Semantic Reconstruction of Adversarial Plagiarism: A Context-Aware Framework for Detecting and Restoring "Tortured Phrases" in Scientific Literature
本文提出SRAP框架，通过双阶段架构检测并恢复科学文献中的对抗性剽窃，显著提升恢复准确率。
2025-12-11 cs.CL
A Natural Language Processing Pipeline for Detecting Informal Data References in Academic Literature
ICPSR, University of Michigan（密歇根大学ICPSR（密歇根大学政治和社会研究跨大学联合会））；School of Information, University of Michigan（密歇根大学信息学院）
本研究提出一种检测学术文献中非正式数据引用的自然语言处理流水线，含新型NER模型与关联数据集，可提升文献召回率，支持大规模检测及相关领域后续研究。
2022-05-23 cs.CL cs.DL cs.LG
Librarian-in-the-Loop: A Natural Language Processing Paradigm for Detecting Informal Mentions of Research Data in Academic Literature
University of Michigan（密歇根大学）；ICPSR（校际政治与社会研究联盟）
数据引用为研究数据影响提供了基础。数据引文的收集与管理是档案学和学术交流的一个新领域。然而，研究数据引用的发现和管理是劳动密集型的。引用唯一标识符（即DOI）的数据引用很容易找到;然而，对研究数据的非正式提及更难推断。我们提出了一个自然语言处理（NLP）的范例，以支持人类的任务，确定非正式提到的研究数据集。发现非正式数据提及的工作目前由跨大学政治和社会研究联盟（ICPSR）的图书馆员及其工作人员执行，这是一个大型社会科学数据档案馆，维护着大量与数据相关的文献书目。NLP模型是从ICPSR的图书馆员积极收集的数据引用中引导出来的。该模型将模式匹配与人类注释的多次迭代相结合，以学习用于检测非正式数据提及的其他规则。然后使用这些示例来训练NLP管道。图书馆员在循环范式以ICPSR图书馆员执行的数据工作为中心，支持更广泛的努力，以建立更全面的数据相关文献书目，反映研究数据用户的学术社区。
2022-03-10 cs.CL cs.DL cs.HC
Why we have switched from building full-fledged taxonomies to simply detecting hypernymy relations
Sapienza University of Rome（罗马大学）
在自然语言处理（NLP）文献中，分类法和上位关系的研究已经非常广泛。然而，传统的分类学习方法的评价一直是麻烦的，因为它主要依赖于ad-hoc实验，难以重现和人工昂贵。部分原因是，目前的研究最近一直集中在上位词检测任务。在本文中，我们反映了这一趋势，分析有关目前的评估程序的问题。最后，我们提出了未来工作的三个潜在途径，使基于它们的关系和资源在下游NLP应用中发挥更重要的作用。
2017-03-23 cs.CL
Lexicon generation for detecting fake news
Hacettepe University（哈杰泰佩大学）
随着媒体数字化，包括主流媒体以及社交网络在内的在线来源产生了大量新闻数据。然而，制作和传播的便利导致了假新闻以及可信的真实新闻的传播。假新闻的广泛传播对个人和社会产生了极大的负面影响。因此，假新闻检测最近成为一个新兴的课题，作为一个跨学科的研究领域，吸引了许多研究学科的极大关注，包括社会科学和语言学。在这项研究中，我们提出了一种主要基于词汇的方法，包括一个评分系统，以促进土耳其假新闻的检测。我们通过收集一个新颖的，大规模的，可信的土耳其新闻数据集，并通过构建土耳其的第一个假新闻检测词典来为文献做出贡献。
2020-10-16 cs.CL
Detecting Spells in Fantasy Literature with a Transformer Based Artificial Intelligence
Hochschule Darmstadt（达姆施塔特应用技术大学）；University of Applied Sciences（应用科学大学）
本文利用预训练BERT模型对《哈利·波特》系列中的咒语进行上下文短语识别，通过序列分类与词元分类方法验证了咒语上下文可被识别，并初步探索了模型向其他奇幻宇宙迁移的可行性。
2023-08-07 cs.AI cs.CL
The Human Factor in Detecting Errors of Large Language Models: A Systematic Literature Review and Future Research Directions
University of Duisburg-Essen（杜伊斯堡-埃森大学）
本文系统综述了用户检测大语言模型输出错误的人为因素，强调人机协同以降低幻觉风险，并提出了未来研究方向。
2024-03-13 cs.AI cs.CL cs.LG
SciClops: Detecting and Contextualizing Scientific Claims for Assisting Manual Fact-Checking
EPFL（洛桑联邦理工学院）；Universitat Pompeu Fabra（庞培法布拉大学）
本文介绍了SciClops，一种帮助打击在线科学错误信息的方法。尽管自动事实核查方法最近得到了极大的关注，但它们需要预先存在的地面事实证据，而在科学背景下，这些证据是稀疏的，分散在不断发展的科学文献中。现有的方法不利用这些文献，这可以有效地上下文和打击科学相关的谬论。此外，这些方法很少需要人为干预，而人为干预对于科学错误信息的复杂和关键领域至关重要。SciClops涉及三个主要步骤来处理在线新闻文章和社交媒体帖子中的科学主张：提取，聚类和上下文化。首先，科学声明的提取使用特定于领域的、微调的Transformer模型进行。其次，从不同来源提取的类似主张与相关的科学文献一起使用的方法，利用其内容和它们之间的联系。第三，由流行但不可靠的来源广播的值得检查的声明，与增强的事实检查上下文一起突出显示，其中包括相关的经验证的声明，新闻文章和科学论文。大量的实验表明，SciClops充分处理了这三个步骤，并有效地帮助非专家事实核查人员验证复杂的科学主张，优于商业事实核查系统。
2021-10-25 cs.CL cs.CY cs.IR
Disunited Nations? A Multiplex Network Approach to Detecting Preference Affinity Blocs using Texts and Votes
本文有助于一个新兴的文学，模型投票和文本串联，以更好地理解表达偏好的极化。它介绍了一种新的方法来估计偏好极化多维设置，如国际关系，在自然语言处理和网络科学文献的基础上的发展-即词嵌入，保留了人类语言的有价值的句法质量，和社区发现在多层网络，它定位密集连接的演员在多个，复杂的网络。我们发现，这些工具的就业在串联有助于更好地估计国家的外交政策偏好，在联合国投票和演讲所表达的超出了投票本身所允许的。这些位于亲和力集团的效用是通过应用程序证明在国际关系中的冲突发作，虽然这些工具将是所有学者面临的多维设置中的偏好和极化的测量感兴趣。
2019-10-27 cs.CL cs.CY cs.SI
Detecting Textual Adversarial Examples Based on Distributional Characteristics of Data Representations
Macquarie University（麦考瑞大学）；The University of Adelaide（阿德莱德大学）
虽然深度神经网络在各种机器学习任务中已经达到了最先进的性能，但通过向正确分类的输入添加小的非随机扰动来构建的对抗性示例，成功地欺骗了高度表达的深度分类器进行不正确的预测。在过去的五年里，自然语言任务中的对抗攻击方法使用字符级、单词级、短语级或句子级文本扰动蓬勃发展。虽然在NLP中有一些工作是通过主动方法来防御这种攻击，如对抗训练，但据我们所知，没有有效的通用反应方法来通过检测文本对抗示例来防御，例如在图像处理文献中发现的。在本文中，我们提出了两个新的反应性的方法，NLP来填补这一空白，这与少数有限的应用基线从NLP是完全基于分布特性的学习表示：我们适应一个从图像处理文献（本地固有的包容性（LID）），并提出了一个新的（多距离表示包容方法（MDRE））。自适应LID和MDRE在IMDB数据集上以及在MultiNLI数据集上的后两者上获得了字符级、单词级和短语级攻击的最新结果。为了将来的研究，我们发布了我们的代码。
2022-04-29 cs.CL cs.LG
Inside the Black Box: Detecting Data Leakage in Pre-trained Language Encoders
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；Netflix Eyeline Studios（Netflix视线工作室）
本文首次系统研究预训练语言编码器通过下游模型黑盒输出导致的预训练数据成员泄露，在多种架构、任务和数据集上证实了该隐私风险的存在，并提供了相关分析以指导隐私保护实践。
2024-08-20 cs.CL
Detecting Cross-Geographic Biases in Toxicity Modeling on Social Media
University of Michigan（密歇根大学）；Google Research（谷歌研究院）
在线社交媒体平台越来越依赖自然语言处理（NLP）技术来大规模检测滥用内容，以减轻其对用户造成的伤害。然而，这些技术受到训练数据中存在的各种采样和关联偏差的影响，通常导致与边缘化群体相关的内容表现不佳，可能进一步对他们造成不成比例的伤害。到目前为止，关于这种偏见的研究只集中在少数几个有注释/词典的差异轴和亚组上。因此，在文献中，关于非西方背景的偏见在很大程度上被忽视了。在本文中，我们引入了一个弱监督的方法来鲁棒地检测更广泛的地理文化背景下的词汇偏见。通过一个公开的毒性检测模型的案例研究，我们证明了我们的方法确定了跨地理错误的突出群体，并在后续行动中，表明这些分组反映了人类在这些地理环境中对冒犯性和无害性语言的判断。我们还对在具有地面真实标签的数据集上训练的模型进行了分析，以更好地理解这些偏差，并提出了初步的缓解实验。
2021-09-29 cs.CL
Parallel Deep Learning-Driven Sarcasm Detection from Pop Culture Text and English Humor Literature
National Institute of Electronics & Information Technology, Kolkata（印度国家电子与信息技术学院（加尔各答））；RCC Institute of Information Technology, Kolkata（RCC信息技术学院（加尔各答））
讽刺是一种复杂的方式包装任何immigrant真理，消息，甚至嘲笑在一个滑稽的方式。使用社交网络的通信的出现大量产生了新的社交途径。可以进一步说，幽默、讽刺、挖苦和机智是现代社会幽默的四辆战车。在本文中，我们手动提取的基准流行文化讽刺语料库，包含讽刺对话和独白讽刺词的分布特征。我们生成输入序列形成的加权向量从这样的话。我们进一步提出了四个并行的深度长短期网络（pLSTM）的合并，每个网络都有不同的激活分类器。这些模块的主要目的是成功地检测讽刺的文本语料库。我们提出的用于检测讽刺的模型在使用讨论的数据集进行训练时，训练准确率为98.95%。对比而言，在所有测试案例中，它在两篇精心挑选的古腾堡计划英语幽默文献上获得了最高的98.31%的总体验证准确率。我们的方法超越了以前的国家的最先进的几个讽刺语料库的作品，并在一个新的黄金标准的性能讽刺检测的结果。
2021-06-10 cs.AI cs.CL cs.SI
Detecting Religious Language in Climate Discourse
Eep Talstra Centre for Bible and Computer（埃普塔尔斯特圣经与计算机研究中心）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Department of Mathematics（数学系）；Department of Marketing, School of Business and Economics（市场营销系，商学院与经济学院）
本研究提出基于规则和零样本大语言模型的双重方法，检测气候话语中的显性和隐性宗教语言，发现规则方法标记更多宗教句子，揭示宗教语言定义中词汇与语境的张力。
2025-10-27 cs.AI cs.CL
Detecting Mode Collapse in Language Models via Narration
McGill University（麦吉尔大学）
本研究通过分析OpenAI GPT-3系列模型生成的4,374个故事，发现对齐训练导致语言模型出现模式坍缩，使其丧失模拟多样作者视角的能力，对社会学模拟应用具有警示意义。
2024-02-06 cs.AI cs.CL
Is Your Model Sensitive? SPeDaC: A New Benchmark for Detecting and Classifying Sensitive Personal Data
Ellysse srl.（Ellysse 有限公司）；University of Bologna（博洛尼亚大学）；IST-CNR（意大利国家研究委员会信息科学与技术研究所）
近年来，包括处理敏感个人信息的对话系统在内的应用呈指数级增长。这揭示了虚拟环境中个人数据保护的极其重要的问题。敏感信息检测（SID）涉及不同的领域和语言。然而，如果我们指的是个人数据域，共享基准或缺乏可用的标记资源，则很难与最先进的技术进行比较。我们推出并发布SPeDaC，这是一个新的注释资源，用于识别英语中的敏感个人数据类别。SPeDaC使三个不同的SID子任务的计算模型的评估与复杂程度的增加。SPeDaC 1涉及二进制分类，模型必须检测句子是否包含敏感信息;而在SPeDaC 2中，我们使用与个人信息的宏观领域相关的5个类别收集标记句子;在SPeDaC 3中，标记是细粒度的（61个个人数据类别）。我们使用不同的国家的最先进的分类资源进行广泛的评估。结果表明，SPeDaC具有挑战性，特别是在细粒度分类方面。Transformer模型实现了最佳结果（根据SPeDaC 1上的RoBERTa = 98.20%，SPeDaC 2上的DeBERTa = 95.81%和SPeDaC 3 = 77.63%）。
2022-12-21 cs.AI cs.CL
Down the Rabbit Hole: Detecting Online Extremism, Radicalisation, and Politicised Hate Speech
University of Waikato（怀卡托大学）；ASRC Federal（ASRC联邦公司）
社交媒体是现代人的数字声音，可以投射和参与新的想法，动员社区$\unicode{x2013}$，这是一种与极端分子共享的力量。鉴于用于极端主义、激进主义和仇恨言论（ERH）检测的未公开的内容调节算法的社会风险，负责任的软件工程必须了解谁、什么、何时、何地以及为什么需要这些模型来保护用户安全和自由表达。因此，我们提出并研究了ERH上下文挖掘的独特研究领域，以统一不相交的研究。具体来说，我们评估从社会技术定义的建设和数据集收集策略的技术算法设计和性能的开始到结束的设计过程。我们的2015-2021年51项研究系统性文献综述（SLR）首次对文本，网络和视觉方法进行交叉检查，以检测极端主义联系，仇恨内容以及对团体和运动的激进化。我们确定共识驱动的ERH定义，并提出解决方案，现有的意识形态和地理偏见，特别是由于缺乏在大洋洲/澳大拉西亚的研究。我们对自然语言处理、社区发现和视觉-文本模型的混合调查证明了基于文本转换器的算法的主要性能。最后，我们为ERH上下文挖掘研究人员提出了重要的建议，并为研究人员、行业和政府提出了一个吸收路线图，以实现更安全的网络空间。
2023-01-27 cs.AI cs.CL cs.CY
Detecting and explaining postpartum depression in real-time with generative artificial intelligence
Information Technologies Group, atlanTTic, University of Vigo, Vigo, Spain（信息科技组，atlanTTic，维戈大学，维戈，西班牙）
本研究提出一种结合NLP、ML和LLMs的智能产后抑郁症筛查系统，通过实时无创语音分析实现PPD检测，并利用可解释ML模型解决黑盒问题，检测准确率达90%。
2025-08-08 cs.AI cs.CL cs.LG
Exploring Anti-Aging Literature via ConvexTopics and Large Language Models
本文提出基于凸优化和大语言模型的抗衰老文献主题建模方法，通过稳定且细粒度的主题发现，提升可解释性和可重复性。
2026-02-23 cs.AI cs.CL cs.LG
InfraGPT Smart Infrastructure: An End-to-End VLM-Based Framework for Detecting and Managing Urban Defects
Independent Researchers（独立研究者）
针对城市基础设施缺陷巡检依赖人工且现有系统输出零散的问题，提出结合YOLO检测分割与VLM的端到端框架，可识别多类缺陷并生成JSON结构化维修行动计划。
2025-10-15 cs.AI cs.CL cs.CV
