corpus-linguistics

本文介绍了 Observatorio Lázaro，这是一个持续更新的数据库和公共网络/API 资源，利用神经序列标注模型监测西班牙数字新闻中的英语借词使用情况，记录了 2020 年至 2026 年间超过两百万条借词。

本文介绍了一项基于语料库的研究，通过对北京话和台湾话口语语料库的语音和语义分析，使用广义加性模型和上下文嵌入，表明普通话中的轻声是一个具有自身调目标的词调。

本文提出利用语言学奥林匹克竞赛数据构建新的语言学研究语料库，旨在推动该领域发展。

本文提出了一种关注语域的语言评估框架，通过使用最大均值差异（MMD）比较人类与LLM生成文本中67个词汇语法特征的分布，来评估大型语言模型（LLM）的人类相似度。在七个经过指令微调的开源模型和五个语域上的实验表明，没有模型能完美匹配人类基线，且与人类语言的接近程度因语域而异，而非模型规模。