大模型与生成式人工智能研究

本文探讨了多模态大模型在教育领域的应用潜力，提出了构建教育领域通用大模型及其三类典型应用。

本文提出了一种基于维基百科的新型语义相似度计算方法，通过整合信息内容和概念特征，显著提升了语义相似度评估的准确性和人类相关性。

MuKCoT框架通过多模态知识推理链提升视觉问答任务的解释性和准确性。

本文提出了一种基于ChatGPT的多模态实体情感分析框架，通过实体感知对比学习提升少样本学习效果。

利用大语言模型（LLMs）提升公共事件下的人类移动预测，显著优于传统模型。

本文提出了一种基于大语言模型反馈的因果关键词驱动的可靠文本分类方法，显著提升了预训练语言模型在跨域文本分类任务中的性能。

本文提出了一种基于多特征融合的深度学习情感分析方法，显著提升了情感分类的准确性。

该论文提出了一种自动化监测在线新闻准确性的新方法，通过分析新闻文章的更新来检测错误修正。

本研究提出了一种基于LSTM网络的深度学习框架，用于预测未来词汇的共相似性矩阵，识别新兴技术趋势。

本文提出了一种最大化区分掩码（MDM）方法，通过屏蔽不稳定世界知识来提高问答系统的忠实性和事实准确性。

本文提出了一种新的框架CH-ICL，通过结合外部知识和大型语言模型，显著提升了医学视觉问答系统的性能。

本文提出了一种基于预训练语言模型的政治文本主题分类方法，显著优于跨领域分类器，且仅需少量标注数据。

利用全球报纸叙事构建主题知识图谱，显著提升三大经济体工业生产的预测准确性。

本文探讨了深度神经网络在数字人文和信息科学中的文本分析应用，并提出了应对训练数据和领域适应挑战的解决方案。

通过结合年报中的文本数据和财务数据，本文提出了一种新的深度学习模型，显著提升了企业财务困境预测的准确性。

利用GPT模型预测并调控人类语言网络的大脑活动，揭示语言输入的意外性和语法完整性是关键因素。

这篇论文展示了大型语言模型（LLMs）在金融新闻情感分析和股票市场预测中的卓越表现，特别是GPT-3模型在预测股票回报方面的显著优势。

该论文提出了一种基于注意力机制的双向LSTM网络，用于自动检测科学论文中需要引用的句子，并构建了一个大规模数据集PMOA-CITE。

本研究开发了一种基于FHIR标准的患者安全消息数据模型，用于识别和提取重要医疗信息，推动以患者为中心的护理。

该研究通过主题模型和情感分析评估了德国风电技术的合法性，揭示了其在能源转型中的社会和政治挑战。