Generation, Evaluation, and Explanation of Novelists' Styles with Single-Token Prompts
Department of Computer Science Northern Illinois University(计算机科学系北伊利诺伊大学)
本研究通过单个标记提示生成并评估19世纪小说家的风格,利用变压器检测器和可解释AI方法分析文本风格特征。
2025-11-25 cs.AI cs.CL
When Do Explanations Help In-Context Learning? A Comparative Study of Natural Language Explanation Types and Faithfulness
LMU Munich(慕尼黑大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);Imperial College London(伦敦帝国学院);Technical University of Munich(慕尼黑工业大学);MaiNLP lab, CIS, LMU Munich(慕尼黑大学CIS研究所MaiNLP实验室)
该研究通过在6个基准和4个指令调优模型上的比较评估,探究不同来源与选择方式的自然语言解释对上下文学习下游性能的影响,为实际提示流程中解释的选择和报告提供了见解。
2026-08-18 cs.AI cs.CL
Large Language Models Are Better Logical Fallacy Reasoners with Counterargument, Explanation, and Goal-Aware Prompt Formulation
Sungkyunkwan University(成均馆大学);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校)
本研究提出一种结合反论证、解释和目标感知的提示公式化方法,显著提升大型语言模型在零样本和微调设置下的逻辑谬误检测性能。
2025-03-30 cs.AI cs.CL cs.LG
Evaluating GPT-3 Generated Explanations for Hateful Content Moderation
Singapore University of Technology and Design(新加坡科技设计大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
本研究提出分析框架,通过2,400名受访者调查评估GPT-3生成的仇恨言论解释,发现其虽高质量但说服力可能导致内容审核错误判断,强调需谨慎应用。
2023-08-30 cs.AI cs.CL
Prompt Inject Detection with Generative Explanation as an Investigative Tool
Home Team Science and Technology Agency, Singapore(新加坡本土安全科技局)
针对提示注入调查中大量提示需研判的问题,本文利用LLM文本生成能力同时检测注入并生成解释,为安全人员提供可解释的分类评估工具。
2025-02-16 cs.AI cs.CR
Nek Minit: Harnessing Pragmatic Metacognitive Prompting for Explainable Sarcasm Detection of Australian and Indian English
University of New South Wales(新南威尔士大学)
本研究针对地域英语变体讽刺检测的难点,提出利用实用元认知提示(PMP)实现可解释讽刺检测,在澳、印英语及标准英语数据集上验证了其相比其他提示策略的显著性能提升。
2025-10-30 cs.AI cs.CL
Explain-then-Process: Using Grammar Prompting to Enhance Grammatical Acceptability Judgments
Portland State University(波特兰州立大学);Miami University(迈阿密大学)
本文提出“语法提示”范式,先让大模型生成句法解释再反馈给目标模型,在英中俄三语基准上显著提升语法判断准确率,并以极低成本缩小SLM与LLM的差距。
2025-06-02 cs.AI cs.CL
Evaluating Human Alignment and Model Faithfulness of LLM Rationale
University of California, Los Angeles(加州大学洛杉矶分校);Google(谷歌公司)
本文系统比较了基于提示和基于归因的LLM理由生成方法,发现提示式自我解释在人类对齐性和模型忠实度上均不如归因式解释,并指出微调对两类方法影响不同,早期忠实度结论不确定可能源于分类准确率较低。
2024-10-22 cs.AI cs.CL
How Susceptible are LLMs to Influence in Prompts?
ETH Zürich(苏黎世联邦理工学院);Google DeepMind(谷歌DeepMind)
本研究探讨了 LLMs 在提示词中受外部模型补充信息影响的程度,发现模型极易受解释左右且不论质量,权威性或高置信度影响较小,强调了审查外部输出的必要性。
2024-08-17 cs.AI cs.CL cs.LG
Can LLMs Identify Gaps and Misconceptions in Students' Code Explanations?
University of Memphis(孟菲斯大学)
本研究探索用LLMs识别学生代码解释中的空白与误解,发现GPT-4优于其他模型,微调优于零样本,且ORPO偏好优化方法表现最佳。
2024-12-09 cs.AI cs.CY cs.SE
Towards Temporal Change Explanations from Bi-Temporal Satellite Images
Nara Institute of Science and Technology(奈良科学技术大学)
针对双时相卫星影像时序变化解释任务人工构建数据集成本高的问题,研究LVLMs的相关能力,提出三种适配双影像输入的提示方法,经人工评估验证逐步推理提示法有效,为人机协作开展该任务提供支撑。
2024-06-27 cs.AI cs.CV
Analogy Generation by Prompting Large Language Models: A Case Study of InstructGPT
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University at Buffalo(布法罗大学)
我们提出了一种新的应用程序,提示预训练的语言模型(PLM)生成类比,并研究如何设计有效的提示两个任务设置:生成一个源概念类似于一个给定的目标概念(又名类比概念生成或ACG),并生成一个解释之间的相似性一对给定的目标概念和源概念(又名类比解释生成或AEG)。我们发现,提示InstructGPT生成有意义的类比是可行的,最好的提示往往是精确的命令式语句,特别是在低温设置下。我们还系统地分析了InstructGPT模型对提示设计、温度和注入拼写错误的敏感性,发现该模型对某些变化特别敏感(例如,问题vs.命令式陈述)。此外,我们对生成的1.4k个类比进行了人工评估,发现生成的质量因模型大小而异。最大的InstructGPT模型可以在为给定目标生成有意义的类比方面实现人类水平的性能,而AEG任务仍有改进的空间。
2022-10-11 cs.AI cs.CL
Explanation Fairness in Large Language Models: An Empirical Analysis of Disparities in How LLMs Justify Decisions Across Demographic Groups
Independent Researcher(独立研究者)
本文提出解释公平性分类法,分析大语言模型在不同群体中解释决策的差异,发现模型选择与差异幅度密切相关,提出两种提示方法减少解释差异。
2026-05-09 cs.AI cs.CL
CELL your Model: Contrastive Explanations for Large Language Models
IBM Research(IBM研究院)
本文提出仅需黑盒查询访问的 LLM 对比解释方法,利用用户可理解的评分函数和预算约束算法生成轻微修改提示下的对比响应,以解释模型输出。
2025-02-17 cs.AI cs.CL cs.LG
Causal Stories from Sensor Traces: Auditing Epistemic Overreach in LLM-Generated Personal Sensing Explanations
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Chicago(芝加哥大学);Yale University(耶鲁大学);University of Virginia(弗吉尼亚大学)
本文研究了LLM生成个人传感解释时的知识过度延伸问题,通过分析不同数据集中的异常日场景,发现LLM在缺乏足够证据时仍会做出因果归因,且丰富的上下文无法有效减少这种过度延伸。
2026-05-09 cs.AI cs.CL cs.CY
Distinguish Before Answer: Generating Contrastive Explanation as Knowledge for Commonsense Question Answering
Zhejiang University(浙江大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
提出CPACE模型,将检索的符号知识转化为对比解释以增强常识问答,在CSQA、QASC和OBQA数据集上取得SOTA或显著提升。
2023-05-21 cs.AI cs.CL
The Probabilities Also Matter: A More Faithful Metric for Faithfulness of Free-Text Explanations in Large Language Models
Google DeepMind(谷歌DeepMind);University College London(伦敦大学学院)
本文提出相关解释忠实性指标CEF及相关反事实测试CCT,通过考虑预测标签分布的总偏移而非仅二元变化,更准确地度量大型语言模型自由文本解释的忠实性,并在Llama2模型上验证其能捕捉CT遗漏的忠实性方面。
2024-06-07 cs.AI cs.CL
PrismVAU: Prompt-Refined Inference System for Multimodal Video Anomaly Understanding
Universitat de Barcelona(巴塞罗那大学);Computer Vision Center(计算机视觉中心);Aalborg University(奥胡斯大学);Milestone Systems(Milestone系统)
PrismVAU通过轻量级系统和自动提示工程实现高效的多模态视频异常理解,无需复杂标注和外部模块。
2026-01-07 cs.AI cs.CV
Layered Chain-of-Thought Prompting for Multi-Agent LLM Systems: A Comprehensive Approach to Explainable Large Language Models
News Corporation(新闻集团)
本文提出分层思维链提示框架,将大语言模型推理过程分层并引入外部检查与用户反馈,在医疗分诊、金融风险评估和敏捷工程等场景中提升多智能体系统的透明度、正确性与用户参与度。
2025-02-03 cs.AI cs.CL cs.MA
ChatGPT Rates Natural Language Explanation Quality Like Humans: But on Which Scales?
Luddy School of Informatics, Computing, and Engineering, Indiana University Bloomington(印第安纳大学伯明顿分校勒迪信息、计算与工程学院);School of AI Convergence, Soongsil University(崇实大学人工智能融合学院);Soongsil University(崇实大学)
本研究探讨了ChatGPT与人类在多量表上评估自然语言解释质量的一致性,发现粗粒度量表、配对比较和动态提示能提升一致性,为负责任AI发展提供参考。
2024-03-26 cs.AI cs.CL
A Removal Based Approach to Improve LLM Faithfulness at Test-Time
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Wellesley College(韦尔斯利学院);MGH, HMS(马萨诸塞总医院、哈佛医学院)
该研究针对LLM解释的不完整性提出测试时移除未提及概念的方法,在多数据集、多模型及双指标下提升了解释忠实性,且无需修改模型参数。
2026-09-07 cs.AI cs.CL
Context Dependence and Reliability in Autoregressive Language Models
Department of Informatics, University of Oslo(信息学院,奥斯陆大学);Department of Electronic Systems, Aalborg University(电子系统系,奥胡斯大学)
本文提出RISE方法,用于自回归语言模型中区分关键上下文元素与冗余信息,提升解释的可靠性和稳定性。
2026-02-01 cs.AI cs.CL stat.ML
Assessing Large Language Models for Online Extremism Research: Identification, Explanation, and New Knowledge
George Mason University(乔治梅森大学)
本研究评估了BERT和GPT模型在检测和分类在线极端主义帖子方面的性能,发现GPT模型在零样本设置下优于BERT,且不同GPT版本对不同意识形态极端主义分类表现各异。
2024-08-29 cs.AI cs.CL
eX-NIDS: A Framework for Explainable Network Intrusion Detection Leveraging Large Language Models
School of Information Technology and Electrical Engineering, University of Queensland(信息科技与电气工程学院,昆士兰大学)
本文提出eX-NIDS框架,通过大语言模型增强基于流的NIDS可解释性,经Prompt Augmenter模块提取上下文与CTI知识生成解释,评估显示其比基线性能提升超20%。
2025-07-22 cs.AI cs.CR
Automated Interpretability and Feature Discovery in Language Models with Agents
Harvard University(哈佛大学)
本文提出一个自主多代理框架,用于自动化大型语言模型的内部特征发现与解释,通过两个耦合循环提升解释精度和可验证性。
2026-05-02 cs.AI cs.CL cs.HC
Legal Prompting: Teaching a Language Model to Think Like a Lawyer
Thomson Reuters Labs(汤森路透实验室);Ontario Tech University(安大略理工大学)
大语言模型能够实现零次或Few-Shot提示,这引起了提示工程这一新的研究领域。最近的进展表明,例如,思想链(CoT)提示可以显着改善算术或常识任务。我们探讨了这种方法如何与法律推理任务,并采取了COLIEE蕴涵任务的基础上,日本律师考试测试zero-shot/Few-Shot和微调的方法。我们的研究结果表明,虽然CoT提示和微调与解释方法显示出改善,最好的结果是由来自特定的法律推理技术,如IRAC(问题,规则,应用,结论)的提示。根据我们的实验,我们将2021年的最佳结果从0.7037精度提高到0.8148精度,并以0.7431的精度击败了2022年的最佳系统0.6789精度。
2022-12-08 cs.AI cs.CL
Understanding LLM Scientific Reasoning through Promptings and Model's Explanation on the Answers
University of Toronto Department of Psychiatry(多伦多大学精神病学系);Toronto Metropolitan University(多伦多 Metropolitan 大学);St. Michael’s Hospital, Unity Health Toronto(圣米歇尔医院,统一健康多伦多);Department of Electrical, Computer, and Biomedical Engineering(电气、计算机和生物医学工程系);University of Waterloo(滑铁卢大学);Department of Management Science and Engineering(管理科学与工程系)
本文在 GPQA 上比较 GPT-4o 的七种提示策略,发现简单方法科学推理表现较好,并提出结合结构化推理、混合 AI 与人在回路的改进方向。
2025-07-25 cs.AI
Natural Language Counterfactual Explanations for Graphs Using Large Language Models
Sapienza University of Rome(罗马大学)
本研究利用开源大型语言模型,将图模型解释器生成的反事实实例转化为自然语言解释,实验证明该方法能有效生成准确且易于理解的解释。
2025-01-27 cs.AI cs.CL
Post Hoc Explanations of Language Models Can Improve Language Models
Harvard University(哈佛大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California, Irvine(加州大学欧文分校);Google Inc(谷歌公司)
本文提出 AMPLIFY 框架,将事后解释转化为自动化自然语言理据并注入上下文学习,在多类任务上较基线提升 10–25% 准确率。
2023-12-07 cs.AI cs.CL
Enhancing Travel Choice Modeling with Large Language Models: A Prompt-Learning Approach
针对出行选择建模中数据有限、难以兼顾准确率与可解释性的问题,提出基于提示学习的LLM框架,经两个经典数据集验证,其预测性能优于现有方法且可提供个体层面的明确解释。
2024-06-22 cs.AI
Logic-Scaffolding: Personalized Aspect-Instructed Recommendation Explanation Generation using LLMs
University of Pittsburgh(匹兹堡大学);AWS AI Labs(AWS AI 实验室);Amazon(亚马逊);University of California Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出Logic-Scaffolding框架,结合基于方面的解释与思维链提示,通过中间推理步骤提升大语言模型零样本推荐解释的可靠性,并展示交互式演示。
2024-01-17 cs.AI cs.CL cs.HC
Are Hard Examples also Harder to Explain? A Study with Human and Model-Generated Explanations
UNC Chapel Hill(北卡罗来纳大学教堂山分校);Hugging Face
最近关于可解释NLP的工作表明,Few-Shot提示可以使大型预训练语言模型(LLM)能够为数据标签生成语法和事实自然语言解释。在这项工作中,我们通过调查以下研究问题来研究可解释性和样本硬度之间的联系-“LLM和人类同样擅长解释简单和困难样本的数据标签吗?“我们首先通过收集Winograd Schema Challenge(Winogrande数据集)任务中可推广的常识规则形式的人类书面解释来回答这个问题。我们将这些解释与GPT-3产生的解释进行比较,同时改变测试样品以及上下文样品的硬度。我们观察到,(1)GPT-3的解释与人类的解释一样符合语法,无论测试样本的难度如何;(2)对于简单的例子,GPT-3产生了高度支持的解释,但人类的解释更具概括性;(3)对于困难的例子,人类的解释在标签重复性和概括性判断方面都明显优于GPT-3的解释。我们还发现,在上下文中的例子的硬度影响GPT-3解释的质量。最后,我们表明,人类解释的重复性和概括性方面也受到样品硬度的影响,虽然比模型小得多。支持代码和数据可在https://github.com/swarnaHub/ExplanationHardness上获得
2022-11-14 cs.AI cs.CL
Counterfactual Simulatability of LLM Explanations for Generation Tasks
Department of Computer Science, Columbia University(计算机科学系,哥伦比亚大学)
本文提出了一种评估大语言模型生成任务中解释反事实可模拟性的通用框架,发现其在新闻摘要任务中表现良好,但在医疗建议任务中仍有改进空间。
2025-11-25 cs.AI cs.CL
Necessary or Sufficient? Evaluating LLM Explanations With Behavioural Evidence
BNY(纽约银行)
该研究测试LLM解释的必要性与充分性,在两个用例中对8款模型进行评估,发现引用因素与得分相关性有限,其无法可靠识别影响最强的因素,提供了LLM解释的黑箱可靠性检查框架。
2026-09-09 cs.AI
LLMs for XAI: Future Directions for Explaining Explanations
MIT(麻省理工学院)
本文研究利用 LLM 将现有 XAI 算法生成的解释改写为自然叙述,并提出评估、提示、模型比较、训练与外部数据整合方向,初步验证其可提升可解释性和可用性。
2024-05-09 cs.AI cs.CL cs.HC
Less Back-and-Forth: A Comparative Study of Structured Prompting
Washington University in St. Louis(华盛顿大学圣路易斯分校)
本文研究了结构化提示设计是否能提高LLM响应质量并减少用户努力,通过比较三种提示条件,发现检查清单提示在任务完成、正确性、合规性和清晰度方面得分最高,且在质量和努力的平衡上表现最佳。
2026-10-06 cs.AI cs.CL cs.HC
Towards a Unified Model for Generating Answers and Explanations in Visual Question Answering
City, University of London(伦敦大学城市学院)
视觉问答(VQA)领域最近出现了一个研究热潮,重点是为预测的答案提供解释。然而,目前的系统主要依赖于单独的模型来预测答案和生成解释,导致结果不太可靠且经常不一致。为了解决这个问题,我们提出了一种多任务学习方法,用于回答和解释生成的统一模型(UMAE)。我们的方法涉及添加人工提示令牌的训练数据和微调的多模态编码器-解码器模型上的各种VQA相关的任务。在我们的实验中,UMAE模型在A-OKVQA上的回答准确率超过了现有技术水平的10~ 15%,在OK-VQA上显示出竞争性结果,在A-OKVQA和VCR上获得了新的最先进的解释分数,并在VQA-X上表现出了有希望的域外性能。
2023-02-13 cs.CL
Towards Efficient and Robust VQA-NLE Data Generation with Large Vision-Language Models
Institut Teknologi Bandung(万隆理工学院);Capital One(第一资本金融公司);The Hong Kong University of Science and Technology(香港科技大学)
针对现有VQA-NLE数据集构建依赖高成本人工标注的问题,本研究提出利用大视觉语言模型结合先进提示技术生成合成数据的方法,速度最高快20倍且质量接近人工标注,还验证了视觉提示的提升作用,为多模态NLE数据自动生成提供了高效鲁棒的方案。
2024-12-09 cs.CL cs.CV
FaithLM: Towards Faithful Explanations for Large Language Models
Rice University(里士大学);Texas A&M University(德克萨斯农工大学);Wake Forest University(沃杰森林大学);New Jersey Institute of Technology(新泽西理工学院);John Hopkins University(约翰霍普金斯大学);Google Research(谷歌研究);Meta Platforms, Inc.(元宇宙平台公司)
FaithLM通过干预属性评估并迭代优化大语言模型的解释忠实性,在多个数据集上显著提升解释与人类理据的一致性。
2025-10-27 cs.AI cs.CL cs.LG
XCoOp: Explainable Prompt Learning for Computer-Aided Diagnosis via Concept-guided Context Optimization
Hong Kong University of Science and Technology(香港科技大学)
提出XCoOp框架,通过概念引导的上下文优化,将图像、可学习提示与临床概念对齐,实现可解释的提示学习,在提升诊断性能的同时提供视觉和文本解释,满足医疗XAI需求。
2024-03-14 cs.AI cs.CV
Show Me How It's Done: The Role of Explanations in Fine-Tuning Language Models
University of Osnabrück(奥斯纳布吕克大学)
本研究探讨在微调语言模型时引入解释的作用,发现使用包含解释的数据进行微调能显著提升模型性能,尤其使小模型获益更多,并能减少训练数据量、增强泛化能力。
2024-02-12 cs.AI cs.CL cs.LG
Can LLMs Explain Themselves Counterfactually?
Ruhr University Bochum(博尔塔伦大学博赫姆分校);UAR Research Center for Trustworthy Data Science and Security(UAR可信数据科学与安全研究中心)
本研究针对LLMs的自我生成反事实解释(SCEs)展开测试,发现LLMs在生成SCEs时存在困难,且生成SCEs时其预测常与自身反事实推理不一致。
2025-09-23 cs.AI cs.CL
Distilling Text Style Transfer With Self-Explanation From LLMs
The University of British Columbia(不列颠哥伦比亚大学);Google(谷歌);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
本文提出CoTeX框架,利用大语言模型和思维链提示将文本风格迁移能力蒸馏到精简模型中,在低资源场景下优于传统方法,并能提供透明的迁移解释。
2024-05-04 cs.AI cs.CL
DEXTER: Diffusion-Guided EXplanations with TExtual Reasoning for Vision Models
University of Catania(卡塔尼亚大学);University of Central Florida(中央佛罗里达大学)
本文提出无数据框架DEXTER,结合扩散模型与大语言模型,无需训练数据或真值标签即可为视觉分类器生成全局文本解释,在多数据集上的表现优于现有方法。
2025-11-16 cs.AI cs.CV
No Need for Explanations: LLMs can implicitly learn from mistakes in-context
Imperial College London(伦敦帝国学院);Cohere
本文发现大语言模型在数学推理中仅凭错误答案而无需显式纠正解释即可更有效地隐式学习,且该方法优于思维链提示,并分析了其背后的机制。
2025-09-20 cs.AI cs.CL
From Explainable to Explained AI: Ideas for Falsifying and Quantifying Explanations
Netherlands Cancer Institute University of Amsterdam(荷兰癌症研究所 阿姆斯特丹大学)
本文提出一种人-机器-视觉语言模型交互系统,通过滑动窗口实验和通用视觉语言模型量化解释的预测能力,实现从可解释AI到已解释AI的转变。
2025-08-15 cs.AI cs.CV eess.IV
Faithfulness Serum: Mitigating the Faithfulness Gap in Textual Explanations of LLM Decisions via Attribution Guidance
Blavatnik School of Computer Science, Tel Aviv University(塔尔瓦夫大学比拉维克计算机科学学院)
本文通过归因引导方法提升LLM决策解释的忠实性,验证了现有解释的epistemic忠实性不足,并展示了改进方法在多个模型和基准上的有效性。
2026-04-15 cs.AI cs.CL
Mitigation of Gender and Ethnicity Bias in AI-Generated Stories through Model Explanations
Portland State University(波特兰州立大学);Old Dominion University(老道明大学)
本文针对AI生成职业故事中的性别与种族偏见问题,提出基于模型解释的BAME偏见缓解策略,通过定向提示工程在不改模型参数的情况下实现2%-20%的表征改善,助力构建更透明的生成式AI系统。
2025-09-03 cs.AI cs.CL
From Critique to Clarity: A Pathway to Faithful and Personalized Code Explanations with Large Language Models
Institute for Clarity in Documentation(文献清晰度研究所);Inria Paris-Rocquencourt(法国国家信息与自动化研究所巴黎-罗康库尔中心);Rajiv Gandhi University(拉吉夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕尔默研究实验室);The Thørväld Group(索尔沃尔德集团);The Kumquat Consortium(金桔联盟)
本文提出一种利用多个LLM代理协作的方法,结合提示增强、自我纠正、个性化定制及外部工具交互,生成忠实且个性化的代码解释,显著提升了解释的质量与相关性。
2024-12-08 cs.AI cs.CL cs.SE
Signed-Prompt: A New Approach to Prevent Prompt Injection Attacks Against LLM-Integrated Applications
The Hong Kong Polytechnic University(香港理工大学)
本文提出Signed-Prompt方法,通过对敏感指令进行签名使LLM识别可信来源,从而有效防御提示注入攻击,实验验证了其稳健性。
2024-01-15 cs.AI cs.CR
Illocutionary Explanation Planning for Source-Faithful Explanations in Retrieval-Augmented Language Models
Collegium Helveticum, ETH Zurich(瑞士苏黎世联邦理工学院学院);University of Zurich(瑞士苏黎世大学)
研究通过意图宏观规划提升检索增强语言模型中解释的源忠实性,通过链式意图提示提升源忠实度,实验显示在部分模型中提升显著,但整体效果仍有限。
2026-04-18 cs.AI cs.CL cs.SE
JECA^2: Judgment-Explanation Consistent Adversarial Attack against Forensic Vision-Language Models
City University of Hong Kong(香港城市大学)
针对取证视觉语言模型,提出一种白盒对抗攻击方法JECA^2,通过Grad-CAM引导的视觉扰动和令牌邻近约束的文本嵌入优化,实现判断与解释的一致性,实验表明攻击成功率和一致性优于基线。
2026-05-27 cs.CV
Vision-Language Models for Criterion-Level Grading of Handwritten Examinations in Outcome-Based Education
本研究评估视觉语言模型在手写考试标准级评分中的性能,发现Qwen2.5-VL结合LoRA优于人类一致性,并强调需针对评分标准校准、确保可重复性及审查后果性错误。
2026-09-16 cs.CV
Prompt Design Matters for Computational Social Science Tasks but in Unpredictable Ways
University of Michigan School of Information(密歇根大学信息学院)
本研究通过大规模多提示词实验发现,LLM在计算社会科学任务中的合规性与准确性高度依赖提示词设计,且最佳设置因任务而异,为从业者提供了实用指南与警示。
2024-06-17 cs.AI cs.CY