Measuring User's Mental Models of Speech Translation in Human-AI Collaboration
测量用户在人机协作中对语音翻译的心理模型
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 通过跨语言问答框架研究用户对语音翻译系统的心理模型，发现用户通过实践和源语言知识能更好地预测系统错误，且提供语音转录有助于改善心理模型。
Comments ACL2026
期刊&会议
ACL
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
UOL@IDEM at BEA 2026 Shared Task 1: Neural Fusion and Feature-Rich Modeling for L1-Aware Vocabulary Difficulty Prediction
UOL@IDEM 在 BEA 2026 共享任务1：面向L1感知词汇难度预测的神经融合与特征丰富建模
机构 * Centre for Translation, Localisation and Interpreting Studies, School of Languages, Cultures and Societies, University of Leeds（利兹大学语言、文化与社会学院翻译、本地化与口译研究中心） ； Alexandria University（亚历山大大学）
AI总结 提出一种结合多语言上下文表示与工程化特征的回归模型，用于预测L1感知的词汇难度，在西班牙语、德语和中文上取得优于基线的RMSE结果。
Comments Published at BEA2026, 21st Workshop on Innovative Use of NLP for Building Educational Applications, at ACL, July 2026, San Diego
SURGELLM: Rethinking Multi-Task Evaluation through Task-Aware Feature Gating with Class-Balanced Normalization
SURGELLM: 通过任务感知特征门控与类别平衡归一化重新思考多任务评估
机构 * Istanbul Technical University（伊斯坦布尔理工大学）
AI总结 针对异构NLP任务中归纳偏置不匹配、类别不平衡和缺乏外部词汇知识的问题，提出统一Transformer框架SURGELLM，包含手术特征门控、任务条件前缀令牌和实例加权归一化，在四个任务上平均F1提升0.036。
Comments Proceedings of the 6th Workshop on Trustworthy NLP (TrustNLP 2026), ACL 2026, San Diego, California, USA. Available at https://openreview.net/forum?id=WJCalficPT
Ground Then Rank: Revisiting Knowledge-Based VQA with Training-Free Entity Identification
先定位再排序：基于知识的视觉问答中无训练实体识别的再探讨
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； AT&T Chief Data Office（AT&T首席数据办公室）
AI总结 针对知识型视觉问答中实体与证据双重定位瓶颈，提出解耦实体识别与段落排序的无训练IBA框架，利用MLLM候选名称选择与文本重排序器，在降低复杂度同时提升性能。
Comments Accepted by ACL 2026 Findings. Project page https://github.com/VAN-QIAN/ACL26-IBA/
Emergent Relational Order in LLM Agent Societies: From Collective Affect to Authority Stratification
LLM智能体社会中的涌现关系秩序：从集体情感到权威分层
机构 * Renmin University of China（中国人民大学） ； Beihang University（北京航空航天大学） ； Minzu University of China（民族大学）
AI总结 基于情感控制理论、社会认同理论和涂尔干集体情感，提出CAREB-MAS多智能体框架，通过长期模拟自发再现差序格局的五种核心现象，支持将差序格局解释为社会机制的结构敏感性涌现结果。
Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. 37 pages
EXPO-SQL: Execution-based Clause-level Policy Optimization for Text-to-SQL
EXPO-SQL：基于执行的子句级策略优化用于文本到SQL
机构 * College of Computing and Informatics（计算与信息学院）
AI总结 提出EXPO-SQL方法，通过子句级奖励实现细粒度监督，解决现有强化学习在文本到SQL任务中粗粒度奖励导致学习信号不足的问题，显著提升性能。
Comments 20 pages, 8 figures
Journal ref ACL 2026 Findings
NOSE: Neural Olfactory-Semantic Embedding with Tri-Modal Orthogonal Contrastive Learning
NOSE：神经嗅觉-语义嵌入与三模态正交对比学习
机构 * State Key Laboratory of Physical Chemistry of Solid Surface, College of Chemistry and Chemical Engineering, Xiamen University, Xiamen, China（厦门大学固体表面物理化学国家重点实验室，化学与化学工程学院，厦门，中国） ； DP Technology（DP技术） ； Laboratory of AI for Electrochemistry (AI4EC), Tan Kah Kee Innovation Laboratory (IKKEM), Xiamen, China（电化学人工智能实验室（AI4EC），淡凯实验室（IKKEM），厦门，中国） ； Institute of Artificial Intelligence, Xiamen University, Xiamen, China（人工智能研究院，厦门大学，厦门，中国）
AI总结 本文提出NOSE框架，通过三模态正交对比学习实现分子结构、受体序列和语言描述的对齐，解决嗅觉路径表示学习的碎片化问题，实现生物基础与语义可解释性的统一。
Comments Accepted to the ACL 2026 Main Conference
Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 2026, 19615-19647
Representation Interventions Enable Lifelong Knowledge Memory Control in LLMs
表示干预使大语言模型在终身学习中实现知识记忆控制
机构 * Dartmouth College（达特茅斯学院） ； NEC Laboratories America（NEC美国实验室） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出RILKE方法，通过在模型表示空间中进行干预，实现大语言模型的终身知识控制，有效更新知识并保持通用性。
Comments In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics: ACL 2026, Oral Presentation
AfriqueLLM: How Data Mixing and Model Architecture Impact Continued Pre-training for African Languages
AfriqueLLM: 数据混合与模型架构如何影响非洲语言的持续预训练
机构 * McGill University（麦吉尔大学） ； Mila-Quebec AI Institute（魁北克AI研究所） ； LMU Munich & Munich Center for Machine Learning（慕尼黑大学及慕尼黑机器学习中心） ； Microsoft AI for Good Research Lab（微软AI for Good研究实验室）
AI总结 本文通过持续预训练26B tokens，在20种非洲语言上构建了AfriqueLLM模型套件，系统研究了数据组成和模型架构对下游性能的影响，发现数据组成是主要驱动因素，且架构选择比模型规模更重要。
Comments Accepted to ACL 2026 (Main Conference)
Paying Attention to Deflections: Mining Pragmatic Nuances for Whataboutism Detection in Online Discourse
关注偏移：在线 discourse 中 whataboutism 检测的语用细微差别挖掘
机构 * Department of Computer Science（计算机科学系）
AI总结 本文通过 Twitter 和 YouTube 新数据集，区分 whataboutism、宣传和 tu quoque 囤谬，提出基于注意力权重的负样本挖掘方法，提升检测精度。
Comments 14 pages, 5 figures
Journal ref Findings of the Association for Computational Linguistics ACL. (2024) 12628-12643. https://aclanthology.org/2024.findings-acl.750
