Learning from Fact-checkers: Analysis and Generation of Fact-checking Language
Worcester Polytechnic Institute（伍斯特理工学院）
在打击假新闻的过程中，许多事实核查系统由基于人类的事实核查网站组成（例如，snopes.com和politifact.com）和自动检测系统。然而，即使已经被揭穿，在线用户仍然继续分享假新闻。这意味着早期的假新闻检测可能是不够的，我们需要另一种补充方法来减轻错误信息的传播。在本文中，我们介绍了一种用于打击假新闻的文本生成新应用。具体而言，我们（1）利用名为\emph{fact-checkers}的在线用户，他们引用事实核查网站作为公共话语中的事实核查信息的可信证据;（2）分析事实核查推文的语言特征;（3）提出并构建一个深度学习框架，以生成具有事实核查意图的响应，以增加事实核查人员对事实核查活动的参与。我们的分析表明，事实核查者倾向于反驳错误信息，并使用形式语言（例如，很少使用脏话和互联网俚语）。我们的框架成功地生成相关的响应，并通过实现高达30%的改进，优于竞争模型。我们的定性研究也证实了我们所产生的反应与现有模型产生的反应相比的优越性。
2019-10-05 cs.AI cs.CL cs.IR
SPA: Towards A Computational Friendly Cloud-Base and On-Devices Collaboration Seq2seq Personalized Generation with Casual Inference
Zhejiang University（浙江大学）；Southeast University（东南大学）；The Fu Foundation School of Engineering and Applied Science, Columbia University（哥伦比亚大学工程与应用科学学院）；Stevens Institute of Technology（斯蒂文斯理工学院）；Harvard University（哈佛大学）；MIT（麻省理工学院）；UCLA（加州大学洛杉矶分校）；Beijing Institute of Technology（北京理工大学）；Tianjin University（天津大学）
本文提出SPA架构，通过云端预训练LLMs与设备端附加参数交互，实现计算友好的云端与设备端协作Seq2seq个性化生成，解决低资源设备上的内存与计算限制。
2025-08-15 cs.CL
The Moral Debater: A Study on the Computational Generation of Morally Framed Arguments
Paderborn University（帕德博恩大学）；German Aerospace Center（德国航空航天中心）
听众先前的信仰和道德观是他们受某一论点影响的可能性的强有力的指标。利用这些知识可以帮助关注共同的价值观，使不同意的各方达成一致。然而，在论证技术中，这一点迄今为止几乎没有得到利用。本文研究了自动生成道德框架论点的可行性以及它们对不同受众的影响。根据道德基础理论，我们提出了一个系统，有效地产生论点集中在不同的道德。在一项深入的用户研究中，我们要求自由派和保守派评估这些论点的影响。我们的研究结果表明，特别是当先前的信念受到挑战，观众变得更受道德框架的论点。
2022-03-28 cs.CL
SlidesGen-Bench: Evaluating Slides Generation via Computational and Quantitative Metrics
CUHK（香港中文大学）；SenseTime Research（商汤科技研究院）；CPII under InnoHK（InnoHK旗下的CPII）；Shanghai AI Laboratory（上海人工智能实验室）
SlidesGen-Bench通过计算和定量指标评估幻灯片生成，提出统一框架和可重复的量化指标，构建人类偏好对齐数据集，提升与人类判断的一致性。
2026-08-24 cs.CL
Who's Laughing Now? An Overview of Computational Humour Generation and Explanation
Department of Computer Science, The University of Sheffield, UK（谢菲尔德大学计算机科学系）；Department of Computer Science, The University of Manchester, UK（曼彻斯特大学计算机科学系）
本文综述计算幽默的生成与解释任务，指出该领域研究稀少且模型不及人类，并强调其作为NLP子学科的重要性及未来方向。
2025-09-25 cs.CL
Computational models of pragmatic reasoning with flexible generation of meaning and expression alternatives
University of Tübingen（图宾根大学）；University of Amsterdam（阿姆斯特丹大学）
研究提出SAGE框架，结合认知模型与语言模型，将语用过程分解为提议者、评估者和选择器模块。通过三个案例研究评估，该模型取得高精度且常超基线，不过组件分析有不对称性，还探讨了神经符号模型在语用语言使用中的前景与局限。
2026-07-22 cs.CL
Survey in Characterizing Semantic Change
FSTM - University of Luxembourg（卢森堡大学FSTM分校）；Luxembourg Institute of Science and Technology（卢森堡科学技术研究院）
本文综述了语义变化的特征化方法，探讨了语义变化的三种分类：维度变化、方向变化和关系变化，并总结了现有研究的进展与未来方向。
2026-04-27 cs.AI cs.CL
Chunking Methods on Retrieval-Augmented Generation - Effectiveness Evaluation Against Computational Cost and Limitations
Department of Artificial Intelligence, Faculty of Information and Communication Technology, Wrocław University of Science and Technology（人工智能系，信息与通信技术学院，沃斯克大学）
本研究首次系统评估多种分块方法在RAG系统中的有效性，揭示分块策略中常被忽视的关键问题。
2026-05-30 cs.CL
Decision-Theoretic Question Generation for Situated Reference Resolution: An Empirical Study and Computational Model
DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；U.S. Naval Research Laboratory（美国海军研究实验室）；Tufts University（塔夫茨大学）
在情境环境中与人类交互的对话代理需要管理跨多种模态的指称歧义，并在需要时寻求帮助。然而，不清楚这些代理人应该问什么样的问题，也不清楚这些问题的答案如何用于解决歧义。为了解决这个问题，我们分析了一项互动研究中的对话数据，在这项研究中，参与者控制一个虚拟机器人，负责组织一套工具，同时与一个现场的远程实验者进行对话。我们发现了一些新的结果，包括用于解决歧义的问题类型的分布和对话水平的因素对参考解决过程的影响。基于这些实证研究结果，我们：（1）使用决策网络开发了用于澄清请求的计算模型，该决策网络具有跨模态操作的基于熵的效用分配方法，（2）评估了该模型，表明其在具有变化的模糊性的环境中优于时隙填充基线，以及（3）解释结果以提供对代理人可以提出问题以促进情境参考解决的方式的洞察。
2021-10-12 cs.CL
Exploring the Potential of Large Language Models in Computational Argumentation
DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团）；Nanyang Technological University（南洋理工大学）；Hupan Lab（湖畔实验室）
本文系统评估了ChatGPT、Flan和LLaMA2等大型语言模型在零样本与少样本设置下执行六类计算论证任务的表现，并构建了反言论生成新基准，证明LLMs在多数数据集上具有良好能力。
2024-07-01 cs.CL
Synthetic Language Generation and Model Validation in BEAST2
生成合成语言有助于测试和验证未来的计算语言模型和方法。本文扩展了BEAST2系统发育框架，增加了多模型下的语言序列生成。新的插件，然后使用两个广泛使用的phylolinguistic模型下的推理过程中的词借用现象的影响进行测试。
2016-07-27 cs.CL
Generating Faithful Synthetic Data with Large Language Models: A Case Study in Computational Social Science
EPFL（洛桑联邦理工学院）；University of Toronto（多伦多大学）
本文研究了合成数据生成中分布不忠实的问题，以讽刺检测为案例，比较了接地、过滤和基于分类法生成三种策略，发现接地策略效果最佳，为生成高保真合成数据提供了建议。
2023-05-24 cs.CL
MatScIE: An automated tool for the generation of databases of methods and parameters used in the computational materials science literature
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）；Indo-Korea Science and Technology（印韩科学技术院）
材料科学领域发表的文章数量每年都在快速增长。这种相对非结构化的数据源包含大量信息，其可重用性受到限制，因为使用其中的数据进行进一步计算所需的信息必须手动提取。从在线（离线）数据中获得有效和上下文正确的信息非常重要，因为它不仅可以用于生成用于进一步计算的输入，而且还可以将其纳入查询框架。为了优先考虑这一背景，我们开发了一个自动化工具MatScIE（材料科学信息提取器），它可以从材料科学文献中提取相关信息，并建立一个更容易用于材料模拟的结构化数据库。具体来说，我们从各种研究文章中提取材料细节，方法，代码，参数和结构。最后，我们创建了一个Web应用程序，用户可以上传已发表的文章，查看/下载从该工具获得的信息，并可以创建自己的数据库供个人使用。
2021-01-23 cs.CL
Reward-Augmented Decoding: Efficient Controlled Text Generation With a Unidirectional Reward Model
UNC-Chapel Hill（北卡罗来纳大学教堂山分校）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
本文提出Reward-Augmented Decoding (RAD)，利用小型单向奖励模型在解码时对生成文本评分并调整采样概率，以高效实现受控文本生成，其性能媲美需重新训练的最先进方法且计算开销极小。
2024-01-02 cs.CL
Towards Understanding Persuasion in Computational Argumentation
Cornell University（康奈尔大学）
论辩中的观点形成和说服受三大因素的影响：论辩本身、论辩来源和听众的属性。了解每一个的作用和它们之间的相互作用是至关重要的，以获得有关论点的解释和生成的见解。这对于建立有效的论点生成系统，可以同时考虑话语和受众的特点是特别重要的。拥有这种个性化的论点生成系统将有助于让个人接触不同的观点，并帮助他们在一个问题上做出更公平和明智的决定。尽管社会科学和心理学的研究表明，源和受众效应是说服过程的重要组成部分，但大多数计算说服的研究都只关注于理解说服性语言的特征。在这篇论文中，我们做了几个贡献，以了解在计算说服源，观众和语言的相对效果。我们首先引入了一个大规模的数据集与广泛的用户信息，同时研究这些因素的影响。然后，我们提出了模型来了解观众的先验信念对他们的看法的参数的作用。我们还调查了社交互动和参与在理解用户随着时间的推移在在线辩论中的成功方面的作用。我们发现，用户的先验信念和社会互动起着至关重要的作用，预测他们的成功说服。最后，我们探讨了结合上下文信息来预测论点影响的重要性，并显示了与仅对论点的文本进行编码相比的改进。
2021-10-03 cs.CL
From Understanding to Generation: An Efficient Shortcut for Evaluating Language Models
Fraunhofer IIS（弗劳恩霍夫集成电路研究所）
本研究通过将耗时的生成式任务（NLG）重新表述为计算成本更低的理解式任务（NLU），在4种能力和8个模型上验证了任务格式间的强相关性，实现了超过35倍的评估时间缩减，为LLM训练期间的能力监测提供了高效捷径。
2025-09-16 cs.CL
SA-DiffuSeq: Addressing Computational and Scalability Challenges in Long-Document Generation with Sparse Attention
SA-DiffuSeq通过稀疏注意力机制提升长文档生成的效率和可扩展性，有效降低计算成本并增强生成质量。
2025-12-23 cs.AI cs.CL
Computational Interpretations of the Gricean Maxims in the Generation of Referring Expressions
我们研究了生成作为适当指称表达的定指名词短语的问题，即：（1）成功地识别听话人的预期指称，同时（2）不向她传达任何虚假的会话含义（Grice，1975）。我们回顾了几种可能的计算解释的会话含义准则，不同的计算成本，并认为，最简单的可能是最好的，因为它似乎是最接近人类说话者做什么。我们详细描述了我们推荐的算法，以及主机系统必须提供的资源，以利用该算法的规范，并在IDAS系统的自然语言生成组件中使用的实现。这篇论文将发表在1995年4 - 6月的《认知科学》杂志上，并在该杂志的出版商Ablex的许可下在cmp-lg上提供。
1995-04-26 cmp-lg cs.CL
Sampling and Ranking for Digital Ink Generation on a tight computational budget
EPFL（洛桑联邦理工学院）；Google Research（谷歌研究院）
针对设备端数字墨水生成的严格推理预算，本文系统比较多种采样与排序技术，并在多语言、公式、模型和表示组合中显著降低字符错误率。
2023-06-02 cs.CL cs.HC
Text to model via SysML: Automated generation of dynamical system computational models from unstructured natural language text via enhanced System Modeling Language diagrams
Department of Engineering, University of Cambridge, Trumpington Street, Cambridge, UK（剑桥大学工程系，特鲁布里奇顿街，剑桥，英国）
本文提出利用领域和专家知识，通过SysML图自动从相关文档和输入文档生成动态系统计算模型，提升工程动态系统设计和部署效率。
2026-04-22 cs.AI cs.CE 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
Confidence-Aware Routing for Large Language Model Reliability Enhancement: A Multi-Signal Approach to Pre-Generation Hallucination Mitigation
AI Safety Research（人工智能安全研究）；Convai Innovations（Convai创新）
针对大语言模型的幻觉问题，提出融合三类信号的置信度感知路由系统，生成前主动评估不确定性并分流查询，在知识密集型问答基准上显著提升幻觉检测效果与F1分数，同时降低计算成本。
2025-09-23 cs.AI cs.CL
Is Semantic Chunking Worth the Computational Cost?
Vectara, Inc.（Vectara公司）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本研究评估了RAG系统中语义分块在三个检索任务上的有效性，发现其计算成本未带来一致的性能提升，表明需要更高效的分块策略。
2024-10-16 cs.CL cs.IR
Comparing Computational Architectures for Automated Journalism
大多数NLG系统都是按照基于模板或基于流水线的架构设计的。最近提出的用于数据到文本生成的神经模型具有端到端的深度学习风格，它在没有显式中介表示的情况下处理自然语言中的非语言输入。本研究比较了最常用的方法，从结构化数据生成巴西葡萄牙语文本。结果表明，生成过程中明确的中间步骤比神经端到端架构生成的文本更好，避免了数据幻觉，同时更好地概括了看不见的输入。代码和语料库是公开的。
2022-10-08 cs.AI cs.CL
Contextualized Data-Wrangling Code Generation in Computational Notebooks
The Chinese University of Hong Kong（香港中文大学）；Sun-yat Sen University（中山大学）；Microsoft Research（微软研究院）；Microsoft Research Asia（微软亚洲研究院）
针对计算笔记本中数据整理代码生成任务，提出CoCoMine自动挖掘上下文数据并构建CoCoNote数据集，以及DataCoder模型，实验证明其有效性。
2024-09-20 cs.CL cs.DB cs.SE
Modeling Intensification for Sign Language Generation: A Computational Approach
University of Pittsburgh（匹兹堡大学）；Gallaudet University（加劳德特大学）
本文针对手语生成模型缺乏韵律表现的问题，提出基于语言学策略的强度建模方法，通过标注PHOENIX-14T数据集并训练Transformer模型，显著提升了生成手语的质量和人类评价偏好。
2022-03-18 cs.AI cs.CL cs.CV
DopeLearning: A Computational Approach to Rap Lyrics Generation
HIIT（赫尔辛基信息技术研究所）
创作说唱歌词既需要创造力来构建一个有意义的，有趣的故事，也需要抒情技巧来产生复杂的押韵模式，这是良好流动的基石。我们提出了一个说唱歌词生成方法，捕捉这两个方面。首先，我们开发了一个预测模型，从一组候选下一行中识别现有歌词的下一行。该模型基于两种机器学习技术：RankSVM算法和具有新颖结构的深度神经网络模型。结果表明，该预测模型可以从随机选择的299条线中识别出真正的下一条线，准确率为17%，即，概率是随机的50倍其次，我们采用预测模型来结合现有歌曲的台词，产生具有韵律和意义的歌词。对所产生的歌词的评估表明，在定量押韵密度方面，该方法比最好的人类说唱歌手高出21%。说唱歌词生成器已被部署为一个名为DeepBeat的在线工具，该工具的性能已通过分析其使用日志进行了评估。该分析表明，机器学习的排名与用户偏好相关。
2016-06-09 cs.AI cs.CL cs.LG
Computational Humor with Multimodal LLMs: Methods, Datasets, Evaluation, and Challenges
Case Western Reserve University（凯斯西储大学）；The Hong Kong Polytechnic University（香港理工大学）
本研究聚焦于单图像和多面板作品中的视觉幽默理解，通过与先前综述对比，按能力层次组织文献，综合基准设计等内容，追溯领域转变，指出进展的主要障碍包括易出现捷径的评估、文化覆盖有限等问题。
2026-09-02 cs.AI cs.CL cs.MM
Prot42: a Novel Family of Protein Language Models for Target-aware Protein Binder Generation
Inception Institute of Artificial Intelligence（Inception人工智能研究所）；Cerebras Systems（Cerebras系统）
本研究针对传统蛋白工程的局限与现有生成模型依赖靶标三维结构的问题，提出基于海量无标注序列预训练的新型蛋白语言模型家族Prot42，可处理长序列并高效生成高亲和力结合剂，已公开供科研使用。
2025-05-18 cs.AI cs.CL cs.LG
