Enhancing LLM Reasoning via Non-Human-Like Reasoning Path Preference Optimization
University of Technology Sydney（悉尼技术大学）；Shanghai Innovation Institute（上海创新研究院）；Southeast University（东南大学）；Microsoft Research（微软研究院）；Nanjing University（南京大学）；Shanghai Jiao Tong University（上海交通大学）；Independent Researcher（独立研究者）
本文提出CGPO方法，通过置信度信号优化推理路径，提升大语言模型在代码和数学推理任务中的性能。
2026-01-31 cs.AI cs.CL
Enhancing Health Data Interoperability with Large Language Models: A FHIR Study
Northwestern University Feinberg School of Medicine（西北大学费恩伯格医学院）；Siemens Medical Solutions（西门子医疗解决方案）
本研究利用大语言模型将临床文本转换为FHIR资源，在3,671条片段上实现超90%精确匹配准确率，有效提升医疗数据互操作性并简化处理流程。
2023-09-19 cs.AI cs.CL
TOOL-ED: Enhancing Empathetic Response Generation with the Tool Calling Capability of LLM
Northeastern University（东北大学）
针对大语言模型共情回复生成依赖固定知识库、易引入噪声的问题，提出EKTC框架将常识知识库封装为共情工具以灵活调用外部知识，构建TOOL-ED数据集适配任务，实验验证可有效提升共情回复生成能力。
2024-12-08 cs.CL
Chain of Empathy: Enhancing Empathetic Response of Large Language Models Based on Psychotherapy Models
Seoul National University（首尔大学）
本研究提出受多类心理治疗模型启发的共情链（CoE）提示方法，可引导大语言模型生成更丰富均衡的共情回应，为开发更安全、具语境适配性的共情AI提供思路。
2024-09-14 cs.AI cs.CL cs.HC
Evaluating LLM-Generated Versus Human-Authored Responses in Role-Play Dialogues
Utrecht University（乌得勒支大学）
本研究通过人类评估和LLM-as-a-judge方法，发现LLM在多轮角色扮演对话中回应质量随时间下降，而人类回应逐步提升，并提出了验证的混合评估框架。
2025-10-08 cs.AI cs.CL
Pistis-RAG: Enhancing Retrieval-Augmented Generation with Human Feedback
Zhongguancun Laboratory（中关村实验室）；Tsinghua University（清华大学）；China Mobile Communications Group Co., Ltd.（中国移动通信集团有限公司）
针对传统RAG仅靠语义相关性难保障生成质量、受提示排序影响的问题，研究提出以内容为核心的Pistis-RAG框架，利用人类反馈优化排序与生成，在MMLU和C-EVAL上准确率分别提升6.06%和7.08%。
2024-10-31 cs.AI cs.CL cs.IR
Enhancing Text Classification through LLM-Driven Active Learning and Human Annotation
Ontario Tech University（安大略理工大学）
针对文本分类中标注成本高的问题，提出融合LLM与人工标注的主动学习框架，按模型不确定性动态结合二者输出，在三个公开数据集上实现了降本且保优提效的效果。
2024-06-17 cs.AI cs.CL cs.LG
From Persona to Person: Enhancing the Naturalness with Multiple Discourse Relations Graph Learning in Personalized Dialogue Generation
Department of Computer Science（计算机科学系）；Information Engineering, National Cheng Kung University, Taiwan（信息工程系，国立云林科技大学，台湾）；Department of Computer Science, National Tsing Hua University, Taiwan（计算机科学系，国立清华大学，台湾）
针对个性化对话生成中回复需兼顾连贯性与人设一致性的挑战，提出MUDI方法，借助大语言模型构建对话图、用DialogueGAT捕捉话语关系，并通过连贯感知注意力提升生成质量，使回复更自然类人。
2025-06-13 cs.CL
FG-RAG: Enhancing Query-Focused Summarization with Context-Aware Fine-Grained Graph RAG
Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出FG-RAG框架，通过上下文感知实体扩展和查询级细粒度摘要，解决现有GraphRAG在查询聚焦摘要任务中缺乏查询感知和上下文信息的问题，并在多个指标上优于其他RAG系统。
2025-03-13 cs.AI cs.CL cs.IR
CitaLaw: Enhancing LLM with Citations in Legal Domain
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；University of International Business and Economics（对外经济贸易大学）
提出首个法律引用基准CitaLaw，通过参考语料库检索与三段论评估，增强LLM生成合法且带引用的回答，实验证明其有效性。
2025-02-22 cs.CL
DecoupledESC: Enhancing Emotional Support Generation via Strategy-Response Decoupled Preference Optimization
Zhejiang University（浙江大学）
本文提出了解耦ESC框架，通过策略-回应解耦的偏好优化方法，提升情感支持生成的质量与准确性。
2026-01-16 cs.CL
Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Microsoft Azure AI（微软Azure人工智能）；Google（谷歌）
针对直接偏好优化未充分利用相似提示对比信息的问题，提出相对偏好优化，通过对比加权机制利用成对和未成对偏好数据，提升大语言模型与用户偏好对齐及适应性。
2024-05-27 cs.AI cs.CL cs.LG
Enhancing LLMs through human feedback: a journey towards self-improvement
Intel Corporation（英特尔公司）
研究在信息检索系统中，通过整合辅助反馈RAG系统及人工参与，利用人类反馈优化主RAG系统性能，经多数据集测试验证方法有效，强调了其变革潜力，为自适应信息检索技术研究树立了先例。
2026-07-14 cs.AI cs.CL cs.IR
Mind the Uncertainty in Human Disagreement: Evaluating Discrepancies between Model Predictions and Human Responses in VQA
Center for Information and Language Processing, LMU Munich（慕尼黑大学信息与语言处理中心）；Munich Center for Machine Learning（慕尼黑机器学习中心）
该研究聚焦VQA任务，基于人类分歧不确定性水平分类样本，采用新指标评估SOTA模型与人类回答分布的关联，发现普通校准会拉大差距，而人类校准可提升对齐效果，指出该对齐问题应成为未来研究重点。
2024-09-17 cs.AI cs.CL cs.CV
From Passive Response to Proactive Correction: Enhancing LLM Robustness Against Input Fact Perturbations
Renmin University of China（中国人民大学）；Southeast University（东南大学）；Zhejiang University（浙江大学）
针对LLM易受输入事实误导产生错误响应的问题，提出三阶段框架DEDUCE，结合新数据集与指标，在多基准上提升了Qwen、LLaMA等系列模型的鲁棒性与错误修正能力。
2026-08-27 cs.CL
Enhancing IoT based Plant Health Monitoring through Advanced Human Plant Interaction using Large Language Models and Mobile Applications
Vellore Institute of Technology（韦洛尔理工学院）
本文提出融合土壤传感器、Gemini API 与 Flutter 移动应用的植物通信系统，将实时 IoT 数据转化为自然语言健康洞察，以改进植物养护并拓展 AIoT 应用。
2025-01-05 cs.AI
Dynamic In-Group Persona Generation for Enhancing Human-AI Rapport
Korea University（韩国大学）；Kakao Mobility；University of California, Berkeley（加州大学伯克利分校）
提出一种动态内群体人格生成方法，通过识别用户主要关切并生成共享相似关切的内群体人格，显著提升人机融洽关系，实验表明该方法优于无人格条件和最小自我表露基线。
2026-06-18 cs.AI cs.HC
Enhancing Annotated Bibliography Generation with LLM Ensembles
Universitat Politècnica de Catalunya (UPC)（加泰罗尼亚理工大学）
本文提出利用多角色LLM集成方法，通过可控生成、评估、摘要及冗余去除提升注释书目质量，实验显示注释质量提升38%、冗余减少51%。
2024-12-30 cs.AI cs.CL cs.LG
Brain-Inspired Two-Stage Approach: Enhancing Mathematical Reasoning by Imitating Human Thought Processes
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；Shanghai Innovation Center for Processor Technologies（上海处理器技术创新中心）；School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学与技术学院）
提出脑启发两阶段方法 Brain，由额叶模型制定计划、顶叶模型生成并执行代码，从而增强多步数学推理，并在 Code LLaMA 7B 基线上达到 SOTA。
2024-02-23 cs.AI cs.CL cs.LG
Enhancing Reasoning Capabilities in SLMs with Reward Guided Dataset Distillation
Shreyansh Padarha（独立研究者）
本文提出AdvDistill框架，通过奖励引导的数据集蒸馏利用教师模型多次生成及规则验证器奖励作为权重训练学生模型，显著提升小型语言模型在数学和复杂推理任务上的性能。
2025-06-25 cs.AI cs.CL cs.LG
Prompt Engineering and the Effectiveness of Large Language Models in Enhancing Human Productivity
Department of Computer Science（计算机科学系）
本文通过243名受访者调查，研究提示结构与清晰度对LLM输出有效性的影响，发现清晰、结构化且上下文感知的提示能显著提升任务效率，凸显提示工程在最大化生成式AI价值中的关键作用。
2025-08-27 cs.AI cs.HC
EmoXpt: Analyzing Emotional Variances in Human Comments and LLM-Generated Responses
SUNY Polytechnic Institute（纽约州立大学理工学院）；University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
本研究提出EmoXpt情感分析框架，分析人类关于生成式AI的推文及ChatGPT的对应回复，发现大语言模型生成的回复比人类回复更高效、连贯且情绪更积极。
2026-10-14 cs.AI cs.CL cs.HC
Enhancing LLM-Based Human-Robot Interaction with Nuances for Diversity Awareness
University of Genoa（热那亚大学）
本文提出一种基于LLM的多样性感知自主对话系统，通过知识库引导对话流程并利用精心设计的提示生成多样性感知语句，经实验验证能有效适应不同背景的个体。
2024-06-25 cs.AI cs.HC cs.RO
EnGRICH: Enhancing Generative Reward Modeling with Critiques from Humans
Tsinghua University（清华大学）；Tencent（腾讯）
提出EnGRICH框架，利用人类批评训练元批评器为生成式奖励模型提供过程监督，提升批评可靠性，在七个基准上超越现有方法。
2026-10-07 cs.AI
PersonaFuse: A Situation-Aware Post-Training Framework for Adaptive LLM Behavior in Enterprise Tasks
The Hong Kong University of Science and Technology（香港科学与技术大学）；University of Notre Dame（诺丁汉大学）
本文提出PersonaFuse框架，通过混合专家架构结合人格适配器与动态路由网络，使LLMs能根据情境表达不同人格，在不牺牲推理能力和安全性的前提下显著提升了社交情感智能及下游应用表现。
2026-11-04 cs.CL
Enhancing Conversational Search: Large Language Model-Aided Informative Query Rewriting
University College London（伦敦大学学院）；University of Liverpool（利物浦大学）；Uppsala University（乌普萨拉大学）
本文提出利用大语言模型作为查询重写器，通过精心设计的指令生成信息性查询重写，并采用“先重写后编辑”过程和模型蒸馏降低延迟，在QReCC数据集上显著提升了对话式搜索的检索性能。
2023-10-18 cs.AI cs.CL cs.HC
Highlight All the Phrases: Enhancing LLM Transparency through Visual Factuality Indicators
本研究通过208名参与者的两项场景实验，发现基于事实性分数对LLM回答中的所有短语进行颜色编码的设计，能更有效提升用户信任度、验证准确性的容易程度及偏好，为开发者提供了实用设计指南。
2025-08-09 cs.AI cs.HC
EnsemW2S: Enhancing Weak-to-Strong Generalization with Large Language Model Ensembles
本文提出EnsemW2S方法，通过token级迭代集成多个弱专家来提升其监督强模型的能力，在分布内和分布外数据集上均取得显著泛化性能改进。
2025-06-05 cs.CL cs.LG
Real-Time Intuitive AI Drawing System for Collaboration: Enhancing Human Creativity through Formal and Contextual Intent Integration
SNU（首尔国立大学）
本文提出一种实时生成式绘图系统，同时整合草图的形式意图与情境意图，通过多阶段生成流水线和分布式推理架构实现低延迟协作创作，重新定义人机交互为共同创造过程。
2025-08-12 cs.AI cs.CV cs.HC
MedSyn: Enhancing Diagnostics with Human-AI Collaboration
University of Trento（特伦托大学）；Santa Chiara Hospital（圣基亚拉医院）；The University of Edinburgh（爱丁堡大学）
本文提出人机协作框架MedSyn，通过医生与大型语言模型的多轮交互对话，增强临床诊断与治疗决策，模拟实验显示开源LLM有潜力成为现实中的医生助手。
2025-07-08 cs.AI cs.HC cs.LG
Enhancing Mental Health Support through Human-AI Collaboration: Toward Secure and Empathetic AI-enabled chatbots
University at Albany, SUNY（纽约州立大学奥尔巴尼分校）；SUNY Downstate Health Sciences University（纽约州立大学唐斯泰特健康科学大学）
针对心理健康支持可及性有限的问题，研究评估了GPT v4等大语言模型聊天机器人的共情回应能力，提出结合联邦学习与临床验证的框架以解决隐私、偏见等问题，开发安全可信的AI心理健康支持工具。
2024-09-17 cs.AI cs.CY cs.HC
Enhancing Human-Centered Dynamic Scene Understanding via Multiple LLMs Collaborated Reasoning
Singapore University of Technology and Design (SUTD)（新加坡科技设计大学）
针对V-HOI检测模型缺乏通用推理能力的问题，提出V-HOI MLCR框架，利用多LLM两阶段协作推理及CLIP辅助训练，提升基础模型预测准确性。
2024-07-19 cs.AI cs.CV cs.MM
From Hallucinations to Facts: Enhancing Language Models with Curated Knowledge Graphs
IIT Patna（印度理工学院巴特那分校）；Manipal Institute of Technology（马尼帕尔理工学院）
本文提出通过整合从维基百科构建并精炼的精选知识图谱三元组来增强语言模型的事实依据，实验证明该方法能有效减少幻觉回答，提升模型输出的可靠性与可信度。
2024-12-24 cs.AI cs.CL
Enhancing Item Response Theory for Cognitive Diagnosis
University of Science and Technology of China（中国科学技术大学）
认知诊断是许多教育应用中的基本和关键任务，例如，计算机自适应测试和认知作业。项目反应理论（IRT）是一种经典的认知诊断方法，它可以提供可解释的参数（即，学生潜在特质、问题辨别力和难度）来分析学生的表现。然而，传统的项目反应理论忽略了试题文本中丰富的信息，无法诊断知识概念的熟练程度，对出现次数较少的试题参数诊断不准确。为此，在本文中，我们提出了一个通用的深度项目反应理论（DIRT）框架，以加强传统的IRT认知诊断，利用深度学习的问题文本的语义表示。在DIRT中，我们首先使用一个熟练度向量来表示学生对知识概念的熟练程度，然后使用Word2Vec将问题文本和知识概念嵌入到稠密向量中。然后，我们设计了一个深度诊断模块，通过深度学习技术对传统IRT中的参数进行诊断。最后，我们将诊断出的参数输入到IRT的类逻辑公式中，预测学生的成绩。在真实数据上的大量实验结果清楚地证明了DIRT框架的有效性和解释能力。
2019-12-01 cs.AI cs.CL
EmpHi: Generating Empathetic Responses with Human-like Intents
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
在同理心对话中，人类以同理心的意图向他人表达同理心。然而，现有的大多数移情会话方法都缺乏移情意图，导致移情单调。为了解决移情对话模型和人类之间的移情意图分布的偏差，我们提出了一种新的模型，以产生与人类一致的移情意图，EmpHi。准确地说，EmpHi学习潜在的共情意图的分布与离散的潜在变量，然后结合隐式和显式的意图表示，以生成具有各种共情意图的响应。实验表明，EmpHi优于国家的最先进的模型在自动和人类评价的同理心，相关性和多样性。此外，案例研究表明，我们的模型的高解释性和出色的性能。
2022-04-26 cs.AI cs.CL
Hierarchical Reward Design from Language: Enhancing Alignment of Agent Behavior with Human Specifications
Rice University（里士大学）
本文提出基于语言的层次奖励设计（HRDL）和语言到层次奖励（L2HR）方法，用于通过人类规范增强智能体行为对齐，提升AI任务完成效果和规范遵守程度。
2026-02-20 cs.AI cs.CL cs.HC
Enhancing Admission Inquiry Responses with Fine-Tuned Models and Retrieval-Augmented Generation
本文提出通过微调模型和检索增强生成技术，提升大学招生咨询回复的准确性和效率，以满足招生沟通的特殊需求。
2025-12-07 cs.CL cs.CY cs.HC
Enhancing Keyphrase Extraction from Microblogs using Human Reading Time
Nanjing University of Science and Technology（南京理工大学）
人工关键词标注的前提是读取标注对象的相应内容。直觉告诉我们，当我们阅读时，更重要的单词会占据更长的阅读时间。因此，通过利用人类的阅读时间，我们可以在相应的内容中找到突出的单词。然而，以往的关键词提取研究忽略了人类的阅读特征。在本文中，我们的目标是利用人类的阅读时间从微博帖子中提取关键词。本研究的主要任务有两个。一个是确定如何测量人类阅读一个单词所花费的时间。我们使用从开源眼动追踪语料库（OSEC）中提取的眼动注视持续时间。此外，我们提出了策略，使眼睛注视时间更有效的关键词提取。另一个任务是确定如何将人类阅读时间整合到关键短语提取模型中。我们提出了两个新的神经网络模型。第一种是将人类阅读时间作为注意力机制的基础事实的模型。在第二个模型中，我们使用人类阅读时间作为外部特征。定量和定性实验表明，我们提出的模型产生更好的性能比基线模型在两个微博数据集。
2020-10-25 cs.CL cs.HC cs.IR
Enhancing Paraphrase Type Generation: The Impact of DPO and RLHF Evaluated with Human-Ranked Data
University of Göttingen（哥廷根大学）
本研究利用人工排序的释义类型数据集，结合直接偏好优化（DPO）使模型输出与人类判断对齐，将释义类型生成准确率提升3个百分点，人类偏好评分提升7个百分点，并创建了新的标注数据集以支持更严格的评估。
2026-06-02 cs.CL
Enhancing Conversational Agents with Theory of Mind: Aligning Beliefs, Desires, and Intentions for Human-Like Interaction
UNSW Sydney（新南威尔士大学悉尼分校）
针对当前大语言模型对话系统缺乏心理理论能力的问题，研究通过显式操控信念、欲望、意图等ToM组件增强回复对齐，在两款LLaMA 3模型上分别取得67%、63%的胜率，验证了ToM策略提升对话智能体对齐效果的潜力。
2025-05-20 cs.CL
Enhancing Interpretability using Human Similarity Judgements to Prune Word Embeddings
University of Trento（特伦托大学）；Denotation UG
本文提出一种监督学习方法，通过人类相似性判断剪枝词嵌入，保留20-40%特征以增强可解释性，并揭示不同领域保留特征在预测语义维度上的差异，促进AI与人类知识对齐。
2023-10-16 cs.CL
Enhancing Goal-oriented Proactive Dialogue Systems via Consistency Reflection and Correction
Soochow University（苏州大学）
针对目标导向主动对话系统中响应与上下文不一致的问题，提出两阶段一致性反思与修正框架，通过反思识别不一致并修正，在多种模型和三个数据集上显著提升一致性。
2025-06-18 cs.CL
AutoBnB-RAG: Enhancing Multi-Agent Incident Response with Retrieval-Augmented Generation
Georgia Institute of Technology（佐治亚理工学院）
本研究针对大语言模型在网络安全事件响应中缺乏外部知识的问题，提出整合检索增强生成的多智能体框架AutoBnB-RAG，经多种团队结构和真实场景验证，可有效提升决策质量与成功率。
2025-10-06 cs.CL cs.CR
ChartGaze: Enhancing Chart Understanding in LVLMs with Eye-Tracking Guided Attention Refinement
University of British Columbia（不列颠哥伦比亚大学）；Vector Institute for AI（Vector人工智能研究院）；CIFAR AI Chair（CIFAR人工智能讲席）
本文提出眼动追踪数据集ChartGaze，并利用注视引导的注意力精炼方法对齐LVLMs的图文注意力与人类注视点，提升了图表问答的准确率和可解释性。
2025-09-16 cs.CL cs.CV cs.LG
Enhancing Zero-shot Text-to-Speech Synthesis with Human Feedback
Nanyang Technological University（南洋理工大学）；University of Cambridge（剑桥大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Tsinghua University（清华大学）
本文提出一种基于人类反馈的采样-标注-学习框架UNO，通过直接最大化语音生成效用并考虑主观感知不确定性，显著提升了TTS模型的零样本性能及情感风格适应能力。
2024-06-02 cs.CL cs.SD eess.AS
Drawing the Line: Enhancing Trustworthiness of MLLMs Through the Power of Refusal
Cooperative Medianet Innovation Center（合作媒体创新中心）；Shanghai Jiao Tong University（上海交通大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对多模态大语言模型易产生幻觉的问题，提出信息边界感知学习框架InBoL，通过定义信息边界并训练模型在信息不足时拒绝回答，在提升拒绝准确性的同时不损害有用性，增强模型可信度。
2024-12-15 cs.CL cs.CV
