Linguistic Distancing on Social Media: Indicators of Emotion Regulation Across Age Groups
Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）；Department of Computing Science, University of Alberta（阿尔伯塔大学计算机科学系）；National Research Council Canada（加拿大国家研究委员会）；Department of Psychology, University of Alberta（阿尔伯塔大学心理学系）
基于社交媒体文本，通过语言距离指标研究情绪调节随年龄的变化，发现年龄越大语言距离使用比例越高，与心理学中年龄增长带来幸福感提升的结论一致。
2026-07-01 cs.CL
JCoLA: Japanese Corpus of Linguistic Acceptability
The University of Tokyo（东京大学）
本文构建了包含10,020句的日语语言可接受性语料库JCoLA，并评估9种日语语言模型，发现模型在域内数据可超人类但在域外数据不及人类，且在长距离句法依赖上表现较弱。
2023-09-22 cs.CL
Reasoning about Actions over Visual and Linguistic Modalities: A Survey
Arizona State University（亚利桑那州立大学）
“行动”在人类如何与世界互动并使他们实现预期目标方面发挥着至关重要的作用。因此，人类的大多数常识（CS）知识都围绕着行动。虽然“关于动作和变化的推理”（RAC）在知识表示社区中得到了广泛的研究，但它最近引起了NLP和计算机视觉研究人员的兴趣。本文调查了现有的任务，基准数据集，各种技术和模型，以及它们各自的性能，涉及RAC在视觉和语言领域的进展。最后，我们总结了我们的主要收获，讨论了这一研究领域目前面临的挑战，并概述了未来研究的潜在方向。
2022-07-15 cs.CL
ASL Video Corpora & Sign Bank: Resources Available through the American Sign Language Linguistic Research Project (ASLLRP)
Boston University（波士顿大学）；Rutgers University（罗格斯大学）
美国手语语言学研究项目（ASLLRP）提供高质量手语视频数据的互联网访问，通常包括正面和侧面视图以及面部特写。签名的手动和非手动部分已经使用SignStream（R）进行了语言注释。最近扩展的视频语料库可以通过我们设计的数据访问接口（DAI 2）进行浏览和搜索;可以进行复杂的搜索。我们的语料库中的数据也可以下载;注释以XML导出格式提供。我们还开发了ASLLRP符号库，其中包含近6，000个词汇符号的符号条目，具有独特的基于英语的注释，共有41，830个词汇符号示例（此外还有大约300个手势，超过1，000个手指拼写符号和475个分类器示例）。同样，在互联网上也可以访问和搜索符号库;也可以从SignStream（R）（促进语言注释和视觉语言数据分析的软件）中访问该符号库，以使注释更加准确和有效。在这里，我们描述了可用的资源。这些数据已被用于许多类型的研究语言学和基于计算机的手语识别从视频;这样的研究的例子提供在本文的后半部分。
2022-01-19 cs.CL cs.CV cs.LG
Who and What? Using Linguistic Features and Annotator Characteristics to Analyze Annotation Variation
GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究所）；Heinrich-Heine University Düsseldorf（杜伊斯堡-艾希斯海姆海因里希-海涅大学）
本文通过分析四个有害语言检测数据集，探讨标注者特征与语言属性的交互作用，揭示交叉影响及词汇线索的作用，指出不同数据集的效果差异需谨慎推广。
2026-05-07 cs.CL cs.CY
What's in a Caption? Dataset-Specific Linguistic Diversity and Its Effect on Visual Description Models and Metrics
University of California, Berkeley（加州大学伯克利分校）；Google Research（谷歌研究院）
虽然在自动视频描述领域已经取得了显着的进步，但自动描述模型对新领域的泛化性能仍然是在现实世界中使用这些系统的主要障碍。已知大多数视觉描述方法捕获和利用训练数据中的模式，从而导致评估度量增加，但是这些模式是什么？在这项工作中，我们研究了几个流行的视觉描述数据集，并捕获，分析和理解模型利用但不推广到新领域的特定语言模式。在令牌级别，样本级别和数据集级别，我们发现，标题的多样性是一个主要的驱动因素背后的通用和无信息的标题的生成。我们进一步表明，最先进的模型在现代指标上甚至优于地面实况字幕，这种效果是数据集中语言多样性的产物。理解这种语言多样性是构建强大的字幕模型的关键，我们推荐了几种方法和方法来保持新数据收集的多样性，并在使用当前模型和指标时处理有限多样性的后果。
2023-01-12 cs.CL cs.CV
Alzheimers Dementia Detection using Acoustic & Linguistic features and Pre-Trained BERT
BITS Pilani, K.K. Birla Goa Campus（Birla技术与科学学院皮拉尼校区 K.K. Birla果阿校区）；IEMN Université de Lille（里尔大学微电子与纳米技术研究所）
老年痴呆症是一种致命的进行性脑部疾病，随着时间的推移而消失。现在是我们拥有廉价和快速的临床诊断技术进行早期检测和护理的时候了。在以前的研究中，各种机器学习技术和预训练的深度学习模型已经与各种声学和语言特征的提取结合使用。我们的研究重点是ADReSS（通过自发语音识别阿尔茨海默氏症）2021年挑战赛中分类任务的三个模型。我们使用ADReSS Challenge提供的平衡数据集来训练和验证我们的模型。模型1使用eGeMAPs特征集中的各种声学特征，模型2使用我们从自动生成的成绩单中生成的各种语言特征，模型3使用自动生成的成绩单直接使用预训练的BERT和TF-IDF提取特征。这些模型在模型部分中有详细描述。
2021-09-24 cs.CL cs.LG cs.SD
Computational Historical Linguistics
University of Tübingen（图宾根大学）；Institute of Linguistics（语言学研究所）
历史语言学的计算方法已经提出了半个世纪。在过去的十年中，这一研究领域得到了重大推动，这既归功于计算生物学的思想和软件的转移，也归功于几个适合系统比较工作的大型电子数据资源的发布。本文对这一新的计算历史语言学浪潮中的一些中心研究课题进行了介绍和讨论。这些技术包括遗传相关性的自动评估、自动同源检测、系统发育推断和祖先状态重建。他们将通过一个案例研究的自动重建的原始罗曼语词汇表的词汇数据的50个现代罗曼语和方言。
2018-05-21 cs.CL
Measuring Linguistic Diversity During COVID-19
University of Canterbury（坎特伯雷大学）
语言多样性的计算测量有助于我们使用数字语言数据来理解语言景观。本文的贡献是利用COVID-19疫情导致的国际旅行限制来校准语言多样性的衡量标准。以前的工作已经使用地理参考社交媒体和网络数据绘制了语言分布图。然而，我们的目标是描述这些语料库本身，而不是对潜在的人群做出推断。本文提出了一种基于Herfindahl-Hirschman指数的差异中的差异方法，该方法可以识别由非本地人群引入的数字语料库中的偏见。这些方法可以告诉我们哪些地方发生了重大变化，以及这是否会导致多样性增加或减少。这是将社交媒体等数字语料库与产生它们的现实世界人口相结合的重要一步。
2021-04-03 cs.CL
A computational linguistic study of personal recovery in bipolar disorder
Spectrum Centre for Mental Health Research（斯佩克特鲁姆心理健康研究中心）；Lancaster University（兰卡斯特大学）
心理健康研究可以受益于越来越多的计算语言学方法，在互联网上提供丰富的语言数据和先进的计算工具。这个跨学科项目将收集和分析被诊断患有双相情感障碍的个人的社交媒体数据，以了解他们的康复经历。个人康复-沿着严重心理健康问题的症状过上满意和有贡献的生活-到目前为止，只对西方国家主要讲英语的参与者进行了结构化访谈和标准化问卷的定性和定量调查。作为对这一证据的补充，计算语言学方法使我们能够分析大量在线共享的第一人称账户，代表非结构化的环境和更异质的多语言人群，以更全面地了解双相情感障碍患者个人康复的各个方面和机制。
2019-06-03 cs.CL
How Human-Like Are Large Language Models? A Register-Aware Linguistic Evaluation Framework
Department Artificial Intelligence in Biomedical Engineering (AIBE)（人工智能生物医学工程系）；Department of Digital Humanities and Social Studies (DHSS)（数字人文与社会科学系）；University of Birmingham（伯明翰大学）；Chair of AI-supported Therapy Decisions（人工智能支持治疗决策教授职位）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Institute of AI for Health, Helmholtz Zentrum München（健康人工智能研究所，海德堡中心慕尼黑）
提出一个基于语域感知的评估框架，通过比较人类参考语料库与LLM生成文本的词汇语法特征分布（使用最大均值差异和Biber的67个特征），发现LLM偏离人类基线，且最接近人类的模型取决于语域而非模型大小。
2026-09-02 cs.CL
TLA: Twitter Linguistic Analysis
KJ Somaiya College of Engineering（KJ 索迈亚工程学院）
语言学有助于加深对人性的理解。语言是人类互动中必不可少的思想、情感和目的的传承，批判性地分析这些语言可以阐明这些社会动物的社会和心理行为及特征。社交媒体已经成为大规模人类互动的平台，因此为我们的研究提供了收集和使用这些数据的空间。然而，收集、标记和反复分析这些数据的整个过程使得整个过程变得繁琐。为了使整个过程更容易和结构化，我们想引入TLA（Twitter语言分析）。在本文中，我们描述了TLA并提供了对框架的基本理解，并讨论了从Twitter收集，标记和分析语言语料库数据的过程，同时为所有语言提供详细的标记数据集，并在这些数据集上训练模型。TLA提供的分析也将大大有助于了解不同语言社区的情绪，并根据分析为他们的问题提出新的和创新的解决方案。
2021-07-20 cs.CL
Language Models as Models of Language
Macquarie University（麦考瑞大学）
本章批判性探讨现代语言模型对理论语言学的潜在价值，回顾实证证据表明其可习得层级句法等语言知识，指出用能力/表现区分否定其相关性为时过早，提出控制条件结合因果干预的实验可约束语言习得假说，呼吁跨学科合作以推动语言天赋论辩论。
2024-08-13 cs.CL
DECO-MWE: building a linguistic resource of Korean multiword expressions for feature-based sentiment analysis
DICORA, Department of Linguistics and Cognitive Science, Hankuk University of Foreign Studies, Korea（DICORA，语言学与认知科学系，韩国民法大学，韩国）；Université Paris-Est, LIGM, CNRS, UPEM, ESIEE, ENPC, France（巴黎-est大学，LIGM，法国国家科学研究中心，UPEM，ESIEE，ENPC，法国）
本文构建了用于基于特征的情感分析的韩语多词表达资源DECO-MWE，通过局部语法图方法识别四种多词表达类型，提升了情感分析的检索性能。
2026-05-11 cs.CL
ILiAD: An Interactive Corpus for Linguistic Annotated Data from Twitter Posts
The Australian National University（澳大利亚国立大学）
本文介绍了基于英语Twitter帖子构建的完全标注交互式语言学语料库ILiAD，包含形态句法及NLP特征，并通过可视化工具支持语言模式探索，助力语言技术研究。
2024-07-22 cs.CL cs.DL
Intention-based Segmentation: Human Reliability and Correlation with Linguistic Cues
语篇中的某些话语跨度，在这里被称为语段，被广泛认为是形成连贯单元的。此外，语篇的语段结构被认为限制了许多现象，并被许多现象所限制。然而，在部分的性质以及确认或产生这些部分的标准方面，共识不多。我们提出了定量的结果，两部分的研究使用语料库的自发，叙事独白。第一部分评估我们的语料库，说话人意图是分割标准的统计可靠性。然后，我们使用主题的分割，以评估话语分割与三个语言线索（参考名词短语，线索词，和停顿）的相关性，使用信息检索指标。
1994-05-09 cmp-lg cs.CL
Detecting cognitive impairments by agreeing on interpretations of linguistic features
Winterlight Labs（Winterlight实验室）；University of Toronto（多伦多大学）；Li Ka Shing Knowledge Institute, St Michael’s Hospital, Toronto ON, Canada（李卡廷知识研究所，圣迈克尔医院）；Vector Institute for Artificial Intelligence（向量人工智能研究所）；Surgical Safety Technologies（外科安全技术公司（注：此处原文本未明确该机构性质，但根据常见命名推测为公司类机构，符合提取范围））
语言特征在检测各种认知障碍方面显示出很好的应用前景。为了提高检测精度，增加数据量或语言特征的数量是两种适用的方法。然而，获取额外的临床数据可能是昂贵的，并且手工制作功能是繁重的。在本文中，我们采取第三种方法，提出共识网络（CN），这是一个在模态之间达成协议后进行分类的框架。我们将语言特征根据其模态划分为不重叠的子集，并让神经网络学习彼此一致的低维表示。这些表示被传递到分类器网络中。所有的神经网络迭代优化。在本文中，我们还提出了两种方法，提高CN的性能。然后，我们提出了消融研究，以说明模态划分的有效性。为了进一步了解CN中发生了什么，我们在训练过程中将表征可视化。总的来说，使用所有413个语言特征，我们的模型显著优于最先进的论文所使用的传统分类器。
2019-03-28 cs.AI cs.CL
Linguistic Descriptions for Automatic Generation of Textual Short-Term Weather Forecasts on Real Prediction Data
Research Centre on Information Technologies (CiTIUS), University of Santiago de Compostela（圣地亚哥-德孔波斯特拉大学信息技术研究中心（CiTIUS））；MeteoGalicia（加利西亚气象局）
在本文中，我们提出了一个应用程序，自动生成文本的每个城市在加利西亚（西班牙西北部）的短期天气预报，使用加利西亚气象局（MeteoGalicia）提供的真实数据。该解决方案以创新的方式将计算与感知技术和数据语言描述策略与自然语言生成（NLG）系统相结合。名为GALiWeather的应用程序从天气预报输入数据中提取相关信息，并使用语言变量和时间参考将其编码为中间描述。这些描述随后由自然语言生成系统翻译成自然语言文本。所获得的预测结果已经由来自MeteoGalicia的气象专家使用质量评估方法进行了彻底验证，该方法涵盖了文本的两个关键方面：其内容的准确性和其形式的正确性。在此验证之后，GALiWeather将作为一项真正的服务发布，为广大公众提供定制预报。
2014-11-18 cs.AI cs.CL
Integrating Linguistics and AI: Morphological Analysis and Corpus development of Endangered Toto Language of West Bengal
Adamas University（阿达马斯大学）
本研究融合传统语言学与AI，通过田野调查构建托托语语素标注三语语料库，训练小型语言模型和Transformer翻译引擎，并开发三语学习应用，为濒危语言保护提供可持续模型。
2025-10-26 cs.AI cs.CL
An algorithm for onset detection of linguistic segments in continuous electroencephalogram signals
Instituto Nacional de Astrofísica, Óptica y Electrónica（国家天体物理、光学与电子研究所）
基于想象单词的脑机接口可以通过大脑信号解码受试者正在思考的单词，以控制外部设备。为了构建一个以脑电信号中的想象词为源的完全异步脑机接口，需要解决想象词的起始点检测问题。虽然在这一领域已经有了一些研究，但问题还没有完全解决。在本文中，我们提出了一种方法来解决这个问题，通过使用统计，信息论和混沌理论的值作为特征，以正确地识别连续信号中的想象词的发病。在检测想象词的起始时，使用基于广义Hurst指数的特征获得了我们的方法所实现的最高真阳性率，该真阳性率分别为0.69和0.77，时间误差容限区域分别为3秒和4秒。
2020-12-11 cs.CL cs.LG eess.SP
Emergence of Linguistic Communication from Referential Games with Symbolic and Pixel Input
DeepMind（深度思维）
算法进化或学习（组合）通信协议的能力传统上在语言进化文献中通过使用紧急通信任务进行研究。在这里，我们通过使用当代深度学习方法和在参考通信游戏上训练学习神经网络代理来扩大这项研究。我们扩展了以前的工作，其中代理在符号环境中进行训练，通过开发能够从原始像素数据中学习的代理，一个更具挑战性和现实的输入表示。我们发现，在输入数据中发现的结构的程度会影响出现的协议的性质，从而证实了这一假设，即结构化的组成语言是最有可能出现时，代理感知世界的结构。
2018-04-11 cs.AI cs.CL cs.LG
