"It was 80% me, 20% AI": Seeking Authenticity in Co-Writing with Large Language Models
University of Southern California(南加州大学);Microsoft Research(微软研究院)
本研究通过访谈19位专业作者和调查30位读者,探讨人机共同写作中的真实性认知,发现真实性更关注创作过程与自我构建,个性化AI工具需服务于作者成长,而读者对人机共同写作接受度较高。
2024-11-20 cs.AI cs.CY cs.HC
LLMs Exhibit Significantly Lower Uncertainty in Creative Writing Than Professional Writers
McGill University(麦吉尔大学)
本文研究了LLM在创造性写作中相较于专业作家的不确定性问题,发现模型输出的不确定性显著低于人类,提出需新的对齐方法以提升创造性写作质量。
2026-10-06 cs.CL
Human-AI Interaction Traces as Blackout Poetry: Reframing AI-Supported Writing as Found-Text Creativity
Department of Industrial Design, KAIST(韩国科学技术院工业设计系)
本文探讨将AI写作交互痕迹视为表达性艺术制品,通过黑屏诗启发,重新审视人类与AI协作中的意义创造,提升读者对创作贡献的理解与信任。
2026-03-10 cs.AI cs.HC
Can AI writing be salvaged? Mitigating Idiosyncrasies and Improving Human-AI Alignment in the Writing Process through Edits
Salesforce AI Research(Salesforce AI研究院)
研究通过专业作家编辑提出七类LLM文本特异性分类法并构建LAMP语料库,发现主流大模型写作质量无显著差异,并证实自动编辑方法能有效提升人机写作一致性。
2025-03-04 cs.CL cs.CY cs.HC
Resilient Write: A Six-Layer Durable Write Surface for LLM Coding Agents
Sperixlabs, Ghana(塞普里克斯实验室,加纳);Kwame Nkrumah University of Science and Technology, Kumasi, Ghana(库马西技术大学,加纳);VIA Cybersecurity Lab, Kwame Nkrumah University of Science and Technology, Kumasi, Ghana(VIA网络安全实验室,库马西技术大学,加纳)
本文提出Resilient Write,通过六层耐用写入表面提升编码代理在文件写入时的容错能力,减少恢复时间并提高自我纠正率。
2026-06-07 cs.AI cs.SE
Copy-on-Write Scoring: Application-Specific Agent Evaluations
研究如何在软件系统中可靠部署基于大语言模型的代理,提出写时复制(CoW)评分框架,利用PostgreSQL级机制在应用环境中直接评估代理操作,能低成本评估迭代,在开源平台上验证了该框架的有效性。
2026-07-17 cs.AI cs.SE
Social Perceptions of English Spelling Variation on Twitter: A Comparative Analysis of Human and LLM Responses
Utrecht University(乌得勒支大学);Vrije Universiteit Brussel(布鲁塞尔自由大学)
本研究比较了人类和大语言模型对英语拼写变异的社会感知,发现两者在评分上存在较强关联,但在评分分布和不同拼写变异类型间存在显著差异。
2025-11-28 cs.CL
Joint Optimization of Tool Creation and Use for Large Language Model Agents
Appier AI Research(沛星人工智能研究院);National Taiwan University(台湾大学)
提出SMITH框架联合训练工具创建与使用,4B Qwen3经训练在多任务上取得最优表现,其编写的工具还提升了其他模型的推理性能
2026-08-26 cs.AI cs.SE
AI Writers Have a Consistent Stylometric Footprint, but AI Editors Do Not
Boston University(波士顿大学)
该研究发现 AI 生成文本具有一致的计量文体足迹,而 AI 编辑文本没有,二者留下的痕迹存在差异,需分别研究。
2026-09-23 cs.CL
Chain-of-MetaWriting: Linguistic and Textual Analysis of How Small Language Models Write Young Students Texts
CNRS(法国国家科学研究中心);University of Lorraine(洛林大学);Sorbonne Nouvelle University(新索邦大学);Institut Universitaire de France(法国大学研究院);University of Strasbourg(斯特拉斯堡大学)
本文提出Chain-of-MetaWriting方法,通过细粒度语言学与文本分析探究小型语言模型(SLMs)模仿人类写作步骤的能力,发现其在法语写作任务中处理敏感话题及文本连贯性上存在不足。
2024-12-19 cs.CL
Small Language Models can Outperform Humans in Short Creative Writing: A Study Comparing SLMs with Humans and LLMs
UNED, Madrid, Spain(UNED, 马德里, 西班牙);IE University, Madrid, Spain(IE大学, 马德里, 西班牙)
本文通过人类评分和语言分析比较微调SLM BART-large、人类及GPT-3.5/GPT-4o的短篇创意写作,发现BART-large总体超越普通人类写作者,证明小模型在特定创意写作场景中可媲美人类与大模型。
2025-01-13 cs.AI cs.CL
POLARIS: Guiding Small Models to Write Long Stories
University of Maryland(马里兰大学);Google(谷歌);DeepMind(深Mind)
提出POLARIS训练方法,结合LLM裁判奖励和人类参考注入,使9B小模型在长故事写作中达到与27B模型相当的质量,并展现出长度泛化能力。
2026-09-01 cs.AI cs.CL
LMCanvas: Object-Oriented Interaction to Personalize Large Language Model-Powered Writing Environments
KAIST(韩国科学技术院);New York University(纽约大学);Naver AI Lab(Naver人工智能实验室);Google(谷歌)
大语言模型(LLM)可以通过自动化或支持作者工作流中的特定任务(例如,释义,创造类比)。利用这种能力,已经开发了一系列接口,为特定的编写任务提供了LLM驱动的工具。然而,这些界面为作者为自己独特的任务创建个人工具提供了有限的支持,并且可能无法全面满足作者的需求-要求他们在写作期间不断在界面之间切换。在这项工作中,我们设想LMCanvas,一个界面,使作家能够创建自己的LLM供电的写作工具,并安排他们的个人写作环境,通过与画布中的“块”进行交互。在这个界面中,用户可以创建文本块来封装书写和LLM提示,模型参数配置的模型块,并连接这些以创建输出生成的管道块。在这篇研讨会论文中,我们讨论了LMCanvas的设计以及我们开发这一概念的计划。
2023-03-27 cs.CL cs.HC
MemTX: Transactional Belief Commit for Stateful Agent Memory
研究针对大语言模型智能体通过共享内存协调时内存写入问题,提出事务性信念提交协议MemTX,通过携带多种信息、在事务中暂存写入等方式,经机器检查确保不变量,在多主干上领先基线且无下游危害。
2026-07-29 cs.AI
The Unlikely Duel: Evaluating Creative Writing in LLMs through a Unique Scenario
Universidade da Coruña(拉科鲁尼亚大学);CITIC(加利西亚研究中心)
该研究通过伊格内修斯与翼手龙对决的定制提示词评估多款指令微调LLM的创意写作能力,发现商业前沿LLM多数维度持平或略超人类,开源模型落后,人类原创性领先,仅前三LLM幽默表现达人类水平。
2024-06-22 cs.CL
A perishable ability? The future of writing in the face of generative artificial intelligence
Universidade Federal de Minas Gerais (UFMG)(巴西联邦大学矿务学院)
本文探讨生成式人工智能广泛代写文本是否会导致人类写作能力衰退,并以希腊黑暗时代为历史参照,反思技术外包对写作能力的影响。
2025-08-26 cs.AI cs.CL cs.CY
Help Me Write a Story: Evaluating LLMs' Ability to Generate Writing Feedback
Google DeepMind(谷歌DeepMind)
本文通过构建包含1,300个故意引入写作问题的故事测试集及评估框架,研究大语言模型生成写作反馈的能力,发现模型能提供具体且大多准确的反馈,但常无法识别最大写作问题并正确区分批评性与正面反馈的时机。
2025-07-21 cs.CL
Voices of Freelance Professional Writers on AI: Limitations, Expectations, and Fears
LMU Munich(慕尼黑大学);Toloka AI
本研究通过问卷和互动调研,探究了专业作家使用LLM辅助写作的实践、伦理顾虑及期望,为LLM的后续优化提供参考。
2026-10-01 cs.CL cs.CY cs.HC
Self-critiquing models for assisting human evaluators
OpenAI(开放人工智能研究中心)
我们使用行为克隆来微调大语言模型,以编写自然语言评论(自然语言关键评论)。在基于主题的摘要任务中,我们的模型编写的评论可以帮助人类找到摘要中的缺陷,否则他们会错过。我们的模型有助于发现模型和人类书面摘要中自然发生的缺陷,以及人类编写的摘要中故意误导的故意缺陷。我们研究了基于主题的摘要和合成任务的批评的缩放特性。更大的模型会写出更有帮助的批评,在大多数任务中,更善于自我批评,尽管有更难批评的输出。更大的模型也可以将自己的自我批评作为反馈,将自己的总结提炼成更好的总结。最后,我们提出并介绍了一个比较批判能力与生成能力和辨别能力的框架。我们的测量结果表明,即使是大型模型也可能仍然具有相关知识,但它们不能或不会表达为批评。这些结果是使用人工智能辅助的人类反馈来将机器学习系统的监督扩展到人类难以直接评估的任务的概念证明。我们发布了我们的训练数据集,以及我们的批判辅助实验的样本。
2022-06-14 cs.CL cs.LG
ABScribe: Rapid Exploration & Organization of Multiple Writing Variations in Human-AI Co-Writing Tasks using Large Language Models
University of Toronto(多伦多大学);University of Toronto Mississauga(多伦多大学密西沙加分校)
ABScribe通过将LLM提示转换为可复用按钮并在文本内相邻存储变体,支持写作者快速、结构化地探索和比较多种写作变体,显著降低工作负载并提升修订体验。
2024-03-27 cs.AI cs.HC cs.LG
PerPLM: Personalized Fine-tuning of Pretrained Language Models via Writer-specific Intermediate Learning and Prompts
The University of Tokyo(东京大学)
本研究针对预训练语言模型的个性化微调问题,提出利用特定作者提示和基于掩码语言建模的中间学习方法,在避免多副本存储成本的同时有效提取作者特征,提升了文本理解任务的准确性。
2023-09-14 cs.CL
Creativity Support in the Age of Large Language Models: An Empirical Study Involving Emerging Writers
Columbia University(哥伦比亚大学);New York University(纽约大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
该研究通过30名专业作家参与的实证实验,探究大语言模型在创意写作中的辅助作用,发现其在转译和审阅环节更具效用,为相关研究指明了方向。
2024-01-30 cs.AI cs.CL cs.CY
I Know You Did Not Write That! A Sampling Based Watermarking Method for Identifying Machine Generated Text
TOBB University of Economics & Technology(TOBB经济与技术大学);Bilkent University(比尔肯特大学);Qatar University(卡塔尔大学)
针对机器生成文本检测问题,本文提出一种干预 token 采样过程并嵌入可追溯模式的水印方法,实验表明其可在保持文本质量的同时实现高检测率。
2023-12-11 cs.AI cs.CL
Poor Alignment and Steerability of Large Language Models: Evidence from College Admission Essays
本研究通过分析大学录取文书发现,大语言模型在对齐和操控性方面存在不足,提示信息未能有效改变模型输出的语言模式。
2026-01-22 cs.CL
Counterargument for Critical Thinking as Judged by AI and Humans
Machine Learning Group, EISLAB, Luleå University of Technology(机器学习组、EISLAB、吕勒奥技术大学)
本研究探讨生成式AI环境下学生写作中反驳论的使用,发现学生自写反驳论包含逻辑等批判性思维要素,且生成式AI可基于明确标准评估学生写作,与人类评估结果一致。
2026-05-06 cs.AI cs.CL
Plan-and-Write: Structure-Guided Length Control for LLMs without Model Retraining
Amazon Web Services(亚马逊网络服务)
本文提出一种无需模型重训练的结构引导提示工程方法Plan-and-Write,通过在提示中引入规划与字数统计机制实现精确长度控制,在文档摘要任务中显著提升了多个LLM的长度保真度且保持或提升了输出质量。
2025-11-03 cs.AI cs.CL
SARD: A Human-AI Collaborative Story Generation
ASAS AI;King Abdulaziz University(阿卜杜勒阿齐兹国王大学);Center for Research Excellence in AI and Data Science(人工智能与数据科学卓越研究中心)
本文提出拖放式可视化界面SARD,利用大型语言模型支持多章节人机协作故事生成,并通过可用性评估揭示节点叙事可视化的认知负担及AI文本词汇多样性不足等局限。
2024-03-03 cs.AI cs.HC
Choice Over Control: How Users Write with Large Language Models using Diegetic and Non-Diegetic Prompting
University of Bayreuth(拜罗伊特大学)
我们提出了一个概念上的观点提示大语言模型(LLM),区分(1)diegetic提示(叙事的一部分,例如:“从前,我看到一只狐狸.),以及(2)非diegetic提示(外部,例如“写关于狐狸的冒险。").有了这个镜头,我们研究了129多产人群工作者如何用不同的用户界面(1 vs 3建议,有/没有非diegetic提示;实现GPT-3)写短文本:当界面提供多个建议,并提供了一个选项,非diegetic提示,参与者更喜欢从多个建议中选择,而不是通过非diegetic提示控制它们。当参与者提供非diegetic提示,这是要求灵感,主题或事实。特别是单一的建议,指导与diegetic和非diegetic信息。这项工作通过揭示(1)编写非diegetic提示需要努力,(2)人们结合diegetic和非diegetic提示,(3)他们使用他们的草稿(即diegetic信息)和建议时间来战略性地指导LLM,从而告知人类与人工智能的交互。
2023-03-06 cs.CL cs.HC
SurveyBench: Can LLM(-Agents) Write Academic Surveys that Align with Reader Needs?
Shanghai Jiao Tong University(上海交通大学);Tsinghua University(清华大学);Shanghai AI Laboratory(上海人工智能实验室)
针对现有自动生成学术综述的方法缺乏读者导向的严谨评估基准的问题,提出细粒度测验驱动的SurveyBench框架,从多维度双模式评估,有效挑战现有方法。
2025-10-06 cs.CL
Decision-Sufficient State Representations: Measuring and Reducing Write-Time Regret
本研究提出DSSR方法,通过前向滚动评分训练写入者减少写入时遗憾,在TextWorld任务中提升智能体性能,并揭示了信用分配对延迟场景的限制。
2026-09-30 cs.AI cs.CL cs.LG
VISAR: A Human-AI Argumentative Writing Assistant with Visual Programming and Rapid Draft Prototyping
University of Notre Dame(圣母大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出AI写作助手VISAR,通过可视化编程、同步编辑和自动草稿原型,帮助用户构建层级写作目标与论证结构,解决LLM聊天界面缺乏用户控制和语境感知的问题,有效提升了论辩写作规划体验。
2023-07-27 cs.AI cs.CL cs.HC
InkSight: Offline-to-Online Handwriting Conversion by Teaching Vision-Language Models to Read and Write
Google DeepMind(谷歌DeepMind);EPFL(苏黎世联邦理工学院)
针对纸笔笔记与数字笔记的转换缺口,研究提出InkSight方法,结合读写先验无需大量配对样本训练模型,可实现任意照片手写文本的离线到在线转换,且能泛化至草图,人工评估表现优异。
2026-10-16 cs.AI cs.CV
A Confederacy of Models: a Comprehensive Evaluation of LLMs on Creative Writing
Universidade da Coruña(拉科鲁尼亚大学);CITIC(中信);University of the Sunshine Coast(阳光海岸大学)
本研究评估了多种大型语言模型在创意写作上的表现,发现商业模型接近人类水平,开源模型落后,人类在创造力上仍具优势,幽默感呈现分化。
2023-10-12 cs.CL cs.CY
Prompting a Large Language Model to Generate Diverse Motivational Messages: A Comparison with Human-Written Messages
National University of Singapore(新加坡国立大学)
本研究验证了将众包任务指令用作LLM提示的效果,通过对比众包作者、采用众包流程的GPT-4及两种基线提示的GPT-4生成的激励信息多样性,发现众包流程提示能让GPT-4产出更多样化的内容。
2023-08-25 cs.CL cs.HC
Who Writes What: Unveiling the Impact of Author Roles on AI-generated Text Detection
Wangxuan Institute of Computer Technology, Peking University(北京大学计算机技术研究院)
研究揭示作者角色(如性别、CEFR熟练度等)对AI生成文本检测的影响,提出多因素分析方法,为更公平的检测系统提供实证支持和框架。
2025-12-28 cs.CL
Using Machine Learning to Distinguish Human-written from Machine-generated Creative Fiction
Lumerate(卢默拉特公司);School of Computing, Engineering & the Built Environment, Edinburgh Napier University(爱丁堡龙比亚大学计算、工程与建造环境学院)
本研究训练机器学习分类器区分人类与AI生成的创意小说,Naive Bayes和Multi-Layer Perceptron在短文本上准确率超95%,显著优于人类,并部署了概念验证工具以保护作者权益。
2024-12-15 cs.CL cs.LG
Hearsay: Can an Auditor Trust the Record a Deployed Agent Harness Writes?
Nanyang Technological University(南洋理工大学);National University of Singapore(新加坡国立大学);Case Western Reserve University(凯斯西储大学)
研究智能体框架自写记录的可信度,提出外部追加日志作为第二作者以增强证据效力,实验表明该方法能完整报告遗漏与捏造。
2026-09-29 cs.AI cs.CE cs.CR
Co-Writing with AI, on Human Terms: Aligning Research with User Demands Across the Writing Process
University of Toronto(多伦多大学)
本文通过系统综述109篇HCI论文并访谈15位写作者,揭示了AI辅助写作中能动性与所有权需求随写作阶段和写作者类型而变化,并为按人类条件设计人机共同写作工具提供了设计指导。
2025-08-18 cs.AI cs.HC
Visualize Before You Write: Imagination-Guided Open-Ended Text Generation
UC Santa Barbara(加州大学圣巴巴拉分校);UC San Diego(加州大学圣地亚哥分校);UC Santa Cruz(加州大学圣克鲁兹分校)
文本到图像合成的最新进展使得在给定的上下文中可视化机器想象成为可能。另一方面,在生成文本时,人类作家擅长创造性的视觉化,这通过在将故事写下来之前形成想象力作为蓝图来增强他们的写作。受这样一个认知过程的启发,我们提出了一个自然的问题,即我们是否可以赋予机器同样的能力来利用视觉信息,并构建一个上下文的总体图像来指导文本生成。在这项工作中,我们提出了iNLG,使用机器生成的图像来指导开放式文本生成中的语言模型。实验和分析表明,在开放式文本生成任务,包括文本完成,故事生成,概念到文本生成在Few-Shot和全数据场景的有效性。自动度量和人工评估都验证了我们的iNLG生成的文本片段是连贯的和信息丰富的,同时显示轻微的退化。
2023-02-15 cs.AI cs.CL
Debate-to-Write: A Persona-Driven Multi-Agent Framework for Diverse Argument Generation
The Hong Kong Polytechnic University(香港理工大学);DAMO Academy, Alibaba Group(阿里巴巴达摩院);Case Western Reserve University(凯斯西储大学)
本文提出一种人格驱动的多智能体辩论式写作框架,通过为不同智能体赋予独特视角信念并设计协作辩论过程,提升议论文论证的多样性与说服力,实验验证其有效性。
2025-01-03 cs.AI cs.CL
New Evolutionary Computation Models and their Applications to Machine Learning
Babeş-Bolyai University(巴比什-波雅依大学)
自动程序设计是当今计算机科学研究的最重要领域之一。硬件速度和能力呈指数级增长,但软件却落后了很多年。对软件的需求也显著增加,但它仍然是以旧的方式编写的:使用人类。当工作由人类完成时,会有很多问题:成本,时间,质量。支付人力成本很高,很难让他们长时间满意,需要花费大量时间来教授和训练他们,而且他们的输出质量在大多数情况下都很低(在软件中,主要是由于错误)。人类文明的真正进步出现在工业革命时期。在第一次革命之前,大多数人从事农业。今天,只有很少的人在这个领域工作。在计算机编程领域也必须出现类似的革命。否则,我们将有那么多人在这一领域工作,就像我们过去在农业领域工作一样。人们是怎么知道如何写计算机程序的?很简单:通过学习。我们能为软件做同样的事情吗?我们可以把软件学习如何写软件吗?这似乎是可能的(在某种程度上),这个术语被称为机器学习。1959年,第一个让计算机执行严肃学习任务的人Arthur Samuel首次提出了这个概念。然而,事情并不像人类那么容易(好吧,说实话-对于一些人来说,学习如何编写软件是不可能的)。到目前为止,我们还没有能够完美学习编写软件的软件。我们有一些特殊的例子,有些程序比人类做得更好,但例子充其量是零星的。从经验中学习对于计算机程序来说是困难的。与其试图模拟人类如何教人类如何编写计算机程序,我们可以模拟自然。
2021-10-01 cs.AI cs.LG cs.NE
Make Code as Policy Great Again: Frontier Agents Write, Call, and Evolve Robot Tools
Hexafuture Inc.(Hexafuture 公司);Peking University(北京大学);Beijing Institute of Technology(北京理工大学);Tsinghua University(清华大学)
URAI通过编程智能体构建可执行工具、执行智能体调用工具,将前沿模型的控制决策与代码执行分离,在RoboDojo和真实双臂任务中显著提升成功率与效率。
2026-10-01 cs.AI cs.RO
Read the Paper, Write the Code: Agentic Reproduction of Social-Science Results
ETH Zurich(苏黎世联邦理工学院);University of Basel(巴塞尔大学)
本文提出了一种代理重生产系统,通过提取论文中的方法描述,在不接触原始代码和数据的情况下复现社会科学结果,并通过误差溯源分析识别根本原因。
2026-09-30 cs.AI
Intrinsic Dimension Estimation for Robust Detection of AI-Generated Texts
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);AI Foundation and Algorithm Lab(人工智能基金会与算法实验室);Artificial Intelligence Research Institute (AIRI)(人工智能研究所);CNRS(法国国家科学研究中心);Université Paris Cité(巴黎城市大学);Steklov Institute of Mathematics(斯捷克洛夫数学研究所)
本文提出利用文本嵌入流形的本征维度检测AI生成文本,发现人类文本显著高于AI文本,据此构建的检测器在跨领域和模型无关场景中优于SOTA。
2023-10-31 cs.AI cs.CL cs.IT