Wordflow: Social Prompt Engineering for Large Language Models
Georgia Tech（佐治亚理工学院）
针对非专业人士难以开展提示工程的问题，研究提出社会化提示工程范式，并开发开源社会化文本编辑器Wordflow，支持普通用户协作设计、分享提示词及本地私密运行大语言模型，助力提升非专业用户与大语言模型的交互体验。
2024-01-25 cs.AI cs.CL cs.HC
Empowering Next POI Recommendation with Multi-Relational Modeling
University of Virginia（弗吉尼亚大学）
随着移动设备和Web应用的广泛采用，基于位置的社交网络（LBSN）提供大规模的个人级别的位置相关活动和体验。下一个兴趣点推荐是LBSNs中最重要的任务之一，旨在通过用户的历史活动发现用户的偏好，为用户提供下一个合适位置的个性化推荐。值得注意的是，LBSN提供了对关于用户和POI的丰富的异构关系信息（包括用户-用户社交关系，诸如家庭或同事;以及用户-POI访问关系）的无与伦比的访问。这种关系信息具有促进下一POI推荐的巨大潜力。然而，大多数现有的方法要么只关注用户兴趣点访问，或处理不同的关系基于过于简化的假设，而忽略了关系的异质性。为了填补这些关键的空白，我们提出了一种新的框架，MEMO，它有效地利用了异构关系与多网络表示学习模块，并明确地将跨时间的用户POI相互影响与耦合的递归神经网络。在真实世界的LBSN数据上进行的大量实验验证了我们的框架优于最先进的下一代POI推荐方法。
2022-04-24 cs.AI cs.IR cs.LG
Locating and Extracting Relational Concepts in Large Language Models
University of Sydney（悉尼大学）；BrewAI
该研究针对大语言模型知识调取缺乏可解释性、内部关系概念表示不明的问题，通过因果中介分析定位并提取了关系表示，验证了其可信度与可控事实调取潜力。
2024-06-19 cs.CL
Relational Priors as Convergence Pressure in LLM-Based Multi-Agent Systems
该研究将关系先验注入LLM-MAS提示中，发现其主要起收敛压力作用，正向性提升可促进智能体协调但未必提高准确性，建议按需使用而非默认添加。
2026-10-01 cs.CL
Identifying Morality Frames in Political Tweets using Relational Learning
Purdue University（普渡大学）
从文本中提取道德情感是理解公众舆论，社会运动和政策决定的重要组成部分。道德基础理论确定了五种道德基础，每一种都与积极和消极的极性相关联。然而，道德情感往往是由它的目标，这可以对应于个人或集体实体。在本文中，我们介绍了道德框架，一个代表性的框架，用于组织针对不同实体的道德态度，并提出了一个新的和高质量的注释数据集的推文写的美国政客。然后，我们提出了一个关系学习模型来预测对实体和道德基础的道德态度。我们做了定性和定量的评估，表明对实体的道德情感在不同的政治意识形态中有很大的差异。
2021-09-09 cs.AI cs.CL cs.CY
Unveiling the Potential of Knowledge-Prompted ChatGPT for Enhancing Drug Trafficking Detection on Social Media
West Virginia University（西弗吉尼亚大学）；University of Notre Dame（圣母大学）
本文首次系统研究利用ChatGPT等大语言模型检测社交媒体毒品贩运，提出知识知情提示框架和蒙特卡洛dropout提示优化方法，检测准确率较基线模型提升近12%，有效应对毒贩的欺骗性语言和委婉语。
2023-07-07 cs.AI cs.CL cs.SI
Language Independent Stance Detection: Social Interaction-based Embeddings and Large Language Models
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU HiTZ中心 - Ixa）
本文提出利用社交网络交互数据生成关系嵌入，结合文本判别方法，在七数据集四语言上实现六项最优，超越大型语言模型基线。
2025-02-27 cs.AI cs.CL
Social Bias Evaluation for Large Language Models Requires Prompt Variations
Tokyo Institute of Technology（东京工业大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；National Institute of Informatics（情报信息学研究所）
本文研究大语言模型社会偏见评估对提示变体的敏感性，发现提示变化会导致模型排名波动并揭示性能与偏见之间的权衡，建议使用多样化提示进行评估。
2024-07-03 cs.CL
Neural Networks for Relational Data
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Amazon Inc.（亚马逊公司）；TU Darmstadt（达姆施塔特工业大学）
虽然深度网络在过去十年中取得了巨大的成功，但它们依赖于平面特征向量表示，这使得它们不适用于结构丰富的领域，例如社会网络分析等应用中出现的领域。这些领域依赖于关系表示来捕获实体及其属性之间的复杂关系。因此，我们考虑学习神经网络的关系数据的问题。我们将自己与当前依赖于专家手工编码规则的方法区分开来，这些方法通过学习基于关系随机游走的特征来捕获局部结构相互作用和由此产生的网络架构。我们进一步利用所得到的关系神经网络的网络权重的参数绑定，其中相同类型的实例共享参数。我们在几个标准关系数据集上的实验结果证明了所提出的方法在多个神经网络基线以及最先进的统计关系模型上的有效性。
2020-01-13 cs.AI cs.LG
German General Social Survey Personas: A Survey-Derived Persona Prompt Collection for Population-Aligned LLM Studies
University of Mannheim（曼海姆大学）；GESIS -- Leibniz Institute for the Social Sciences（莱布尼茨社会科学研究所）；RWTH Aachen University（亚琛工业大学）；Complexity Science Hub（复杂性科学中心）
本文提出德国通用社会调查人设集合，用于构建与人口一致的LLM研究，通过实验证明其在模拟调查响应方面的有效性。
2026-03-02 cs.AI cs.CL cs.CY
Construction of Hyper-Relational Knowledge Graphs Using Pre-Trained Large Language Models
Aalto University（阿尔托大学）
针对超关系提取监督方法有限的问题，提出基于GPT-3.5的零样本提示方法，召回率0.77，并分析出未来研究方向。
2024-03-18 cs.AI cs.CL
Prompt Selection Matters: Enhancing Text Annotations for Social Sciences with Large Language Models
Université Paris 1 Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦大学）；Université Paris-Saclay（巴黎萨克雷大学）；Institut Jean Nicod（让·尼科德研究所）；Ecole Normale Supérieure（巴黎高等师范学院）；PSL-EHESS-CNRS（巴黎文理研究大学-法国高等社会科学研究院-法国国家科学研究中心）
本文研究提示选择对大型语言模型社会科学文本标注准确性的影响，发现不同提示性能差异显著，并提出自动提示优化方法以系统构建高质量提示，同时提供浏览器实现工具。
2025-03-10 cs.AI cs.CL cs.CY
Transforming Graph Representations for Statistical Relational Learning
Purdue University（普渡大学）；U.S. Naval Academy（美国海军学院）；Naval Research Laboratory（美国海军研究实验室）
由于最近网络数据集的激增（例如，社会、生物、信息网络）以及统计关系学习（SRL）算法在这些领域的应用的相应增加。在本文中，我们将研究基于图的关系数据的一系列表示问题。由于节点，链接和功能的关系数据表示的选择可以显着影响SRL算法的能力，我们调查的方法和机会，关系表示转换，旨在提高这些算法的性能。这使我们引入一个直观的分类法，在关系域中的数据表示转换，将链接转换和节点转换作为对称表示任务。具体而言，节点和链接的转换任务包括（i）预测它们的存在，（ii）预测它们的标签或类型，（iii）估计它们的权重或重要性，以及（iv）系统地构建它们的相关特征。我们通过详细的例子来激励我们的分类法，并使用它来调查和比较这些任务中的每一个的竞争方法。我们还讨论了转换链接、节点和特征的一般条件。最后，我们强调仍有待解决的挑战。
2012-03-30 cs.AI cs.LG cs.SI
Leveraging Prompt-Based Large Language Models: Predicting Pandemic Health Decisions and Outcomes Through Social Media Language
Virginia Tech（弗吉尼亚理工大学）；Cornell University（康奈尔大学）
提出基于提示LLM的RBIC多步推理框架，从反防疫Reddit讨论中提取并追踪要旨，分析其在线参与影响及与疫苗接种、住院趋势的关联。
2024-03-01 cs.AI cs.CL cs.HC
Introducing HALC: A general pipeline for the systematic and reliable construction of prompts for automated coding with LLMs in the computational social sciences
提出HALC通用流程，系统构建提示词以实现LLM可靠编码，经超三百万次请求验证，适用于多种任务与数据集。
2026-09-09 cs.AI cs.CL cs.LG
Semantic and Relational Spaces in Science of Science: Deep Learning Models for Article Vectorisation
University of Luxembourg（卢森堡大学）
在过去的一个世纪里，我们观察到全球科学出版物的稳定和指数增长。大量的可用文献使得基于人工检查的领域内和领域之间的研究的整体分析是不可能的。自动技术，以支持文献综述的过程中需要找到嵌入在科学出版物的认知和社会模式。在计算机科学中，已经开发了新的工具来处理大量数据。特别是，深度学习技术开启了自动化端到端模型的可能性，以将观察结果投影到新的低维空间，其中突出显示每个观察结果的最相关信息。使用深度学习来构建科学出版物的新表示是一个不断发展但仍在兴起的研究领域。本文的目的是讨论深度学习在收集科学研究文章见解方面的潜力和局限性。我们专注于基于文章的语义和关系方面的文档级嵌入，使用自然语言处理（NLP）和图神经网络（GNN）。我们探索这些技术产生的不同结果。我们的研究结果表明，使用NLP，我们可以对文章的语义空间进行编码，而使用GNN，我们能够构建一个关系空间，其中研究社区的社会实践也被编码。
2020-11-05 cs.LG cs.SI physics.soc-ph
Can Instruction Fine-Tuned Language Models Identify Social Bias through Prompting?
Vector Institute for AI（向量人工智能研究院）；McGill University（麦吉尔大学）
该研究评估指令微调语言模型通过零样本提示识别社会偏见的能力，发现Alpaca 7B表现最优（准确率56.7%），扩大模型规模与数据多样性可提升性能，是其偏见缓解框架的首个组成部分。
2023-07-19 cs.AI cs.CL cs.CY
Heterogeneous Subgraph Network with Prompt Learning for Interpretable Depression Detection on Social Media
School of Computer Science and Technology, Guangdong University of Technology（广东工业大学计算机科学与技术学院）
针对社交媒体抑郁症早期检测缺乏可解释性、忽略数据异构性与用户全局交互的问题，提出基于提示学习的异构子图网络（HSNPL），结合对比学习与双重注意力机制建模异构信息及用户交互，显著提升检测性能。
2024-07-12 cs.AI cs.SI
Learning to Reason With Relational Abstractions
Stanford University（斯坦福大学）；NYU（纽约大学）
大语言模型最近在数学推理方面取得了可喜的进展，当与人类生成的序列进行微调时，通过一系列解决方案步骤。然而，解决方案序列没有正式结构化，并且由此产生的模型生成的序列可能无法反映我们可能期望专家人类产生的那种系统推理。本文研究了如何利用关系抽象的思想在语言模型中建立更强的推理能力。我们引入了新类型的序列，更明确地提供了一个抽象的表征过渡到目标状态的中间解决方案的步骤。我们发现，提供此类序列作为提示的模型可以以更高的准确性解决任务，并且经过训练以产生此类序列的模型比使用先前使用的人类生成的序列和其他基线训练的模型更好地解决问题。因此，我们的工作采取了几个步骤，阐明和改善语言模型如何执行需要多步数学推理的任务。
2022-12-05 cs.AI cs.CL cs.LG
Social Meaning in Large Language Models: Structure, Magnitude, and Pragmatic Prompting
Leibniz-Centre General Linguistics, Berlin, Germany（莱布尼茨普通语言学中心，柏林，德国）
本文研究大语言模型在社会意义上的表现，提出两种校准指标并探讨语用理论指导的提示策略对模型校准的影响，发现提示策略能有效减少模型在规模校准上的偏差。
2026-08-13 cs.AI cs.CL
AI-Mediated Communication Reshapes Social Structure in Opinion-Diverse Groups
本研究探讨人工智能如何通过影响群体交流重塑意见多元群体的社会结构，发现个体与关系辅助AI对群体组成和互动模式有不同影响。
2025-11-25 cs.CL cs.SI
Debiasing Large Language Models toward Social Factors in Online Behavior Analytics through Prompt Knowledge Tuning
George Mason University（乔治梅森大学）
本文研究了在社交情境中通过引入用户目标推断 dispositional 因果性和消息上下文推断 situational 因果性对 LLM 性能的影响，提出了一种通过增强指令提示来减少社会归因偏见的方法，提升零样本分类任务的性能。
2026-03-28 cs.AI cs.CL
Empathetic Cascading Networks: A Multi-Stage Prompting Technique for Reducing Social Biases in Large Language Models
ECN通过多阶段提示技术减少大型语言模型的社会偏见，提升对话AI的共情与包容性。
2026-02-19 cs.AI cs.CL
Few-shot Instruction Prompts for Pretrained Language Models to Detect Social Biases
NVIDIA（英伟达）；California Institute of Technology（加州理工学院）
检测文本中的社会偏见是具有挑战性的，因为细微差别，主观性，以及难以获得高质量的大规模标记数据集，特别是考虑到社会偏见和社会的演变性质。为了解决这些挑战，我们提出了一种基于Few-Shot的方法来提示预训练的语言模型（LM）。我们从一个小的支持库中选择了一些类平衡的样本，这些样本最接近嵌入空间中要标记的查询。然后，我们为LM提供指令，该指令由标记样本的子集、要分类的查询文本、偏差的定义组成，并提示LM做出决定。我们证明了在Few-Shot上下文中使用的大型LM可以检测不同类型的细粒度偏差，其精度与微调模型相似，有时甚至更高。我们观察到，与较小的模型相比，最大的530B参数模型在检测社会偏见方面明显更有效（与其他模型相比，AUC指标至少提高了13%）。当标记的储存库减少到$100$样品时，它也保持高AUC（下降小于2%）。因此，大型的预训练语言模型使得构建新的偏见检测器变得更容易和更快。
2022-04-15 cs.AI cs.CL
What LLM Agents Say When No One Is Watching: Social Structure and Latent Objective Emergence in Multi-Agent Debates
Independent Researcher（独立研究员）；Carnegie Mellon University（卡内基梅隆大学）
提出双通道辩论框架，研究社会结构（角色、受众、关系）如何导致LLM智能体在公开与私下（OTR）表达中产生系统性分歧，揭示潜在目标的涌现。
2026-07-03 cs.AI cs.CL cs.LG
Navigating the Prompt Space: Improving LLM Classification of Social Science Texts Through Prompt Engineering
本文通过系统变化提示工程的三个方面，探讨如何通过增加提示上下文提高LLM对社会科学文本的分类准确性，发现最小的上下文增加能显著提升性能，但过度增加反而可能降低准确性。
2026-03-26 cs.CL cs.CY
PLACES: Prompting Language Models for Social Conversation Synthesis
Columbia University（哥伦比亚大学）；Amazon Alexa AI（亚马逊Alexa人工智能部门）
收集高质量的会话数据对于大多数应用程序来说可能非常昂贵，并且由于隐私，道德或类似问题而对其他应用程序来说是不可行的。解决这个问题的一个有希望的方向是通过提示大语言模型来生成合成对话。在这项工作中，我们使用一小部分专家撰写的对话作为上下文示例，使用提示合成社交对话数据集。我们对我们的合成对话与人类收集的对话进行了几次彻底的评估。这包括直接对合成对话进行人工评估的对话质量的各个维度，以及对合成生成的数据集进行微调的聊天机器人的交互式人工评估。我们还证明，这种提示方法是可推广到多方对话，为多方任务创建新的合成数据提供了可能。与从人类收集的多方数据集采样的对话摘录相比，我们的合成多方对话在所有测量维度上都得到了更有利的评价。
2023-02-17 cs.AI cs.CL cs.IR
Adaptive Prompting: Ad-hoc Prompt Composition for Social Bias Detection
Leibniz University Hannover（汉诺威莱布尼茨大学）；Bielefeld University（比勒费尔德大学）；LMU Munich（慕尼黑大学）
针对自动提示方法多优化单个技术的不足，提出自适应提示方法以即席预测给定输入的最优提示组合，将其应用于社会偏见检测任务，经实验验证在多模型多数据集上性能优异且具可推广性。
2025-02-10 cs.CL
Bi-Link: Bridging Inductive Link Predictions from Text via Contrastive Learning of Transformers and Prompts
Modelbest；Tsinghua University（清华大学）；University College London（伦敦大学学院）
归纳知识图谱完备化要求模型理解关系的底层语义和逻辑模式。随着预训练语言模型的发展，最近的研究已经为链接预测任务设计了Transformers。然而，实证研究表明，线性化三元组会影响关系模式的学习，如反转和对称。在本文中，我们提出了双链接，一个对比学习框架与概率语法提示链接预测。使用语法知识的BERT，我们有效地搜索关系提示，根据学习的语法模式，推广到大型知识图谱。为了更好地表达对称关系，我们设计了一个对称链接预测模型，在前向预测和后向预测之间建立双向链接。这种双向链接在测试时提供灵活的自集成策略。在我们的实验中，Bi-Link在链接预测数据集（WN 18 RR，FB 15 K-237和Wikidata 5 M）上的表现优于最近的基线。此外，我们构造Zeshel-Ind作为一个域内的归纳实体连接的环境，以评估双链接。实验结果表明，我们的方法产生鲁棒的表示，可以推广下域移位。
2022-10-26 cs.CL
Mapping how LLMs debate societal issues when shadowing human personality traits, sociodemographics and social media behavior
CogNosco Lab, University of Trento, Department of Psychology and Cognitive Science（CogNosco实验室，特伦托大学心理学与认知科学系）
本文通过CDS数据集研究LLMs在不同社会和情境提示下生成的辩论内容变化，分析其社会议题立场和情感表达。
2026-04-30 cs.AI cs.CL cs.CY
Psychologically Potent, Computationally Invisible: LLMs Generate Social-Comparison-Eliciting Posts They Fail to Detect
Department of English Language Education（英语语言教育系）；Analytics/Assessment Research Centre（分析/评估研究中心）
本研究通过构建小红书社会比较读者诱发基准（XHS-SCoRE），发现 LLM 在生成引发社会比较的帖子时存在生成-检测不匹配，即该信号在领域内可学习但无法通过提示分类稳健访问。
2026-08-31 cs.CL
Relational Deep Learning: Challenges, Foundations and Next-Generation Architectures
Stanford University（斯坦福大学）；Mila, McGill University（麦吉尔大学米尔）
本文综述关系深度学习（RDL），将关系数据库表示为关系实体图，讨论其挑战、基础方法及下一代架构，并展望统一建模以推动基础模型发展。
2025-06-19 cs.AI cs.DB cs.LG
When Do LLMs Generate Realistic Social Networks? A Multi-Dimensional Study of Culture, Language, Scale, and Method
University of Arizona（亚利桑那大学）
本文通过多维度研究探讨LLM生成社会网络的可靠性，发现文化框架、提示语言和模型规模等因素显著影响网络结构，揭示提示设计对社会学假设的影响。
2026-05-13 cs.CL cs.CY cs.SI
Navigating Prompt Complexity for Zero-Shot Classification: A Study of Large Language Models in Computational Social Science
The University of Sheffield（谢菲尔德大学）
本研究评估了ChatGPT和OpenAssistant在六项计算社会科学任务中的零样本分类性能，发现其不及微调的BERT-large模型，且不同提示策略对准确率和F1分数的影响超过10%。
2024-03-24 cs.CL
Prompt Refinement or Fine-tuning? Best Practices for using LLMs in Computational Social Science Tasks
IT University of Copenhagen（哥本哈根信息技术大学）；Pioneer Center for AI（人工智能先锋中心）
本文通过在23项社会知识任务基准上评估现代大语言模型分类方法，提出三项最佳实践：选用更大词汇量和预训练语料库的模型、采用AI增强提示而非简单零样本，以及在任务数据上微调并视数据丰富度决定是否进行多数据集指令微调。
2024-08-02 cs.CL cs.CY physics.soc-ph
Evaluation is all you need. Prompting Generative Large Language Models for Annotation Tasks in the Social Sciences. A Primer using Open Models
Goethe University（歌德大学）；University Leipzig（莱比锡大学）
本文探讨在社会科学标注任务中使用开源生成式LLMs，通过推文情感分析和作文休闲活动识别示例，评估多种模型与提示策略，指出需仔细验证并定制提示工程，开源模型在隐私和可重复性上具优势。
2023-12-30 cs.CL
RelGNN: Composite Message Passing for Relational Deep Learning
Stanford University（斯坦福大学）
本文提出 RelGNN 框架，通过原子路径与复合消息传递、图注意力机制利用关系数据库图的结构特征，在 Relbench 的 30 个任务上多数达到 SOTA，最高提升 25%。
2025-06-06 cs.AI cs.DB cs.LG
Let Relations Speak: An End-to-End LLM-GNN Soft Prompt Framework for Fraud Detection
School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）
提出LGSPF框架，通过软提示桥接图结构与语义空间，并引入并行GNN编码器将多关系拓扑转化为图令牌，实现端到端优化，在欺诈检测中达到最优性能。
2026-05-27 cs.AI
Prompting Techniques for Reducing Social Bias in LLMs through System 1 and System 2 Cognitive Processes
Bellini College of AI, Cybersecurity and Computing University of South Florida（人工智能、网络安全与计算学院，佛罗里达州立大学）
本文研究如何通过系统1/系统2双过程理论、思维链提示和去偏策略减少大语言模型的社会偏见，发现这些方法普遍有效，最佳组合因模型和偏见类别而异，可使刻板判断最多降低33%。
2025-08-22 cs.CL
On Measuring Social Biases in Prompt-Based Multi-Task Learning
Boston University（波士顿大学）；Harvard University（哈佛大学）；Koç University（科奇大学）
大语言模型在混合的NLP任务上训练，这些任务使用提示转换为文本到文本格式，可以概括为新的语言形式并处理新的任务。提示工程中的大量工作试图了解输入表单和提示在实现卓越性能方面的效果。我们考虑一种替代措施，并询问输入编码的方式是否会影响输出中促进的社会偏见。在本文中，我们研究了T0，一个大规模的多任务文本到文本的语言模型训练使用基于学习。我们考虑两种不同形式的语义等价输入：问题-答案格式和前提-假设格式。我们使用现有的偏见基准为前烧烤和创建第一个偏见基准在自然语言推理BBNLI与手写的假设，同时也将每个基准转换成其他形式。两个基准测试的结果表明，给定基本相同输入的两种不同配方，T0在训练期间看到的问答形式中的行为明显比与其训练样本不同的前提假设形式更有偏见。代码和数据在https://github.com/feyzaakyurek/bbnli下发布。
2022-05-23 cs.CL cs.CY
Improving Generalizability of Extracting Social Determinants of Health Using Large Language Models through Prompt-tuning
University of Florida（佛罗里达大学）；NVIDIA（英伟达）
该研究提出基于软提示的学习架构，通过提示微调提高LLMs在跨领域提取健康社会决定因素（SDoH）的泛化能力，实验表明仅解码器模型GatorTronGPT在跨机构和跨疾病数据集上均优于传统微调方法。
2024-03-19 cs.CL
Stochastic Neighbor Embedding of Multimodal Relational Data for Image-Text Simultaneous Visualization
Kyoto University（京都大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；NAVER Corporation（NAVER公司）
多模态关系数据分析近年来变得越来越重要，用于探索不同领域的数据，诸如从社交网络服务（例如，Flickr）。已经开发了各种数据分析方法用于可视化;举一个例子，t-随机邻居嵌入（t-SNE）计算低维特征向量，以便它们的相似性保持观察到的数据向量。然而，t-SNE是专为一个单一的数据域，但不是多模态数据，本文的目的是在可视化的多模态关系数据组成的数据向量在多个域与这些向量之间的关系。通过扩展t-SNE，本文提出了多模态关系随机邻居嵌入（MR-SNE），即（1）首先计算增强关系，其中我们观察跨域的关系，并通过观察到的数据向量计算每个域内的关系，以及（2）将增强关系联合嵌入到低维空间。通过可视化的Flickr和动物与属性2数据集，建议MR-SNE与其他基于图嵌入的方法进行了比较，MR-SNE展示了有前途的性能。
2020-05-02 cs.CL cs.CV cs.HC
Automating Computational Reproducibility in Social Science: Comparing Prompt-Based and Agent-Based Approaches
University of Koblenz Koblenz Germany；University of Koblenz
研究探讨了大型语言模型和AI代理能否自动诊断和修复计算失败，通过可控的可重复性测试平台评估两种方法在不同复杂度下的表现，发现基于代理的方法在可重复性上表现更优。
2026-04-23 cs.CL cs.SE
GRASP: Guiding model with RelAtional Semantics using Prompt for Dialogue Relation Extraction
Korea University（高丽大学）
基于对话的关系抽取（DialogRE）任务旨在预测对话中出现的论元对之间的关系。大多数以前的研究利用微调预训练语言模型（PLM），只有广泛的功能，以补充低信息密度的对话，由多个扬声器。为了有效地利用固有知识的PLM没有额外的层，并考虑分散的语义线索之间的关系参数，我们提出了一个指导模型与关系语义提示（GRASP）。我们采用了一种基于语义的微调方法，并通过1）一个论元感知的提示标记策略和2）关系线索检测任务来捕获给定对话的关系语义线索。在实验中，GRASP在DialogRE数据集上的F1和F1c得分方面达到了最先进的性能，即使我们的方法只利用PLM而不添加任何额外的层。
2022-09-27 cs.AI cs.CL
Relational Learning Analysis of Social Politics using Knowledge Graph Embedding
The University of Jordan（约旦大学）；Curtin University（科廷大学）
知识图谱（KGs）近年来受到学术界和工业界的广泛关注。事实上，结合图形技术和大量的各种图形数据集已经导致研究社区构建复杂的图形分析工具。因此，幼儿园的应用已经扩展到解决大量的现实生活中的问题，在不同的领域。尽管目前大量的通用知识库，有一个至关重要的需要，以构建域特定的知识库。此外，质量和信誉应在建设和扩大幼儿园的过程中吸收，特别是那些从混合质量资源（如社交媒体数据）传播的幼儿园。本文提出了一种新的基于可信域的KG嵌入框架。该框架涉及到捕获融合的数据从异构资源到一个正式的KG表示所描绘的领域本体。该方法利用各种知识库来丰富文本内容的语义，从而促进信息的互操作性。拟议的框架还包含一个可信度模块，以确保数据质量和可信度。然后，使用几种嵌入技术将构建的KG嵌入到低维语义连续空间中。构造KG及其嵌入的效用被证明和证实的链接预测，聚类和可视化任务。
2020-06-02 cs.AI cs.CL cs.IR
Mental Health Impacts of AI Companions: Triangulating Social Media Quasi-Experiments, User Perspectives, and Relational Theory
Aalto University（阿尔托大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Nanyang Technological University（南洋理工大学）
本文通过社交媒体准实验、用户访谈和关系理论，研究人工智能伴侣对心理健康的影响，发现其在提供情感支持的同时也存在依赖风险，提出设计建议以平衡心理社会效益。
2026-02-01 cs.AI cs.CL cs.CY
Prompt-and-Align: Prompt-Based Social Alignment for Few-Shot Fake News Detection
National University of Singapore（新加坡国立大学）
针对少样本假新闻检测中标签稀缺的问题，提出Prompt-and-Align框架，结合PLM提示知识与新闻邻近图的社会一致性信号进行置信度感知对齐，并在三个基准上显著刷新最先进性能。
2023-09-28 cs.AI cs.CL cs.SI
Prompt-based mental health screening from social media text
本研究针对大规模含噪社交媒体文本的心理健康筛查问题，提出结合GPT 3.5提示筛选相关内容与词袋分类器预测标签的方法，性能媲美BERT混合专家模型且训练成本大幅降低。
2024-05-11 cs.CL
SocialStigmaQA: A Benchmark to Uncover Stigma Amplification in Generative Language Models
IBM Research（IBM研究院）
该论文提出SocialStigmaQA基准，含约10K提示，测试生成式语言模型的社会偏见放大，发现偏见输出占45%-59%，并揭示模板设计影响偏见倾向及思维链中的问题模式。
2023-12-27 cs.AI cs.CL cs.CY
Detecting Hostile Posts using Relational Graph Convolutional Network
Samsung Research Institute（三星研究院）；ABV-Indian Institute of Information Technology & Management, Gwalior（ABV-印度信息技术与管理学院）
这项工作是基于提交给竞争印地语约束进行AAAI@2021检测在印地语在社交媒体平台上的敌意职位。在这里，提出了一个模型检测和分类的敌对职位，并进一步分类为虚假，攻击性，仇恨和诽谤使用关系图卷积网络。与其他现有的工作不同，我们的方法专注于使用语义含义以及上下文信息进行更好的分类。AAAI@2021的结果表明，该模型在给定数据集上的表现与Google的XLM-RoBERTA相当。我们使用RGCN提交的最佳作品在粗粒度评估中获得了0.97的F1分数（第7名），并在识别虚假帖子方面取得了最佳性能。在所有提交的挑战中，我们的分类系统与XLM-Roberta在细粒度分类上获得了第二名。
2021-04-07 cs.AI cs.CL
Sentence-Level Relation Extraction via Contrastive Learning with Descriptive Relation Prompts
Netease Inc.（网易公司）
本文提出CTL-DRP范式，通过描述性关系提示和对比学习联合建模实体信息、关系知识与类型限制，在TACRED、TACREV和Re-TACRED上取得领先性能。
2023-04-11 cs.CL
Prompt-based Extraction of Social Determinants of Health Using Few-shot Learning
George Mason University（乔治梅森大学）；University of Washington（华盛顿大学）
本研究利用SHAC语料库，探索GPT-4单样本提示在两种标注格式下提取SDOH信息的效果，其F1值达0.652，与n2c2挑战赛第7名系统性能相当。
2023-06-12 cs.CL
BlendSQL: A Scalable Dialect for Unifying Hybrid Question Answering in Relational Algebra
Fidelity Investments（富达投资）
本文提出BlendSQL，一种基于SQLite超集的统一方言，通过将多跳混合问答的完整推理路线图编码为单个可解释查询，在减少35% token用量的同时提升端到端系统在大规模数据上的性能。
2024-06-10 cs.CL
APT-Pipe: A Prompt-Tuning Tool for Social Data Annotation using ChatGPT
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Queen Mary University of London（伦敦大学玛丽女王学院）；University of Helsinki（赫尔辛基大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出自动化提示调优流水线APT-Pipe，通过自动优化提示提升ChatGPT文本分类性能，在12个数据集中9个上平均提高加权F1分数7.01%，并展示其框架可扩展性。
2024-02-20 cs.CL
