Detecting AI-Generated Text: Factors Influencing Detectability with Current Methods
National Research Council Canada（加拿大国家研究委员会）
本研究针对AI生成文本检测的挑战性与重要性，综述水印、统计文体分析等最新检测方法及现有数据集，分析影响AIGT可检测性的关键因素并为未来工作提建议。
2025-04-14 cs.CL cs.CY
Computational Storytelling and Emotions: A Survey
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
讲故事一直是人性的重要组成部分。自古以来，人类就将故事用于娱乐、广告和教育等多种目的。研究人员和创作者进行了各种分析，以确定制作好故事的方式。故事和情感之间的深层关系就是一个很好的例子。随着深度学习技术的进步，人们期望计算机能够理解并生成故事。本文旨在总结和进一步促进正在进行的故事和情感之间的关系的研究的发展。我们认为创造力研究不是用计算机取代人类，而是要找到一种人与计算机之间的协作方式来增强创造力。为了在计算叙事研究和人类创造性写作之间建立一个新的交叉点，我们介绍了专业叙事者使用的创造性技术。
2022-05-23 cs.CL
Computational Approaches to the Detection of Lesser-Known Rhetorical Figures: A Systematic Survey and Research Challenges
Institute for AI Research and Development of Serbia（塞尔维亚人工智能研究与发展研究所）
本文系统综述小众修辞格的计算检测方法，从语言学与计算视角梳理其定义、功能、数据集及检测技术，指出数据集稀缺、语言受限、依赖规则方法等挑战，为自然语言处理领域的修辞格检测研究提供参考。
2024-06-24 cs.CL
Computational Models to Study Language Processing in the Human Brain: A Survey
KU Leuven（鲁汶大学）
本文综述了计算模型在人脑语言处理研究中的应用，通过在相同数据集上评估多种模型，发现没有单一模型在所有数据集上均占优，强调需丰富测试数据并严格控制实验以得出稳健结论。
2024-03-20 cs.AI cs.CL
A New Era in Computational Pathology: A Survey on Foundation and Vision-Language Models
该综述系统梳理了计算病理学领域基础模型与视觉-语言模型的最新进展，总结了相关工具、数据集与训练方案并分类，指出了领域趋势与未来变革方向。
2024-09-18 cs.AI cs.CL cs.LG
A Kind Introduction to Lexical and Grammatical Aspect, with a Survey of Computational Approaches
Bosch Center for Artificial Intelligence（博世人工智能中心）；Brandeis University（布兰迪斯大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
体意义是指情景的内部时间结构是如何呈现的。这包括一种情况是被描述为一种状态还是一个事件，这种情况是已经结束还是正在进行，以及它是被视为一个整体还是集中在一个特定的阶段。本调查概述了建模词汇和语法方面的计算方法，以及对必要的语言概念和术语的直观解释。特别是，我们描述了静态性，telicity，习惯性，完善和不完善的概念，以及有影响力的库存的可能性和情况类型。我们认为，因为方面是语义的一个重要组成部分，特别是当它涉及到以精确的方式报告的情况下的时间结构，未来的NLP方法需要能够处理和评估它系统，以实现人类水平的语言理解。
2023-03-10 cs.CL
Survey of Text-based Epidemic Intelligence: A Computational Linguistic Perspective
CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61中心）；Kirby Institute, The University of New South Wales（柯比研究所、新南威尔士大学）
流行病情报利用正式（如医院记录）和非正式（如网络上用户生成的文本）的信息来源来检测疾病爆发。在本调查中，我们讨论了使用文本数据集的流行病情报方法，将其称为“基于文本的流行病情报”。我们将过去的工作分为两大类：健康提及分类（从大量文本中选择相关文本）和健康事件检测（从相关文本集合中预测流行病事件）。我们讨论的重点是这两个类别中潜在的计算语言技术。该调查还提供了流行病情报的注释技术、资源和评估策略的最新发展水平的详细信息。
2019-03-14 cs.CL cs.SI
Computational Sociolinguistics: A Survey
University of Twente（特文特大学）；Tilburg University（蒂尔堡大学）；Netherlands Institute for Advanced Study in the Humanities and Social Sciences (NIAS)（荷兰人文社会科学高级研究院（NIAS））；Carnegie Mellon University（卡内基梅隆大学）；Erasmus University Rotterdam（伊拉斯姆斯大学鹿特丹分校）
语言是一种社会现象，语言的社会性决定了语言的变异性。最近，计算语言学（CL）社区对语言的社会维度产生了浓厚的兴趣。在这篇文章中，我们提出了一个调查的新兴领域的“计算社会语言学”，反映了这种增加的兴趣。我们的目标是提供一个全面的概述CL研究的社会语言学主题，具有主题，如语言和社会身份之间的关系，在社会交往中的语言使用和多语言交际。此外，我们展示了所涉及的研究社区之间的协同作用的潜力，通过展示在CL中广泛使用的大规模数据驱动的方法如何补充现有的社会语言学研究，以及社会语言学如何告知和挑战CL研究中采用的方法和假设。我们希望传达两个社区之间更密切合作的可能好处，并以讨论公开挑战作为结束。
2016-04-06 cs.CL
A Survey on Sentiment and Emotion Analysis for Computational Literary Studies
Institut für Maschinelle Sprachverarbeitung（机器语言处理研究所）；University of Stuttgart（斯图加特大学）
情感是令人信服的叙事的重要组成部分：文学告诉我们人们的目标，欲望，激情和意图。情感分析是情感分析的一个分支，在文学研究中受到越来越多的关注。以往对文学情感维度的研究主要是在文学解释学的语境中进行的。然而，随着被称为数字人文（DH）的研究领域的出现，一些在文学背景下的情感研究已经采取了计算转向。鉴于DH仍在作为一个领域形成的事实，这一研究方向可以相对较新。在这项调查中，我们提供了一个概述现有的机构的研究情绪分析应用于文学。正在审查的研究涉及各种主题，包括跟踪情节发展的戏剧性变化，文学文本的网络分析，以及理解文本的情感等主题。
2022-07-11 cs.CL
Deep Learning-based Computational Job Market Analysis: A Survey on Skill Extraction and Classification from Job Postings
LMU Munich（慕尼黑大学）；Fraunhofer Center for International Management and Knowledge Economy IMW（弗劳恩霍夫国际管理与知识经济中心IMW）；IT University of Copenhagen（哥本哈根信息技术大学）
本综述系统梳理了基于深度学习的职位公告技能抽取与分类方法，汇总公开数据集并统一相关术语定义，填补了该跨学科领域的评估空白。
2024-02-08 cs.CL
Survey of Computational Approaches to Lexical Semantic Change
University of Gothenburg（哥德堡大学）；Kyoto University（京都大学）
我们的语言在不断变化，受到文化、社会和技术变化等外部因素的驱动，以及仅仅部分理解的内部动机。单词获得新的含义，失去旧的含义，新词被创造出来或从其他语言中借用，而过时的单词则变得晦涩难懂。理解词义和词语使用的变化特点，对于那些研究历史文本内容的人、感兴趣的公众以及其本身都是有用的。自动词汇语义变化检测的结果，以及历时概念变化的模型，目前正被纳入跨时间相似性测量方法，长期文档档案的信息检索，OCR算法的设计，近年来，我们看到学术界对支持历时概念变化研究的计算方法和工具的兴趣激增词汇替换这篇文章是一个最近的计算技术，以解决目前正在审查的词汇语义变化的调查摘录。在本文中，我们关注的是作为语义变化延伸的历时概念变化。
2019-03-13 cs.CL
Computational Politeness in Natural Language Processing: A Survey
Indian Institute of Technology Patna（印度理工学院巴特那分校）；University of Alberta（阿尔伯塔大学）
本文综述了自然语言处理中的计算礼貌性研究，涵盖四个里程碑、数据集、方法、趋势及未来方向，并提供了总结性表格。
2024-06-28 cs.AI cs.CL
A Survey on Hardware Accelerators for Large Language Models
University of West Attica（西阿提卡大学）
本文综述GPU、FPGA及定制架构等LLM硬件加速器，从架构、性能与能效方面分析，为优化实际部署提供参考。
2024-01-18 cs.AR cs.CL cs.LG
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
Toxic Memes: A Survey of Computational Perspectives on the Detection and Explanation of Meme Toxicities
organization= Centrum Wiskunde \& Informatica , addressline= Science Park 123 , city= Amsterdam , postcode= 1098 XG , country= The Netherlands；organization= Netherlands eScience center , addressline= Science Park 402 , city= Amsterdam , postcode= 1098 XH , country= The Netherlands
本文综述了计算视角下对迷因毒性的检测与解释的研究，识别了30多个数据集及毒性分类方法，提出了新的毒性分类体系，并探讨了跨模态推理、低资源语言处理等挑战。
2024-06-11 cs.AI cs.CL cs.CV
Mamba in Vision: A Comprehensive Survey of Techniques and Applications
Texas A&M University（得克萨斯农工大学）；Kyungpook National University（庆北国立大学）
本文综述了Mamba模型如何通过选择性结构化状态空间模型以线性复杂度解决CNNs和ViTs在视觉任务中的长程依赖与高计算成本问题，并总结了其贡献、应用及未来方向。
2024-10-04 cs.AI cs.CL cs.CV
Parameter-Efficient Fine-Tuning in Large Models: A Survey of Methodologies
Zhejiang Laboratory（浙江省实验室）
本文综述了大型模型参数高效微调（PEFT）的方法，涵盖预备知识、核心算法原理、应用及未来方向，旨在帮助读者快速掌握该技术以推动其发展。
2025-04-24 cs.AI cs.CL cs.LG
Random Forest-of-Thoughts: Uncertainty-aware Reasoning for Computational Social Science
Queensland University of Technology（昆士兰科技大学）；Wuhan University of Technology（武汉理工大学）；University of Southern Queensland（南昆士兰大学）
针对社会调查分析中需要探索和不确定性搜索的复杂推理问题，提出随机思维森林（RFoT）提示方法，通过生成多样化思维空间并随机选择子思维构建思维森林，增强LLM决策能力，实验证明其在两个社会调查分析任务上显著提升性能。
2025-02-26 cs.CL
A Survey of Word Reordering in Statistical Machine Translation: Computational Models and Language Phenomena
University of Amsterdam（阿姆斯特丹大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
词的重排是统计机器翻译（SMT）的难点之一，也是影响其翻译质量和效率的重要因素。尽管迄今为止发表了大量的研究，但社区对这个问题的兴趣并没有减少，而且没有一种方法在语言对中占主导地位。相反，对于一个新的翻译任务的最佳方法的选择似乎仍然主要是由经验试验驱动的。为了使读者在这个广阔而复杂的研究领域中定位，我们提出了一个全面的调查单词重排视为一个统计建模的挑战，并作为一个自然语言现象。该调查详细描述了如何在不同的基于字符串和基于树的SMT框架中建模单词重排序，并将其作为一项独立任务，包括对高级重排序建模文献的系统概述。然后，我们质疑为什么有些方法在不同的语言对中比其他方法更成功。我们认为，除了测量重新排序的数量，重要的是要了解哪些类型的重新排序发生在一个给定的语言对。为此，我们进行了定性分析的单词重排现象在不同的语言对样本，大量收集的语言学知识的基础上。SMT文献中的实证结果表明，支持的假设，一些语言事实可以是非常有用的，以预期的语言对的重新排序的特点，并选择最适合他们的SMT框架。
2016-03-14 cs.CL
A Survey of Neural Network Techniques for Feature Extraction from Text
University of Waterloo（滑铁卢大学）
本文旨在促进关于使用神经网络架构的文本特征提取技术的讨论。本文讨论的研究问题集中在最先进的神经网络技术，已被证明是有用的工具，语言处理，语言生成，文本分类和其他计算语言学任务。
2017-04-27 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
What is the Role of Small Models in the LLM Era: A Survey
Imperial College London, UK（伦敦帝国学院）；Inria Saclay, France（法国萨克利研究所）
本文通过系统分析LLMs与SMs的协作与竞争关系，探讨小型模型在大语言模型时代的作用，旨在为实践者提供深入理解与高效资源利用的参考。
2026-09-21 cs.CL
Fake News Detection Tools and Methods -- A Review
Central University of Jammu（查谟中央大学）
在过去的十年中，Facebook、Twitter、Instagram和微博等社交网络平台和微博网站已经成为我们日常活动中不可或缺的一部分，并被全球数十亿用户广泛使用，以消息、图片和视频的形式分享他们的观点和传播信息。这些甚至被政府机构用来通过其经过验证的Facebook帐户和官方Twitter处理来传播重要信息，因为它们可以在有限的时间窗口内接触到大量人口。然而，许多欺骗性的活动，如宣传和谣言，每天都会误导用户。在这些COVID时代，假新闻和谣言非常普遍，并且在这个艰难时期制造了混乱。因此，在目前的情况下，对假新闻检测的需求是不可避免的。在本文中，我们调查了最近的文献不同的方法来检测假新闻在互联网上。特别是，我们首先讨论了假新闻以及文献中考虑的与之相关的各种术语。其次，我们强调了各种公开可用的数据集和各种在线工具，这些工具可以实时揭穿假新闻。第三，我们描述了基于两个更广泛领域的假新闻检测方法，即，它的内容和社会背景。最后，我们提供了用于揭穿假新闻的各种技术的比较。
2021-11-21 cs.CL cs.CY cs.SI
Teach Me How to Improve My Argumentation Skills: A Survey on Feedback in Argumentation
Tohoku University（东北大学）；RIKEN（理化学研究所）；INSA Lyon（里昂国立应用科学学院）；Beyond Reason（超越理性（机构名））；JAIST（北陆先端科学技术大学院大学）；Tufts University（塔夫茨大学）；Ricoh Company, Ltd.（理光株式会社）
本综述探讨了论证计算模型提供的反馈维度（丰富性、可视化、交互性、个性化）及增强模型解释能力的方法，旨在帮助学习者提升批判性思维技能。
2023-07-28 cs.CL
The realization of tones in spontaneous spoken Taiwan Mandarin: a corpus-based survey and theory-driven computational modeling
Eberhard Karls Universität Tübingen（蒂宾根大学）；National Taiwan Normal University（国立台湾师范大学）
本研究基于台湾普通话自发口语语料，利用GAMs和GPT-2模型发现词义和上下文嵌入对声调f0轮廓的预测作用超过声调模式，揭示了语境含义与语音实现深度纠缠。
2025-03-29 cs.CL
A Survey of RWKV
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
本文首次系统综述 RWKV 架构、原理与多领域应用，比较其相对 Transformer 的长序列效率和成本优势，并指出挑战与未来方向。
2025-01-05 cs.AI cs.CL
Must Read: A Comprehensive Survey of Computational Persuasion
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文综述了计算说服的三个视角：AI作为说服者、被说服者和评判者，探讨了AI生成内容的有效性及伦理挑战。
2026-03-23 cs.AI cs.CL cs.CY
