Number Words by Language Models
Department of Linguistics, University of Tübingen(语言学系,图宾根大学);Department of Computer Science, Stanford University(计算机科学系,斯坦福大学);University of Washington(华盛顿大学);Department of Psychology, Stanford University(心理学系,斯坦福大学);Departments of Psychology & Computer Science, Stanford University(心理学与计算机科学系,斯坦福大学)
该研究通过理性言语行为框架分解语用推理,发现大语言模型在数字词非字面理解上与人类的差异源于推理环节而非先验知识,并提出受RSA启发的思维链提示方法使模型解读更接近人类。
2025-06-02 cs.CL
Do LLMs Use Cultural Knowledge Without Being Told? A Multilingual Evaluation of Implicit Pragmatic Adaptation
Network Analysis and Social Influence Modelling (NASIM) Lab(网络分析与社会影响力建模实验室);School of Physics Maths and Computing(物理数学与计算学院);The University of Western Australia(西澳大学);School of Computing(计算学院);Macquarie University(麦考瑞大学);Computational Social Science & Systems Analysis(计算社会科学与系统分析);University of Münster(明斯特大学)
本文研究了大型语言模型在隐含文化提示下是否改变其说话方式,通过五种语言的60个文化相关对话场景,评估了模型在不同提示条件下的语用特征,发现模型在隐含提示下只能部分恢复显式指令下的语用变化。
2026-04-20 cs.CL cs.SI
Machine-Facing English: Defining a Hybrid Register Shaped by Human-AI Discourse
ddai Inc.(ddai公司)
本研究基于语体理论定义了由人机交互塑造的面向机器的英语(MFE)语体,揭示了其提升机器解析度但压缩表达范围的五大特征,并指出其在界面设计与多语言教学上的挑战。
2025-05-29 cs.CL
Communication-based Evaluation for Natural Language Generation
Stanford University(斯坦福大学)
自然语言生成(NLG)系统通常使用n-gram重叠度量(例如BLEU、ROUGE)来评估。这些措施并不直接捕捉语义或说话者的意图,因此它们往往与我们对NLG的真正目标不一致。在这项工作中,我们认为,而不是基于通信的评估:假设一个NLG系统的目的是传达信息给读者/听众,我们可以直接评估其有效性在这项任务中使用的理性言语行为模型的语用语言使用。我们用包含预定义质量类别描述的颜色参考数据集进行说明,表明我们的方法比任何突出的n-gram重叠方法更好地与这些质量类别对齐。
2019-10-11 cs.CL
Language Invariant Properties in Natural Language Processing
Bocconi University(博科尼大学)
意义依赖于语境,但即使我们改变了语境,语言的许多属性也应该保持不变。例如,情感、蕴涵或说话者属性在文本的翻译和原文中应该相同。我们引入语言不变属性:即,当我们转换文本时不应该改变的属性,以及如何使用它们来定量评估转换算法的鲁棒性。我们使用翻译和释义作为转换的例子,但我们的发现更广泛地适用于任何转换。我们的研究结果表明,许多NLP变换改变了作者特征等属性,即,让他们听起来更男性化我们相信,研究这些属性将使NLP能够解决语言的社会因素和语用方面。我们还发布了一个应用程序套件,可用于评估转换应用程序的不变性。
2021-10-01 cs.CL
User-Centered Security in Natural Language Processing
本文提出了一个以用户为中心的自然语言处理安全框架,并论证了它如何提高相关研究的可及性。因此,它专注于NLP中具有极大公共利益的两个安全领域。第一,作者分析,这可以用来通过侵入性推理损害在线隐私。如果没有对这些模型的预测的访问和详细的了解,互联网用户就没有合理的启发式方法来保护自己免受这种推论的影响。第二,网络欺凌检测,默认情况下以集中实施为前提;即,跨社交平台的内容审核。由于获得适当数据的途径受到限制,任务的性质迅速演变(通过词汇变化和文化转变),其分类器的有效性大大降低,因此经常被歪曲。在所提出的框架下,我们主要研究对语言的对抗攻击的使用;即,改变给定的输入(生成对抗样本),使得给定的模型不按预期运行。这些攻击在我们以用户为中心的安全问题之间形成了一条共同的主线;它们与保护隐私的混淆方法高度相关,对抗性样本也可能有助于评估词汇变化和增强对网络欺凌检测的影响。
2023-01-10 cs.CL cs.CY
Reading Between the Frames of Multimodal Drivelology
University of Manchester(曼彻斯特大学);Durham University(杜伦大学);University of Sheffield(谢菲尔德大学);University of Exeter(埃克塞特大学)
本文提出DrivelHub+基准,评估视频-语言模型推断社交媒体视频隐含意义的能力,从解释和表征两方面开展实验,衡量模型多模态感知与语用理解的差距。
2026-10-14 cs.CL
Categorical Tools for Natural Language Processing
Wolfson College(沃尔夫森学院)
本论文将范畴理论与计算语言学之间的转换作为自然语言处理的基础。这三章涉及句法、语义和语用。首先,字符串图提供了形式语法中句法结构的统一模型。其次,函子通过将图转换为逻辑、张量、神经或量子计算来计算语义。第三,由此产生的函子模型可以组成游戏,其中均衡是语言处理任务的解决方案。这个框架是作为DisCoPy的一部分实现的,DisCoPy是一个Python库,用于使用字符串图进行计算。我们描述了范畴结构、语言结构和计算结构之间的对应关系,并展示了它们在组合自然语言处理中的应用。
2022-12-13 cs.CL math.CT
Functorial Language Games for Question Answering
University of Oxford(牛津大学);Tallinn University of Technology(塔林理工大学)
我们对维特根斯坦的语言游戏进行了分类研究,并将其应用于游戏理论语用学和自然语言处理中的问答。
2021-01-26 cs.CL cs.GT
CRAFT: Grounded Multi-Agent Coordination Under Partial Information
Department of Computer Science, Colorado State University(计算机科学系,科罗拉多州立大学)
CRAFT 是评估大语言模型在严格部分信息下实用沟通能力的多智能体基准,通过自然语言构建共享3D结构。研究发现更强推理能力不必然带来更好协调,小模型常表现更优,表明多智能体协调仍是当前语言模型的挑战。
2026-04-28 cs.AI cs.CL
"I'd rather just go to bed": Understanding Indirect Answers
Google Research, UK(谷歌研究(英国));University of Pennsylvania(宾夕法尼亚大学)
我们重新审视对话中的语用推理问题:理解对问题的间接回答。人类可以解释“我饿了。”在回答“饿了吗?”,即使没有直接的提示词,如“是”和“否”。在对话系统中,允许自然的反应而不是封闭的词汇表将同样有益。然而,今天的系统对这些实用性的动作的敏感程度仅限于它们的语言模型所允许的范围。我们创建并发布了第一个大型英语语料库“Circa”,其中包含34,268对(极性问题,间接答案),以实现这项任务的进展。这些数据是通过精心设计的众包收集的,包含有是/否含义的话语,以及不确定的、中间立场的和有条件的反应。我们还提出了基于BERT的神经模型来预测问答对的类别。我们发现,虽然从蕴涵的迁移学习工作合理,性能还不足以强大的对话。我们的模型达到82-88%的准确度为4类的区别,和74-85%为6类。
2020-10-07 cs.CL
Constraint Logic Programming for Natural Language Processing
本文提出了一个评估的充分性约束逻辑编程范式的自然语言处理。这个问题的理论方面已经在几部著作中讨论过。我们在此采取务实的观点,我们的论点依赖于具体的解决办法。使用实际的约束(在CLP意义上)既不容易也不直接。然而,CLP可以改善分析技术在几个方面,如简洁,控制,效率或语言形式主义的直接表示。这一讨论说明了几个例子和介绍的HPSG解析器。
1995-04-05 cmp-lg cs.CL
Situated Natural Language Explanations
Amazon Search(亚马逊搜索);University of Toronto(多伦多大学);Vector Institute of Artificial Intelligence(向量人工智能研究所);Georgia Institute of Technology(佐治亚理工学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Dalhousie University(达尔豪斯大学)
针对现有自然语言解释未考虑受众需求的问题,提出情境化NLE视角,构建了涵盖词汇、语义和语用类别的自动化评估分数,并识别评估了三种提示工程技术的适用性。
2024-03-25 cs.CL
Context-Aware Pragmatic Metacognitive Prompting for Sarcasm Detection
Computer Science Department(计算机科学系);School of Computer Science(计算机科学学院);Bina Nusantara University(宾努斯大学)
本文提出一种基于检索的元认知修辞提示方法,通过整合上下文信息提升LLMs在讽刺检测中的性能,实验显示在多个数据集上均取得显著提升。
2025-11-26 cs.AI cs.CL
Learning Interpretable Spatial Operations in a Rich 3D Blocks World
Paul G. Allen School of Computer Science & Engineering, University of Washington(华盛顿大学保罗·G·艾伦计算机科学与工程学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon Inc.(亚马逊公司)
在本文中,我们研究的问题映射自然语言指令到复杂的空间动作在一个三维块世界。我们首先介绍了一个新的数据集,对复杂的三维空间操作丰富的自然语言的描述,需要复杂的空间和务实的解释,如“镜像”,“扭曲”,“平衡”。这个数据集建立在Bisk,Yuret和Marcu(2016)的模拟环境上,获得了更丰富和更复杂的语言,同时也使2D环境中的原始数据集的大小增加了一倍,具有100个新的世界配置和250,000个令牌。此外,我们提出了一种新的神经架构,它可以在自动发现可解释的空间操作库存的同时实现竞争性结果(图5)。
2017-12-24 cs.CL
Adversarial Pragmatics for AI Safety Evaluation: A Diagnostic Framework and Seed Benchmark for Language-Mediated Control
Humber Polytechnic(汉博理工学院);University of Toronto(多伦多大学)
提出对抗语用学基准和标注协议,通过语言学控制的分类法评估模型在指令冲突、嵌入命令等场景下的行为,为安全评估提供实证和方法论工具。
2026-07-30 cs.AI cs.CL cs.SE
Speaker-Follower Models for Vision-and-Language Navigation
University of California, Berkeley(加州大学伯克利分校);Carnegie Mellon University(卡内基梅隆大学);Boston University(波士顿大学)
由自然语言指令引导的导航对指令跟随者提出了具有挑战性的推理问题。自然语言指令通常只识别一些高级决策和地标,而不是完整的低级运动行为;大部分缺失的信息必须基于感知上下文来推断。在机器学习设置中,这是双重挑战:难以收集足够的注释数据以使得能够从头开始学习该推理过程,并且也难以使用通用序列模型来实现推理过程。在这里,我们描述了一种视觉和语言导航的方法,该方法通过嵌入式扬声器模型解决了这两个问题。我们使用这个说话人模型(1)合成新的指令数据增强和(2)实现语用推理,评估候选动作序列解释指令的程度。这两个步骤都得到了全景动作空间的支持,该动作空间反映了人类生成的指令的粒度。实验表明,这种方法的所有三个组成部分-扬声器驱动的数据增强,务实的推理和全景动作空间-显着提高了基线指令跟随器的性能,在标准基准测试中,成功率比现有的最佳方法提高了一倍以上。
2018-10-27 cs.CL cs.CV
Meta Semantics: Towards better natural language understanding and reasoning
Institute of Computing and Mathematical Sciences(计算与数学科学研究所);University of Leicester(莱斯特大学)
针对 LLM 逻辑推理弱且存在 OOV 问题、规则方法又难以处理非正式文本的矛盾,本文受语用学与结构主义启发,提出两种 OOV 解决策略和一个语义模型,以兼顾自然语言理解与推理。
2023-04-20 cs.AI cs.CL
EmoTrace: An Emotion Trajectory-Centered Framework for Psychological Support Dialogue Generation
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
该研究针对现有心理支持对话数据生成方法的局限,提出EmoTrace框架,通过构建求助者认知概况及相关模块,以模拟其情感轨迹,增强情感表达层次性,实验证明该方法在情感丰富度和共情质量上优于现有方法。
2026-09-01 cs.CL
Collaborative and Proactive Management of Task-Oriented Conversations
University of Isfahan(伊斯法罕大学);Paris-Saclay University(巴黎-萨克雷大学);Université Paris-Saclay(巴黎-萨克雷大学)
本文提出一种基于信息状态方法、利用大语言模型上下文学习的任务导向对话管理模型,通过预定义槽位和文本组件建模用户偏好,实现主动规划,在MultiWOZ上取得更优表现。
2025-09-26 cs.CL