They want to pretend not to understand: The Limits of Current LLMs in Interpreting Implicit Content of Political Discourse
University of Florence（佛罗伦萨大学）；University of Amsterdam（阿姆斯特丹大学）
本文首次基于IMPAQTS语料库，通过多项选择与开放式生成任务评估LLM解读政治话语中预设和含义推导的能力，发现现有模型存在关键语用能力缺陷，并开源数据与代码。
2025-06-07 cs.CL
Can Large Language Models Handle Discourse Particles? A Case Study of Colloquial Malay
Nanyang Technological University（南洋理工大学）；University of Mississippi（密苏里大学）；Indiana University（印第安纳大学）
本文通过构建MalayPrag基准和提出五个属性，系统评估并改进了大型语言模型在口语马来语中处理话语标记的能力。
2026-09-02 cs.CL
Implicit Causality-biases in humans and LLMs as a tool for benchmarking LLM discourse capabilities
Bielefeld University（比勒费尔德大学）
本文通过对比人类与不同规模LLM在隐含因果动词上的话语偏差表现，提出将话语偏差作为评估LLM话语理解能力的基准，发现仅大型单语模型在共指上接近人类，而连贯与指称表达方面存在差异。
2025-01-22 cs.CL
Artificial Intelligence and Civil Discourse: How LLMs Moderate Climate Change Conversations
Department of Science and Technology of Communication（科学技术通信系）；University of Science and Technology of China（中国科学技术大学）
本研究对比5款先进LLM与人类在社交媒体气候变化对话中的表现，发现LLM凭借情感中立、低情感强度的特性具备话语调节能力，可提升争议话题公共话语质量，为AI辅助交流工具设计提供参考。
2025-06-07 cs.CL cs.CY
Threads of Subtlety: Detecting Machine-Generated Texts Through Discourse Motifs
University of Minnesota Twin Cities（明尼苏达大学双城分校）；Kumoh National Institute of Technology（金乌工业大学）；Grammarly（Grammarly公司）
本文提出利用层次化解析树和递归超图捕捉文本话语母题，以增强人类与机器生成文本的区分能力，并在分布外及改写样本上验证了层次化话语特征的有效性。
2024-06-06 cs.AI cs.CL
Not Just an Evaluation: A Case Study of Discourse Particle Sensitivity in Language Models
The University of Texas at Austin（得克萨斯大学奥斯汀分校）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
本研究通过行为与机制分析探究LLM对自然对话中“just”和“only”的敏感性，发现其对“just”更敏感、指令调优可提升敏感性，且二者敏感单元的迁移呈不对称性。
2026-10-12 cs.CL
Which course? Discourse! Teaching Discourse and Generation in the Era of LLMs
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Pittsburgh（匹兹堡大学）；Allen Institute for AI（人工智能 Allen 研究所）
本文提出一门新课程，旨在通过对话处理与生成技术，整合语言学与计算机科学理论，培养本科生的探索性思维。
2026-02-09 cs.CL
Passing the Turing Test in Political Discourse: Fine-Tuning LLMs to Mimic Polarized Social Media Comments
本研究使用Reddit政治讨论数据集微调开源大语言模型，发现经党派数据训练的模型可生成难辨真假的极化政治评论，由此提出相关伦理问题及治理、监管、检测工具开发的应对方向。
2025-06-17 cs.CL cs.CY
Improving Implicit Discourse Relation Recognition with Natural Language Explanations from LLMs
本文通过利用LLMs生成的自然语言解释提升隐含话语关系识别的性能和可解释性。
2026-02-25 cs.CL
Discourse Diversity in Multi-Turn Empathic Dialogue
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Microsoft Research（微软研究院）；University of Washington（华盛顿大学）
研究探讨了大型语言模型在多轮共情对话中语篇策略的多样性问题，提出MINT框架通过强化学习提升对话多样性，显著提高共情效果并减少重复。
2026-04-13 cs.AI cs.CL
Do LLMs Reliably Identify Correct Information Units in Aphasic Discourse?
Indiana University Bloomington（印第安纳大学布卢明顿分校）
研究评估指令微调大语言模型在零样本和少样本提示下对失语症语篇进行词级正确信息单元分类的性能，发现少样本提示可提升效果但一致性仍不足。
2026-06-16 cs.AI cs.CL cs.LG
Identifying Fine-grained Forms of Populism in Political Discourse: A Case Study on Donald Trump's Presidential Campaigns
本文构建民粹主义话语数据集，评估多类语言模型与提示范式，发现微调RoBERTa表现最佳，并用于分析特朗普演讲及欧洲政治语料的跨域迁移。
2025-07-25 cs.CL
Can LLM Agents Maintain a Persona in Discourse?
University of Western Australia（西澳大利亚大学）；Edith Cowan University（伊迪丝·考恩大学）；Macquarie University（麦考瑞大学）
针对LLMs对话智能体存在的人格一致性缺失问题，通过构建OCEAN框架人格的二元对话并利用评判智能体分析，发现其人格保持能力受模型组合与对话设置影响显著，凸显人格对齐交互的挑战。
2025-02-17 cs.AI cs.CL cs.SI
Measuring Algorithmic Partisanship via Zero-Shot Classification and Its Implications on Political Discourse
Troy High School（特洛伊高中）
本研究采用零样本分类方法，结合意识形态、主题、情感和客观性指标评估了六个主流LLM的政治党派偏见，发现其自由-威权倾向被放大并影响公共话语。
2025-11-02 cs.AI cs.CL
Actor Identification in Discourse: A Challenge for LLMs?
University of Stuttgart（斯图加特大学）；University of Zagreb（萨格勒布大学）
针对语篇中政治行动者识别需还原代词对应规范名称的难题，对比传统NLP流水线与LLM，发现LLM指称识别准但规范形式生成差，提出结合分类器的混合模型，性能显著优于两类初始模型。
2024-02-01 cs.CL
Document-Level Machine Translation with Large Language Models
Tencent AI Lab（腾讯人工智能实验室）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Dublin City University（都柏林城市大学）
本文以文档级机器翻译为试验平台，从上下文提示影响、模型对比及篇章建模能力三方面深入评估了ChatGPT等大语言模型，发现GPT-4等在人工评估中超越商业系统，展现出成为翻译新范式的潜力。
2023-10-24 cs.AI cs.CL
Large Language Models and Scientific Discourse: Where's the Intelligence?
Institute of Education, UCL（伦敦大学教育学院）；School of Technologies, Cardiff Metropolitan University（卡迪夫 metropolitan 大学技术学院）
本文探讨大语言模型如何通过与人类知识构建方式的比较，分析科学知识的形成过程及其与LLM的差异，指出LLM在处理早期科学知识时的局限性，并通过蒙提·霍尔问题和 overshadowing 现象说明人类在知识构建中的主导作用。
2026-03-13 cs.AI physics.soc-ph
Synthetic Data Augmentation for Cross-domain Implicit Discourse Relation Recognition
Saarland University（萨尔大学）
本研究探讨利用大语言模型生成合成数据以增强跨领域隐式话语关系识别，实验表明该方法未带来显著改进，并强调评估时需注重统计显著性与可比性。
2025-03-26 cs.CL
Guardians of Discourse: Evaluating LLMs on Multilingual Offensive Language Detection
School of AI and Advanced Computing, Xi’an Jiaotong-Liverpool University（西交利物浦大学人工智能与先进计算学院）；School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院）；College of Computer Science and Technology, Zhejiang University of Technology（浙江工业大学计算机科学与技术学院）；Australian Artificial Intelligence Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所）
本文首次在英、西、德三种语言上系统评估GPT-3.5、Flan-T5和Mistral在单语及多语言冒犯性语言检测中的表现，并分析提示语言、翻译数据增强及模型与数据偏见对敏感主题误判的影响。
2024-10-21 cs.CL
Meaning Beyond Truth Conditions: Evaluating Discourse Level Understanding via Anaphora Accessibility
Yale University（耶鲁大学）
本文提出自然语言理解能力层级，构建受动态语义学启发的回指可及性评估数据集，对比人类与LLM表现，揭示模型依赖词汇而非结构抽象的语篇理解差异。
2025-02-19 cs.CL
Beyond Supervised Clarification: Input Rewriting with LLMs for Dialogue Discourse Parsing
研究在无监督条件下利用LLM零样本或基于解析器反馈重写输入以提升对话篇章解析性能，发现重写常引入回归，提出选择性干预问题并识别可重写性预测为关键缺失能力。
2026-07-03 cs.CL
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
Towards an Analysis of Discourse and Interactional Pragmatic Reasoning Capabilities of Large Language Models
Bielefeld University（比勒费尔德大学）；Social Cognitive Systems（社会认知系统）；Computational Linguistics（计算语言学）
本文梳理了大语言模型中已测试的语用能力及其测试方法，提出将语用学细分为话语语用学和互动语用学，并以此为基础综述相关研究。
2024-08-06 cs.CL
Systematic Rectification of Language Models via Dead-end Analysis
Mila – Québec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；Microsoft Research（微软研究院）
通过对抗性或其他正常提示，现有的大语言模型（LLM）可以被推到生成有毒话语。降低LLM生成不期望的话语的风险的一种方法是改变LLM的训练。这可能是非常严格的限制，由于苛刻的计算要求。其他方法依赖于基于规则或基于语义的标记消除，这是有限的，因为它们消除了未来的标记和完整话语的整体意义。在这里，我们把解毒的中心放在完成的话语最终被认为是有毒的可能性上。也就是说，在每一点上，我们都建议不要选择与从这一点完成的文本有毒的可能性成比例的标记。为此，我们从最近的强化学习（RL）文献中正式扩展了死胡同理论，以涵盖不确定的结果。我们的方法，称为整流，利用一个单独的，但明显较小的模型解毒，它可以适用于不同的LLM，只要他们共享相同的词汇。重要的是，我们的方法不需要访问LLM的内部表示，而只需要访问每个解码步骤的令牌概率分布。这是至关重要的，因为今天的许多LLM都托管在服务器上，只能通过API访问。当应用于各种LLM，包括GPT-3，我们的方法显着提高了生成的话语相比，基础LLM和其他技术的整体语言和解毒性能。
2023-02-27 cs.AI cs.CL cs.LG
Drilling Down into the Discourse Structure with LLMs for Long Document Question Answering
University of Michigan（密歇根大学）；Adobe Research（奥多比研究院）
针对LLM零样本长文档证据检索中上下文限制与计算成本问题，提出利用文档篇章结构创建浓缩表示的方法，在仅处理26%token下保留99.6%性能，并结合self-ask智能体在多跳问答中逼近使用黄金证据的零样本性能。
2023-11-22 cs.AI cs.CL cs.IR
Unlocking Structure Measuring: Introducing PDD, an Automatic Metric for Positional Discourse Coherence
University of Cambridge（剑桥大学）；Monash University（莫纳什大学）
针对现有指标难以衡量长文本语篇连贯性的问题，本文提出自动指标 PDD 来量化两篇文章的语篇分歧，并在三个领域数据集上验证其更贴合人类与 GPT-4 评价。
2024-04-02 cs.CL
QUDsim: Quantifying Discourse Similarities in LLM-Generated Text
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出QUDsim，一种基于QUD和问题语义学的语篇相似性度量，发现LLMs在生成文本时比人类更频繁地复用语篇结构，且结构类型与人类存在显著差异。
2025-08-11 cs.CL
Assessing LLM Reasoning Through Implicit Causal Chain Discovery in Climate Discourse
Department of Computer Science, KU Leuven（卢森堡大学计算机科学系）；Institute of Argumentation, Linguistics, and Semiotics (IALS)（论证、语言学与象征学研究所）
本文通过隐含因果链发现任务评估 LLM 的因果推理能力，发现其生成的因果步骤数量和粒度存在差异，但主要依赖关联模式匹配而非真实因果推理。
2026-03-18 cs.AI cs.CL
TurQUaz at CheckThat! 2025: Debating Large Language Models for Scientific Web Discourse Detection
TOBB University of Economics（经济技术大学）；Qatar University（卡塔尔大学）
本文为 CheckThat! 2025 科学网络话语检测任务提出一种模拟多 LLM 结构化学术讨论的委员会辩论方法，该方法在检测科学研究引用方面排名第一。
2025-07-26 cs.AI cs.CL
Towards A Human-in-the-Loop LLM Approach to Collaborative Discourse Analysis
Vanderbilt University（范德堡大学）；Martin Luther King, Jr. Academic Magnet High School（小马丁·路德·金学术磁石高中）
本文探索将人在回路提示工程与 GPT-4-Turbo 结合，用于总结和分类学生协作话语中的协同学习，初步显示其表现可与人类相当。
2024-05-06 cs.CL
The Pragmatic Persona: Discovering LLM Persona through Bridging Inference
Department of Artificial Intelligence, Chung-Ang University, Seoul, 06974, Republic of Korea（Chung-Ang大学人工智能系）；Department of Computer Science, University of British Columbia, Vancouver, BC V6T 1Z4, Canada（不列颠哥伦比亚大学计算机科学系）；Van Lang University, Ho Chi Minh City, Vietnam（文-lang大学）
提出基于桥接推理的框架，通过构建话语级知识图谱捕捉LLM对话中的隐含语义关联，实现从话语连贯性层面发现稳定人格特征，优于基于频率或风格的基线方法。
2026-06-12 cs.AI cs.CL
A Fully Automated Pipeline for Conversational Discourse Annotation: Tree Scheme Generation and Labeling with Large Language Models
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出利用大语言模型自动生成树状标注方案并完成对话语篇标注的全自动流程，在SFs和SWBD-DAMSL上验证其可超越人工设计树方案并达到或超过人类标注水平。
2025-06-03 cs.CL
Can we obtain significant success in RST discourse parsing by using Large Language Models?
Institute of Innovative Research, Tokyo Institute of Technology（东京工业大学创新研究院）；NTT Communication Science Laboratories, NTT Corporation（NTT公司NTT通信科学实验室）
本文探究大语言模型对RST语篇解析的作用，将自顶向下、自底向上解析策略转化为提示，用QLoRA微调Llama 2，70亿参数自底向上模型在三个基准上取得SOTA，且跨数据集泛化性良好。
2024-03-08 cs.CL
Structure-Preserving Document-Level Data Augmentation via Discourse Parsing
Shenzhen University（深圳大学）；Shenzhen Technology University（深圳技术大学）
该研究针对现有数据增强忽略语篇结构的问题，提出基于LLMs和语篇解析的结构保留型文档级数据增强框架，在文本摘要和问答任务中提升了混合数据训练效果。
2026-10-15 cs.AI cs.CL
Alignment Pretraining: AI Discourse Causes Self-Fulfilling (Mis)alignment
Geodesic Research（Geodesic研究机构）；UK AI Security Institute（英国人工智能安全研究所）；University of Cambridge（剑桥大学）；University of Oxford（牛津大学）
本文通过预训练不同量级的AI discourse，发现其对下游对齐有显著影响，表明预训练数据塑造对齐先验的重要性。
2026-02-19 cs.AI cs.CL cs.LG
Align to Structure: Aligning Large Language Models with Structural Information
University of Minnesota Twin Cities（明尼苏达大学双城分校）；Amazon（亚马逊）
通过整合语言学话语框架到强化学习中，结构对齐方法提升LLMs在长文本生成和摘要任务中的连贯性和结构组织能力。
2026-02-03 cs.AI cs.CL cs.LG
LLMs Among Us: Generative AI Participating in Digital Discourse
University of Notre Dame（圣母大学）
本研究开发了“LLMs Among Us”实验框架，基于Mastodon平台测试LLM伪装人类参与数字交流的能力，发现参与者识别准确率仅42%，且角色设定比模型选择对人类感知影响更大。
2024-02-08 cs.AI cs.CY cs.HC
Adaptable Moral Stances of Large Language Models on Sexist Content: Implications for Society and Gender Discourse
University of Ottawa（渥太华大学）；National Research Council Canada（加拿大国家研究委员会）
本研究评估了八个大型语言模型在性别歧视内容上的道德推理能力，发现它们既能批评也能辩护性别歧视语言，并揭示了模型输出中进步与保守并存的意识形态倾向，警示滥用风险的同时指出其可用于理解歧视根源和设计干预措施。
2024-09-30 cs.CL
Discourse vs emissions: Analysis of corporate narratives, symbolic practices, and mimicry through LLMs
QUANT AI Lab（QUANT AI 实验室）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）；Centre d’Économie de la Sorbonne (CES), Maison des Sciences Économiques (MSE), Université Paris 1 Panthéon-Sorbonne（索邦大学经济研究中心（CES）、经济科学之家（MSE））；Institut Louis Bachelier, Palais Brongniart, 28 Place de la Bourse, 75002 Paris, France（路易·巴希尔研究所）；EDC Paris Business School（巴黎商学院）
本研究针对企业气候披露中模仿和象征性报告削弱价值的问题，构建多维度框架，用微调后的LLMs分析828家美国上市公司披露情况，揭示叙事与排放、目标的脱节及模仿行为，凸显LLMs在ESG分析的价值与强化监管的必要性。
2025-09-22 cs.AI cs.CL cs.CY
Framing Migration: A Computational Analysis of UK Parliamentary Discourse
本文利用开放权重LLMs对英国议会75年移民话语进行大规模计算分析，提出半自动化框架提取细粒度叙事框架，发现英国话语向安全化叙事转变且工党与保守党意识形态差距在2025年达最负面水平，证明了LLMs支持政治和历史话语分析的能力。
2025-09-17 cs.CL cs.CY
Investigating Expert-in-the-Loop LLM Discourse Patterns for Ancient Intertextual Analysis
University of the Cumberlands（坎伯兰大学）；Tennessee Tech University（田纳西理工大学）
本研究评估了LLMs在圣经希腊语文本互文性分析中的能力，发现其能检测引文、典故和回声，但在长查询和虚假依赖上存在局限，并提出专家在环方法以支持可扩展的互文研究。
2024-09-29 cs.CL
From Generation to Detection: Exploration of Discourse Driven Scenario based LLM Generated Fake News
Ankara University（安卡拉大学）
本研究系统评估了LLM在四种生成场景下生成和检测假新闻的能力，发现生成策略显著影响可检测性，且细化提示未能提升检测性能。
2026-09-21 cs.CL
Talking Point based Ideological Discourse Analysis in News Events
Purdue University（普渡大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一个基于谈话要点的意识形态话语分析框架，通过构建实体关系结构和重复主题词汇表生成党派视角，并在分类任务中验证其有效性，同时支持事件快照可视化。
2025-04-10 cs.CL
From Context to EDUs: Faithful and Structured Context Compression via Elementary Discourse Unit Decomposition
DeepLang AI；Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Beijing Jiaotong University（北京交通大学）
本文提出EDU-based Context Compressor，通过基本话语单元分解实现结构化上下文压缩，提升模型在长文档问答和复杂搜索任务中的性能。
2026-01-05 cs.AI cs.CL
SLURG: Investigating the Feasibility of Generating Synthetic Online Fallacious Discourse
University of California, Santa Cruz（加州大学圣克鲁兹分校）
针对社交媒体操纵自动检测的需求，本文提出SLURG方法，探究用LLMs（如DeepHermes-3-Mistral-24B）生成合成谬误性论坛评论的可行性，发现其可复制真实数据句法模式，少样本提示能提升词汇多样性模仿能力。
2025-04-16 cs.CL
Assessing the potential of LLM-assisted annotation for corpus-based pragmatics and discourse analysis: The case of apology
Beijing Foreign Studies University（北京外国语大学）；Sichuan International Studies University（四川外国语大学）；University of Birmingham（伯明翰大学）
针对语用话语特征人工标注效率低的问题，本研究探索LLM辅助语料库标注的潜力，对比发现GPT-4标注道歉成分的准确率接近人工，可提升标注效率与可扩展性。
2024-12-09 cs.AI cs.CL
When Context Misleads: Surprisal, Energy and Attention Entropy as Metrics of Coherence Illusions in LLMs
Utrecht University（乌得勒支大学）
研究荷兰语LLM在连贯性错觉中的表现，使用惊讶度、注意力熵和能量指标揭示模型受干扰词影响而忽略不连贯的机制。
2026-09-14 cs.AI cs.CL
The Deliberative Deficit: An Empirical Critique of LLMs in Democratic Discourse
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
该研究通过审议推理指数（DRI）评估1980次五智能体LLM运行，发现LLM群体讨论程序性质量与人类相当但主体间一致性提升小、视角多样性仅为人类的1/3，反转人类收敛模式，仅可作为人类推理的辅助工具而非自主审议智能体。
2026-08-12 cs.AI cs.CY cs.MA
When Cow Urine Cures Constipation on YouTube: Limits of LLMs in Detecting Culture-specific Health Misinformation
University of Michigan（密歇根大学）；University of Kansas（堪萨斯大学）；IIT Jodhpur（印度理工学院乔浦尔）
研究通过分析印度YouTube上的牛尿相关内容，揭示LLMs在处理文化特定健康谣言时的局限性，指出文化嵌入的谣言无法通过提示工程解决。
2026-04-23 cs.CL
EmoDynamiX: Emotional Support Dialogue Strategy Prediction by Modelling MiXed Emotions and Discourse Dynamics
LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，Telecom Paris， Institut Polytechnique de Paris）；Inria Paris（Inria巴黎）
针对LLMs端到端情感支持对话系统策略不透明及偏好偏差问题，提出EmoDynamiX框架，将策略预测与生成解耦，建模用户细粒度情绪与系统策略的话语动态，提升性能与透明度。
2025-06-16 cs.CL
Automatic Evaluation of Healthcare LLMs Beyond Question-Answering
Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心（BSC））；Universitat Politècnica de Catalunya (UPC)–BarcelonaTech（加泰罗尼亚理工大学（UPC）-巴塞罗那技术学院）
针对医疗领域，本文构建多轴 LLM 评估套件分析开放式与封闭式 QA 基准的关联，发布 CareQA，并提出 Relaxed Perplexity 指标以改进开放式回答评估。
2025-02-10 cs.AI cs.CL
Discourse Heuristics For Paradoxically Moral Self-Correction
Michigan State University（密歇根州立大学）；Johns Hopkins University（约翰霍普金斯大学）
本文分析了道德自我修正中的两个悖论，发现其依赖话语启发式捷径，并提出利用精选数据集的启发式方法改进自我修正，同时指出该能力在情境学习和模型规模上的泛化挑战。
2025-11-02 cs.CL
Structured Claim-Level Discourse Representations for Dense Health Narratives
Temple University（天普大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
针对社交媒体健康视频中密集交织的声明，提出结构化声明级话语分析框架，构建含1,191条标注声明的基准，发现大语言模型在主题与立场上表现好但实用画像弱，需任务分解与专门推理。
2026-09-17 cs.CL
Large Language Models' Varying Accuracy in Recognizing Risk-Promoting and Health-Supporting Sentiments in Public Health Discourse: The Cases of HPV Vaccination and Heated Tobacco Products
University of California Davis（加利福尼亚大学戴维斯分校）；Kyung Hee University（庆熙大学）；University of Massachusetts Boston（马萨诸塞大学波士顿分校）
本文评估了GPT、Gemini和LLAMA在HPV疫苗接种与加热烟草制品相关社交媒体话语中识别风险促进性与健康支持性情感的准确性，发现模型整体表现良好但受平台、议题和模型类型影响，并指出中性信息检测及训练数据偏差带来的挑战。
2025-07-06 cs.CL cs.SI
