大型语言模型

这篇论文探讨了大语言模型（LLMs）在零样本学习下作为原创性评审员的潜力，发现其在某些方面表现良好，但仍需改进。

大语言模型在决策支持系统中引发新问题，改变个体与组织的决策方式。

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。

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。

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。

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。

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。

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。

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。