Uniform Information Density and Syntactic Reduction: Revisiting $\textit{that}$-Mentioning in English Complement Clauses
University of Southern California（南加州大学）
本研究基于均匀信息密度假说，利用大规模会话语料和神经语言模型，重新验证了英语补语从句中 that 省略与信息密度的关系，并发现上下文词嵌入估计优于传统基于动词子范畴化的度量。
2025-10-24 cs.CL
A Closer Look at Linguistic Knowledge in Masked Language Models: The Case of Relative Clauses in American English
Saarland University（萨尔兰大学）
基于transformer的语言模型在各种任务上都取得了很高的性能，但我们仍然缺乏对它们学习和依赖的语言知识的理解。我们评估了三个模型（BERT，RoBERTa和AL BERT），通过语言水平探测，诊断案例和掩蔽预测任务来测试它们的语法和语义知识。我们专注于关系从句（在美国英语）作为一个复杂的现象，需要上下文信息和先行词识别来解决。基于自然主义数据集，探测表明，所有三个模型确实捕捉语法的语言知识，实现高性能。然而，考虑细粒度语言知识的诊断案例和掩蔽预测任务的评估显示出明显的模型特定的弱点，特别是在语义知识上，强烈影响模型的性能。我们的研究结果强调了（a）模型比较在评估任务和（b）建立索赔的模型性能和语言知识，他们捕获超越纯粹的基于探测的评价的重要性。
2020-11-02 cs.CL
Who Relies More on World Knowledge and Bias for Syntactic Ambiguity Resolution: Humans or LLMs?
Miami University（迈阿密大学）；Portland State University（波特兰州立大学）
本研究通过构建MultiWho数据集，对比人类与LLM在六种语言的关系从句附着歧义解决中的表现，发现LLM僵化依赖世界知识偏见、偏好局部附着，缺乏人类语言处理的灵活性，指出需优化多语言训练以提升LLM复杂结构处理能力。
2025-03-20 cs.CL
NLML--a Markup Language to Describe the Unlimited English Grammar
在本文中，我们提出了NLML（自然语言置标语言），一个置标语言来描述任何语法正确的英语表达的句法和语义结构。首先分析了相关工作，论证了NLML的必要性：形式简单，易于管理，直接存储。然后从句子（不同复杂度、语态、语气、时态）、从句（关系从句和名词从句）和短语（名词短语、动词短语、介词短语、形容词短语、副词短语和谓语短语）三个层次详细介绍了NLML对英语语法的描述。最后以两个典型的例子：NLOJM（Java中的自然语言对象模型）和NLDB（自然语言数据库）说明了NLML在自然语言处理中的应用领域。
2004-04-07 cs.AI cs.CL
Refining Syntactic Distinctions Using Decision Trees: A Paper on Postnominal 'That' in Complement vs. Relative Clauses
Paris Cité University（巴黎城市大学）
本文通过重新标注EWT树库语料并重训TreeTagger，改进其对英语后置名词“that”作为关系代词与补足语标记的区分能力，并分析了训练数据规模及语言学结构因素对学习效果的影响。
2025-09-13 cs.CL
Grammatical cues to subjecthood are redundant in a majority of simple clauses across languages
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Vanderbilt University（范德堡大学）；Massachusetts Institute of Technology（麻省理工学院）；University of California, Irvine（加州大学欧文分校）
本文通过英俄行为实验和30种语言的神经网络分类分析，证明语法线索在多数及物小句中冗余，但在角色可互换或非典型意义表达中仍不可或缺。
2023-09-21 cs.CL
Probing LLMs for Syntactic Structure Beyond Universal Dependencies: A Minimalist Phase Account in English
Dartmouth College（达特茅斯学院）
通过设计UD距离不变的条件，使用结构探针评估LLM在wh-移位刺激上的表现，发现阶段计数梯度和阶段内凝聚性效应，表明分布预训练能诱导出超越UD的形式句法抽象表征。
2026-07-20 cs.CL stat.AP
Automatic Alignment of English-Chinese Bilingual Texts of CNS News
本文提出了一种结合词汇分析和统计分析的方法对中国新闻社的英汉双语新闻报道进行对齐。由于英汉两种语言在句法结构上的差异，在句子层次上进行匹配时，往往会出现多个句子同时匹配的情况。有鉴于此，目前的工作也试图通过允许更精细的匹配从两个文本之间的条款，如果可能的话，创建更短的对齐对。目前的方法是基于句子或分句长度的统计相关性，同时使用明显的锚点，如数字和地名经常出现在新闻报道作为词汇线索。
1996-08-27 cmp-lg cs.CL
Morphology Without Borders: Clause-Level Morphology
Bar Ilan University（巴伊兰大学）
形态学任务使用大型多语言数据集，将单词组织成变形表，然后作为各种任务的训练和评估数据。然而，对这些数据的仔细检查揭示了深刻的跨语言不一致，这是由于缺乏一个明确的语言和操作定义什么是一个词，并严重损害了衍生任务的普遍性。为了克服这一缺陷，我们建议将形态学视为小句层面的现象，而不是词层面的现象。它锚定在一个固定但包容的功能集，封装在饱和子句中实现的所有功能。我们提供了MightyMorph，一个用于子句级形态的新数据集，涵盖4种类型不同的语言：英语，德语，土耳其语和希伯来语。我们使用这个数据集派生出3个小句级别的形态学任务：变形，再变形和分析。我们的实验表明，小句级别的任务比相应的单词级别的任务要难得多，同时在不同的语言中具有相当的复杂性。此外，重新定义形态的子句级别提供了一个整洁的接口与上下文语言模型（LM），并允许评估这些模型中编码的形态知识和它们的可用性形态任务。总之，这项工作开辟了计算形态学研究的新视野，为跨语言研究神经形态学留下了充足的空间。
2022-10-19 cs.CL
Predicting Target Language CCG Supertags Improves Neural Machine Translation
University of Edinburgh（爱丁堡大学）；Adam Mickiewicz University（亚当·密茨凯维奇大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
神经机器翻译（NMT）模型能够从连续的词汇信息中部分地学习句法信息。然而，一些复杂的句法现象，如介词短语附加，模型很差。本文的工作旨在回答两个问题：1）显式地对目标语言语法建模是否有助于NMT？2)单词和语法的紧密结合比多任务训练更好吗？我们在解码器中以CCG超标签的形式引入句法信息，通过将目标超标签与单词序列交织。我们的研究结果表明，明确建模目标语法提高机器翻译质量德语->英语，高资源对，罗马尼亚语->英语，低资源对，也有几个句法现象，包括介词短语附件。此外，单词和语法的紧密耦合比多任务训练更能提高翻译质量。通过将目标语法与在嵌入层中添加源端依赖标签相结合，我们获得了德语->英语的0.9 BLEU和罗马尼亚语->英语的1.2 BLEU的总改进。
2017-07-18 cs.CL
A Multilingual Virtual Guide for Self-Attachment Technique
Imperial College London（伦敦帝国理工学院）
本文提出一种利用现有非目标语言数据构建普通话自我依恋技术对话智能体的计算框架，通过共情改写扩充数据，在非临床人体试验中达到与英语版SAT聊天机器人相当的性能。
2023-10-25 cs.AI cs.CL cs.LG
Plausibility as Commonsense Reasoning: Humans Succeed, Large Language Models Do not
University of Chicago（芝加哥大学）
研究探讨大语言模型是否能像人类一样在歧义解析中结合世界知识与句法结构。通过土耳其前置定语从句附着歧义，发现人类表现出显著的可解释性效应，而大语言模型则表现不一致。
2026-04-20 cs.AI cs.CL
Counterfactual Interventions Reveal the Causal Effect of Relative Clause Representations on Agreement Prediction
Bar Ilan University（巴伊兰大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Johns Hopkins University（约翰斯·霍普金斯大学）；New York University（纽约大学）
当语言模型处理句法复杂的句子时，它们是否以与语言语法一致的方式使用它们的句法表示？我们提出了AlterRep，一种基于干预的方法来解决这个问题。对于给定句子的任何语言特征，AlterRep通过改变特征的编码方式来生成反事实表示，同时保持原始表示的所有其他方面不变。通过测量当这些反事实表征取代原始表征时模型的单词预测行为的变化，我们可以得出有关语言特征对模型行为的因果影响的结论。我们应用这种方法研究了不同规模的BERT模型如何处理关系从句。我们发现，BERT变体使用RC边界信息在单词预测的方式是一致的英语语法规则，这种RC边界信息概括到相当大的程度在不同的RC类型，这表明BERT代表RC作为一个抽象的语言类别。
2021-09-15 cs.CL
Beyond No: Quantifying AI Over-Refusal and Emotional Attachment Boundaries
PeopleTec, Inc.（PeopleTec公司）
本研究提出开源基准框架，通过多语言提示词和七类响应模式量化评估大语言模型的情感边界处理能力，发现模型间、英与非英文场景性能差异显著，为LLM情感智能评估提供基础。
2025-02-20 cs.AI cs.CL
Fine-tuning a Subtle Parsing Distinction Using a Probabilistic Decision Tree: the Case of Postnominal "that" in Noun Complement Clauses vs. Relative Clauses
Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）
本文研究了英语关系和名词性补足语从句的两种不同的句法分析方法，并对它们的对应关系代词和补足语使用了不同的标记。我们使用了一个算法来重新标记一个语料库解析与GUM树库使用通用依赖。我们的第二个实验包括使用TreeTagger，一种概率决策树，来学习名词性后“that”的两种补语和相对用法之间的区别。我们研究了训练集大小对TreeTagger准确性的影响，以及GUM Treebank文件对两种结构的代表性。我们讨论了这种区别的可学习性的一些语言和结构原则。
2022-12-05 cs.CL cs.IR cs.LG
Embedding Syntax and Semantics of Prepositions via Tensor Decomposition
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
介词是英语中使用频率最高的词之一，在句子的句法和语义中起着复杂的作用。毫不奇怪，它们在句子的自动处理中造成了众所周知的困难（介词连接歧义和短语中的特殊用法）。关于介词表示的现有方法将介词与内容词（例如，word2vec和GloVe）。此外，最近的研究旨在解决介词连接和介词选择问题严重依赖外部语言资源，并使用特定的词汇表征。在本文中，我们使用词三元组计数（三元组中的一个是介词）来捕捉介词的相互作用，其附件和补充。然后，我们推导出介词嵌入通过张量分解一个大型的未标记的语料库。我们揭示了一个新的几何阿达玛产品，并实证证明其效用在释义短语动词。此外，我们的介词嵌入作为简单的功能，在两个具有挑战性的下游任务：介词选择和介词附件消歧。我们在多个标准化数据集上实现了与最先进技术相当或更好的结果。
2018-05-23 cs.CL
Vietnamese Open Information Extraction
Ryerson University（瑞尔森大学）；York University（约克大学）；Angiang University（安江大学）
开放式信息抽取（Open Information Extraction，OIE）是从文本文档中自动抽取关系及其参数的过程，而不需要将搜索限制在预定义的关系中。近年来，世界动物卫生组织为英语建立了几个系统，但没有为越南语建立任何系统。在本文中，我们提出了一种方法，OIE越南语使用基于小句的方法。因此，我们利用越南语的依存句法分析使用语法子句，努力考虑所有可能的关系，在一个句子。对应的小句类型是根据其成分的语法功能，通过其命题作为可提取关系来识别的。因此，我们的系统是第一个OIE系统命名为vnOIE的越南语，可以生成开放的关系和他们的参数从越南语文本具有高度可扩展性的提取，同时是域独立的。实验结果表明，我们的OIE系统取得了令人满意的结果，准确率为83.71%。
2018-01-23 cs.CL
Clause Encounters of the Third Kind: Can LLMs Replace Language Teachers?
该研究评估了LLM替代语言教师提供教学反馈与解释的能力，发现其纠错能力出色但教学解释不足，AI辅助语言学习热情或超出对其教学能力的认知。
2026-08-18 cs.CL
Lexical and Derivational Meaning in Vector-Based Models of Relativisation
Utrecht University（乌得勒支大学）；Queen Mary University of London（伦敦玛丽女王大学）
Sadrzadeh et al（2013）根据有限维向量空间的Frobenius代数结构提出了英语关系从句的成分分布分析。分析依赖于不同的类型分配和词汇配方的主体与客体的相对化。荷兰语的情况则不同：由于荷兰语的动词词尾性质，关系从句在主语与宾语的相对化阅读之间是模糊的。使用一个扩展版本的Lambek演算，我们提出了一个组成的分布框架，占这种派生的歧义，并允许我们给一个单一的意义配方的相对代词调和Frobenius语义与荷兰派生语法的要求。
2017-12-01 cs.CL
Cross-Linguistic Syntactic Evaluation of Word Prediction Models
Johns Hopkins University（约翰斯·霍普金斯大学）
一系列的研究已经得出结论，神经单词预测模型可以高准确度地区分语法和不语法的句子。然而，这些研究主要基于英语的单语证据。为了研究这些模型学习语法的能力如何因语言而异，我们引入了CLAMS（跨语言模型评估），这是一个用于单语言和多语言模型的语法评估套件。CLAMS包括英语，法语，德语，希伯来语和俄语的主谓一致挑战集，从我们开发的语法生成。我们使用CLAMS来评估LSTM语言模型以及单语言和多语言BERT。在不同语言中，单语LSTM在没有吸引子的依赖关系上达到了很高的准确性，而在对象关系子句之间的一致性上的准确性通常很差。在其他结构上，一致性的准确性通常在具有更丰富形态的语言中更高。多语言模型的表现通常不如单语言模型。多语言BERT在英语上表现出很高的句法准确性，但在其他语言上存在明显的不足。
2020-05-21 cs.CL
AandP: Utilizing Prolog for converting between active sentence and passive sentence with three-steps conversion
本文介绍了一种简单而有效的方法来解决英语语法中的一个关键问题，即主动句和被动句的关系。事实上，主动句和与之对应的被动句表达的意思是相同的，只是它们的结构不同。我使用Prolog [4]和确定子句语法（DCG）[5]进行主动句和被动句之间的转换。一些先进的技术也被使用，如额外的参数，额外的目标，词汇，等我试图解决各种情况下的主动和被动句，如12英语时态，情态动词，否定形式等更多的细节和我的贡献将在以下部分。源代码可在https://github.com/tqtrunghnvn/ActiveAndPassive上获得。
2020-01-16 cs.CL
Mapping 'when'-clauses in Latin American and Caribbean languages: an experiment in subtoken-based typology
The Alan Turing Institute（阿兰·图灵研究所）
本文针对拉丁美洲与加勒比语言'when'-从句的时间从属表达变异，提出结合字符n-grams与英语when的概率语义地图方法，有效捕捉形态连接手段，为大规模策略无关的类型学分析铺路。
2024-04-28 cs.CL cs.IR
Matrix and Relative Weak Crossover in Japanese: An Experimental Investigation
Ochanomizu University（御茶水女子大学）；Seoul National University（首尔国立大学）
本文通过日语实验排除语序干扰，证明弱交叉效应在矩阵从句与关系从句中的差异源于句法结构而非线性优先关系。
2024-10-03 cs.CL
Lexicosyntactic Inference in Neural Models
University of Rochester（罗切斯特大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
我们研究神经模型捕捉词汇句法推理的能力：词汇和句法信息的相互作用所触发的推理。本文以事件真实性预测为例，构建了一个包含英语小句嵌入动词的真实性判断数据集。我们使用我们公开提供的这个数据集来探测当前最先进的神经系统的行为，表明这些系统会产生某些系统性错误，这些错误通过事实预测的镜头清晰可见。
2018-08-19 cs.CL
Predictability and Causality in Spanish and English Natural Language Generation
University of Vigo（维戈大学）
本研究比较了英语和西班牙语在因果与非因果语言建模中的表现，发现英语适合因果NLG，西班牙语适合非因果NLG，支持在西班牙语中使用双向transformer模型。
2024-08-26 cs.CL
An Analysis of the Utility of Explicit Negative Examples to Improve the Syntactic Abilities of Neural Language Models
Artificial Intelligence Research Center（人工智能研究中心）；AIST（产业技术综合研究所）
我们探讨了显式反例在训练神经语言模型中的效用。这里的反例是句子中不正确的单词，例如“*The dogs barks”中的“barks”。神经语言模型通常只在正例上训练，即训练数据中的一组句子，但最近的研究表明，以这种方式训练的模型不能鲁棒地处理复杂的句法结构，例如长距离协议。在本文中，我们首先使用英语语料，证明了适当地使用关于特定结构的反例（例如，主谓一致）将提高模型对它们的鲁棒性，而困惑的损失可以忽略不计。我们成功的关键是正确单词和错误单词的对数可能性之间的额外裕度损失。然后，我们提供了对训练模型的详细分析。我们的发现之一是RNN的对象关系子句的困难。我们发现，即使我们的直接学习信号的模型仍然遭受解决协议跨对象相关条款。虽然增加了包含主谓结构的训练句，但准确率仍达不到主谓关系分句的水平。虽然没有直接的认知吸引力，但我们的方法可以成为分析神经模型在具有挑战性的语言结构上的真正架构限制的工具。
2020-06-06 cs.CL
Causal Interventions Reveal Shared Structure Across English Filler-Gap Constructions
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Stanford University（斯坦福大学）
本研究将因果可解释性方法应用于语言模型，通过分布式交换干预实验发现语言模型对英语填充语-空位结构存在相似抽象分析，揭示了此前被忽略的影响因素，证明对语言模型的机制性内部分析可推动语言学理论发展。
2025-09-30 cs.AI cs.CL
GAIus: Combining Genai with Legal Clauses Retrieval for Knowledge-based Assistant
Faculty of Electronics and Information Technology（电子与信息技术学院）
本文提出基于认知LLM智能体的gAIus架构，通过可解释的法律条款检索机制结合《波兰民法典》知识，在波兰法律考试单选题上显著提升GPT系列模型表现。
2025-07-02 cs.AI cs.CL
Information Theory of Meaningful Communication
Weizmann Institute of Science（魏茨曼科学研究学院）；Institute for Advanced Study（高等研究院）
本研究指出语言通信的信息单位是子句且核心在于传达意义，提出利用大型语言模型以每子句的意义比特数为单位，量化有意义叙事中传达的信息。
2024-11-19 cs.CL cs.IT math.IT
Predicting potentially abusive clauses in Chilean terms of services with natural language processing
Universidad Adolfo Ibáñez（阿道夫·伊巴涅斯大学）
本文针对智利服务条款中潜在滥用条款检测问题，提出四类20类的标注方案并构建首个西班牙语法律条款多标签数据集，通过评估Transformer模型揭示了预训练策略和少样本规模对检测与分类性能的影响。
2025-05-05 cs.AI cs.CL cs.CY
Optimal word order for non-causal text generation with Large Language Models: the Spanish case
University of Vigo（维戈大学）
本文针对单向因果LLM可能不适应自由词序语言的问题，提出基于Viterbi算法的最大似然词序估计方法，并通过西班牙语实验比较非因果与因果生成顺序。
2025-02-20 cs.CL
On Neurons Invariant to Sentence Structural Changes in Neural Machine Translation
The Hebrew University of Jerusalem（希伯来大学）
我们提出了一种方法，探讨句子结构是如何反映在神经表征的机器翻译系统。我们展示了我们的模型不可知的方法与Transformer英-德翻译模型。我们分析了神经元水平的相关性之间的激活释义，同时讨论了方法的挑战和需要混淆分析，以隔离浅线索的影响。我们发现，激活模式之间的相似性，主要可以占相似的词的选择和句子长度。接下来，我们操纵神经元激活来控制输出的句法形式。我们证明这种干预是成功的，表明深层模型捕捉到了神经元结构的差异，尽管在神经元水平上没有发现这种迹象。为了进行我们的实验，我们开发了一种半自动的方法来生成保持意义的最小对释义（主动-被动语态和状语从句-名词短语），并编译这样的对语料库。
2022-11-02 cs.CL
An End-to-End Network for Emotion-Cause Pair Extraction
Indian Institute of Technology Kanpur (IIT Kanpur)（印度理工学院坎普尔分校）；IBM Research（IBM研究院）
推理-原因对抽取（ECPE）的任务是抽取文档中所有潜在的情感小句对及其对应的原因。不像更好的研究任务的情绪原因提取（ECE），ECPE不需要情绪子句提供的注释。以前的ECPE工作要么遵循多阶段的方法，其中情感提取，原因提取和配对是独立完成的，要么使用复杂的架构来解决其局限性。在本文中，我们提出了一个端到端的ECPE任务模型。由于英语ECPE语料库的不可用，我们适应NTCIR-13 ECE语料库，并建立一个基线的ECPE任务在这个数据集上。在这个数据集上，所提出的方法比多阶段方法产生了显着的性能改进（F1分数增加约6.5），并实现了与最先进方法相当的性能。
2021-03-03 cs.AI cs.CL cs.LG
Left-to-Right Dependency Parsing with Pointer Networks
Universidade da Coruña（拉科鲁尼亚大学）；FASTPARSE Lab（FASTPARSE实验室）；LyS Group（LyS研究组）；CITIC（CITIC研究中心）
我们提出了一种新的过渡为基础的算法，直接从左到右的句子通过建立$n$附件，与$n$的输入句子的长度。与Ma等人最近的堆栈指针解析器类似。（2018），我们使用指针网络框架，给定一个单词，可以直接指向句子中的位置。然而，我们的从左到右的方法比原来的自上而下的堆栈指针解析器（不需要堆栈）更简单，并且将转换序列长度减少了一半，从2个$n$ -1操作减少到$n$。这导致二次非投射解析器的运行速度是原始解析器的两倍，同时在全监督单模型依赖解析器中实现了迄今为止英语PTB数据集（96.04%UAS，94.43%LAS）的最佳准确性，并在大多数测试语言中改进了前自顶向下转换系统。
2019-03-20 cs.CL
What Exactly do Children Receive in Language Acquisition? A Case Study on CHILDES with Automated Detection of Filler-Gap Dependencies
Department of Linguistics, Yale University（耶鲁大学语言学系）；Department of Computer Science, Yale University（耶鲁大学计算机科学系）；Wu Tsai Institute, Yale University（耶鲁大学吴氏研究所）
通过自动检测英语口语语料中的三种核心填充词-空位结构，量化儿童语言输入中的分布证据，并分析儿童产出轨迹，为先天语法知识与统计学习之争提供数据支持。
2026-05-28 cs.CL
Speeding Up Natural Language Parsing by Reusing Partial Results
Universidade da Coruña（拉科鲁尼亚大学）；CITIC（CITIC信息与通信技术研究中心）
本文提出了一种新的技术，应用基于案例的推理，以生成可重用的解析树片段的模板，基于PoS标签的二元组和三元组，表现出较低的变化，在他们的语法分析从以前的数据。这种方法的目的是通过避免冗余计算来提高依赖解析器的速度。这可以通过应用捕获先前句法分析结果的预定义模板并直接将存储的结构分配给与模板之一匹配的新n元语法来解决，而不是再次解析类似的文本片段。研究表明，使用启发式方法来选择和重用部分结果，通过减少解析器处理的输入长度来提高解析速度。解析速度的提高是以精确度为代价的。在英语上的实验结果表明，该方法可以在不超过3分的无标签依恋分数的情况下，将输入维度降低20%以上。
2019-04-06 cs.CL
Lost in Speech: Benchmarking, Evaluation, and Parsing of Spoken Bilingual Conversational Language Beyond Standard UD Assumptions
Arizona State University（亚利桑那州立大学）
针对口语双语会话中的不流利和话语驱动结构，提出SpokeBench基准、Flex-UD评估指标和DECAP解析框架，显著提升依赖解析性能。
2026-06-08 cs.CL
DiscoSign: Discourse-Aware Text to Sign Language Gloss Translation
Apple（苹果公司）；Northeastern University（东北大学）；Gallaudet University（加劳德特大学）
本研究提出基于LLM的DiscoSign框架，解决手语翻译中的空间共指等三个篇章现象，配套新评估指标，在数据集上显著提升空间一致性，建立首个篇章级手语gloss翻译系统框架
2026-09-03 cs.CL
Prompting Multilingual Large Language Models to Generate Code-Mixed Texts: The Case of South East Asian Languages
Brown University（布朗大学）；UC Berkeley（加州大学伯克利分校）；University of California, Los Angeles（加州大学洛杉矶分校）；HKUST（香港科技大学）；Bloomberg（彭博）；EleutherAI；Samsung R&D Institute Philippines（三星菲律宾研发中心）；Stanford University（斯坦福大学）；National University of Singapore（新加坡国立大学）；VietAI Research（VietAI研究院）；University of Potsdam（波茨坦大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
本文探索零样本提示多语言LLMs生成东南亚七种语言的语码混合数据，发现现有模型表现不一，建议在此场景下未经大量人工检查勿用。
2023-09-12 cs.AI cs.CL
Generating Diverse Negations from Affirmative Sentences
University College London（伦敦大学学院）；Legal & General（法通集团）
针对现有基准中否定数据不足且形式单一的问题，提出NegVerse方法，从句法掩码的肯定句生成多类型否定句，经过滤后得到高质量多样样本，效果优于现有方法。
2024-10-30 cs.AI cs.CL
