标签
耶鲁大学研究人员提出了“先并行后整合”（PTI）流程，这是一种分四个步骤整合定性文本的两种计算表征的方法——本体引导的 PVminer 编码和非负矩阵分解（NMF）提取的主题——并以尼泊尔母亲的访谈数据进行了演示。
本文复现了一种针对印地语的分布式语义抽取式摘要方法，并在标准语料库上进行评估，发现句子位置是唯一有效的特征，且当前的印地语基准测试未能激励高级内容选择。
本文表明，大型语言模型 (LLMs) 的标注质量与人类专家相当，主要挑战在于最小化编码规则中的歧义，而不是在人工和机器编码者之间选择。
本文提出了一种神经网络模型，用于快速且准确地识别文本内容文件类型，在准确性和速度上超越了现有的工具，如 Magika，同时体积更小。
本文引入了层次旋转位置编码 (hRoPE) 来表示文本层次结构，并使用压缩深度作为段落结构的特征，表明它与其他指标相比，与真正的层次组织相关性更好。
本文展示在法律文本分析中移除停用词会干扰理论和意识形态信号，并建议保留停用词以保证测量有效性。
介绍了DP-SPIN，一个差分隐私框架，用于文本数据中语义概念的聚合测量和总结，并在CFPB、Amazon和Yelp数据集上进行评估。
论文提出了一种免训练且免对齐的企业智能方法，使用确定性稀疏种子向量来分析SEC文件，无需大型语言模型即可实现高效的文档比较和语义事件检测。
MonoTM是一个可解释的主题建模框架，通过稀疏自编码器将混合估计与特征解释解耦，从而提供超越传统基于单词表示的语义有意义的主题。
本文探讨了Pangram，一家检测AI生成文本的AI初创公司，它在出版丑闻中的角色，以及对其检测模型可信度的质疑。
本文提出了一个基准，用于将研究论文分类为良好（高被引）和不良（撤回）两类，仅使用标题和摘要的文本特征。通过SVM和神经网络等模型，准确率高达91.12%。
BERTilda是一个可解释的框架，通过构建带有相似性和流信号的时间图来跟踪纵向文本流中的主题生命周期，以检测分裂、合并和其他转变，并在标注数据集上达到高一致率。
Claude Watermark 是一款旨在检测和移除文本中AI生成水印的工具，帮助用户管理AI痕迹以维护隐私或确保真实性。
Ancient Library 是一个在线阅读器，提供 1,060 部希腊和拉丁经典作品，点击任意单词即可显示其词元、词形变化和完整词典条目。
本研究应用计算语言学和监督式机器学习，仅凭文本描述即可预测早期初创企业的退出情况，发现创始人叙述携带预测信号，并引入了一个可量化的夸张得分（Hyping Score）。
一个基于网页的工具，用于检测并高亮LLM生成文本中常见的陈词滥调短语，例如'no X, no Y'链条和'sit with that'等，以帮助识别AI写作模式。
本文提出了两种新的归一化技术（平方根校正和罕用词校正），用于从LambdaG作者验证方法推导似然比，无需单独校准模型，减少了数据需求和复杂性，同时在法医文本比较中实现了相当或更优的性能。
本文提出了一种结合日语NLP指标和统计方法的多维文本分析方法，用于评估风险披露质量的变化，并应用于日本2019年的企业披露改革。对19,770个公司-年度观测值的分析揭示了复杂的变化，例如披露数量增加但可读性下降。