大模型与生成式人工智能研究

该研究通过文本挖掘和卷积神经网络，成功从用户生成内容中提取金融风险容忍度信息，显著提升了风险分类的准确性。

研究发现，通过从大规模数据集中提取代表性子集，可以在减少数据量的同时保持90%的性能水平。

这篇论文提出了一种基于生成式人工智能的声景到图像扩散模型，将听觉感知与视觉感知结合，为人类多感官体验提供了新的视角。

SsciBERT 是一个针对社会科学文本的预训练语言模型，显著提升了社会科学文献的自然语言处理任务表现。

SelfCP 利用冻结的大型语言模型自身压缩超长提示，显著降低内存成本并提升推理效率。

QAIE模型通过大语言模型增强数据量和信息，显著提升少样本场景下的细粒度情感分析性能。

这篇论文通过与GPT-3的访谈，探讨了大型语言模型在气候变化问题上的回答能力及其局限性。

FEDS-ICL 通过优化演示选择，显著提升大语言模型的翻译效率和准确性，速度提升2.1倍，翻译质量提升2.0 BLEU分。

EvoPath 利用大语言模型高效发现复杂异构信息网络中的高质量元路径，解决了元路径发现中的挑战。

ELECTRA提出了一种新的预训练任务——替换标记检测，显著提高了自然语言处理任务的效率和性能。

ChatGPT在复杂文本评估任务中表现出色，但需系统测试以确保输出准确性。

这篇论文研究了ChatGPT生成的AI改写评论对消费者信任的影响，并提出了一种基于文本相似性检测的虚假评论识别方法。

ChatGPT 和 GPT-3 等大型语言模型在学术出版中的潜力与伦理挑战。

BB-GeoGPT 是一个专为地理信息科学设计的大型语言模型，显著提升了地理空间问题的解答能力。

AI聊天机器人威胁在线调查数据的真实性，研究发现MTurk样本中AI生成回答的比例显著高于传统调查样本。

研究发现，消费者对AI生成的情感营销内容反应消极，认为其缺乏真实性，导致道德厌恶感增加，进而减少正面口碑和客户忠诚度。

本文综述了AIGC大模型的测评方法，探讨了其在可解释性、公平性、鲁棒性、安全性和隐私性等方面的挑战，并提出了未来研究方向。

本文通过微调预训练语言模型，显著提升了多标签专利分类的性能，XLNet表现最佳。

这篇论文通过情感分析和跨文化比较，揭示了P2P在线借贷平台中用户行为的情感倾向及其对评论数量和质量的显著影响。

该论文提出了一种基于文本新颖性和情感预测的自动虚假信息检测方法，显著提升了检测性能。