近幾年，大語(yǔ)言模型（LLMs）無(wú)疑是人工智能發(fā)展過(guò)程中最為熱門(mén)的話題之一。這些模型以其強(qiáng)大的語(yǔ)言生成和理解能力，正在深刻改變著自然語(yǔ)言處理（NLP）領(lǐng)域的研究和應(yīng)用方向。Human-Centric Intelligent Systems（HCIN） 作為一本致力于傳播以人為本的智能系統(tǒng)的所有理論和實(shí)際應(yīng)用的最新研究成果的期刊，為這一領(lǐng)域的研究提供了重要的平臺(tái)。

為了幫助學(xué)者更好地了解大語(yǔ)言模型在不同領(lǐng)域的最新進(jìn)展，HCIN期刊編輯部精心篩選了一系列高質(zhì)量文章。這些文章涵蓋了AI成癮性與依賴性、跨語(yǔ)言機(jī)器翻譯錯(cuò)誤分析等研究方向。這些文章不僅展示了大語(yǔ)言模型在不同應(yīng)用場(chǎng)景中的潛力，也揭示了其在實(shí)際應(yīng)用中可能面臨的挑戰(zhàn)和問(wèn)題。希望本次的好文推薦能為學(xué)者的科研工作帶來(lái)啟發(fā)，推動(dòng)以人為本的智能系統(tǒng)領(lǐng)域的進(jìn)一步發(fā)展。

1、Can ChatGPT Be Addictive? A Call to Examine the Shift from Support to Dependence in AI Conversational Large Language Models

作者：Ala Yankouskaya, Magnus Liebherr & Raian Ali 

DOI：https://doi.org/10.1007/s44230-025-00090-w 

研究動(dòng)機(jī)：

隨著人工智能技術(shù)的快速發(fā)展，尤其是像ChatGPT這樣的大型語(yǔ)言模型（LLMs）在日常生活中的廣泛應(yīng)用，人們對(duì)其潛在的成癮性問(wèn)題產(chǎn)生了關(guān)注。本文旨在探討AI對(duì)話模型從支持性工具轉(zhuǎn)變?yōu)橐蕾囆怨ぞ叩目赡苄裕治銎鋵?duì)用戶行為和心理的影響，以期為合理使用AI提供理論依據(jù)。

研究方法與發(fā)現(xiàn)：

本研究采用文獻(xiàn)綜述和案例分析相結(jié)合的方法，對(duì)ChatGPT等AI對(duì)話模型的使用場(chǎng)景和用戶反饋進(jìn)行深入分析。研究發(fā)現(xiàn)，AI對(duì)話模型的即時(shí)性和交互性可能引發(fā)用戶的過(guò)度依賴，尤其是在信息獲取和情感支持方面。此外，研究還發(fā)現(xiàn)，用戶對(duì)AI的過(guò)度依賴可能導(dǎo)致對(duì)人類(lèi)社交互動(dòng)的忽視，甚至產(chǎn)生心理上的依賴感。

研究結(jié)論：

研究表明，AI對(duì)話模型如ChatGPT具有潛在的成癮性，特別是在長(zhǎng)時(shí)間使用和高強(qiáng)度依賴的情況下。這種依賴可能對(duì)用戶的社交能力和心理健康產(chǎn)生負(fù)面影響。因此，建議用戶在使用AI對(duì)話模型時(shí)保持適度，同時(shí)開(kāi)發(fā)者應(yīng)考慮設(shè)計(jì)更合理的使用機(jī)制，以減少成癮風(fēng)險(xiǎn)。

2、Error Analysis of Pretrained Language Models (PLMs) in English-to-Arabic Machine Translation

作者：Hend Al-Khalifa, Khaloud Al-Khalefah & Hesham Haroon

DOI：https://doi.org/10.1007/s44230-024-00061-7

研究動(dòng)機(jī)：

隨著全球互聯(lián)性的增強(qiáng)，跨語(yǔ)言交流變得日益重要，尤其是對(duì)于使用非拉丁字母腳本的語(yǔ)言，如阿拉伯語(yǔ)。然而，英語(yǔ)與阿拉伯語(yǔ)之間由于結(jié)構(gòu)和腳本差異巨大，機(jī)器翻譯仍面臨獨(dú)特挑戰(zhàn)。盡管預(yù)訓(xùn)練語(yǔ)言模型（PLMs）在自然語(yǔ)言處理（NLP）研究中處于前沿，顯著提升了機(jī)器翻譯能力，但它們?cè)谟⒄Z(yǔ)到阿拉伯語(yǔ)的翻譯中仍難以達(dá)到高準(zhǔn)確性和流暢性。這阻礙了英語(yǔ)和阿拉伯語(yǔ)文化之間的有效溝通與合作。

研究方法與發(fā)現(xiàn)：

本研究采用自動(dòng)評(píng)估指標(biāo)（chrF、BERTScore、COMET）和人工評(píng)估（使用MQM框架）來(lái)比較Google Translate和五種PLMs（Helsinki、Marefa、Facebook、GPT-3.5-turbo和GPT-4）的翻譯表現(xiàn)。研究涵蓋了心理學(xué)、政治、醫(yī)學(xué)和科學(xué)等不同文本領(lǐng)域，以全面評(píng)估模型在多樣化內(nèi)容中的翻譯能力。結(jié)果顯示，Google Translate在所有評(píng)估的機(jī)器翻譯系統(tǒng)中表現(xiàn)最為穩(wěn)健，總錯(cuò)誤數(shù)最少。而Helsinki的錯(cuò)誤數(shù)最多，表明其翻譯機(jī)制存在顯著挑戰(zhàn)。誤譯是所有平臺(tái)上最常見(jiàn)的錯(cuò)誤類(lèi)型，突顯了機(jī)器翻譯中實(shí)現(xiàn)準(zhǔn)確和上下文相關(guān)翻譯的復(fù)雜性。

表1-MT自動(dòng)評(píng)估結(jié)果

表2-不同翻譯系統(tǒng)的錯(cuò)誤率

圖1-機(jī)器翻譯系統(tǒng)中的翻譯錯(cuò)誤計(jì)數(shù)和主要類(lèi)別的分布

研究結(jié)論：

研究表明，盡管預(yù)訓(xùn)練語(yǔ)言模型在提升機(jī)器翻譯質(zhì)量方面展現(xiàn)出積極成果，但它們?cè)谔幚戆⒗Z(yǔ)語(yǔ)法和詞匯時(shí)仍存在局限性。這些模型在翻譯復(fù)雜句法和詞匯時(shí)容易出現(xiàn)錯(cuò)誤，影響翻譯的準(zhǔn)確性和流暢性。研究強(qiáng)調(diào)了繼續(xù)研究定制架構(gòu)、多語(yǔ)言表示、上下文編碼和專門(mén)模型訓(xùn)練的必要性，以進(jìn)一步提升英語(yǔ)到阿拉伯語(yǔ)翻譯的性能

掃碼閱讀原文

3、The Linguistic Feature Relation Analysis of Premise and Hypothesis for Interpreting Nature Language Inference

作者：Xinyu Chen, Lin Li, Mengjing Zhang & Rui Zhang

DOI：https://doi.org/10.1007/s44230-023-00054-y

研究動(dòng)機(jī)：

自然語(yǔ)言推理（NLI）任務(wù)是自然語(yǔ)言處理中的一個(gè)重要領(lǐng)域，旨在判斷兩個(gè)句子之間的邏輯關(guān)系（如蘊(yùn)含、矛盾或中性）。然而，現(xiàn)有的NLI模型雖然在性能上取得了顯著進(jìn)展，但其預(yù)測(cè)過(guò)程往往缺乏可解釋性。本文旨在引入前提和假設(shè)之間的語(yǔ)言特征關(guān)系的逐樣本分析，探索指導(dǎo) NLI 建模和解釋能力。

研究方法與發(fā)現(xiàn)：

本文提出了一種基于多層注意力機(jī)制的NLI模型，通過(guò)分析前提和假設(shè)之間的語(yǔ)言特征關(guān)系來(lái)增強(qiáng)模型的可解釋性。研究者們?cè)赟NLI數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，驗(yàn)證了多層連接機(jī)制的有效性。實(shí)驗(yàn)結(jié)果表明，該模型不僅能夠以92.2%的準(zhǔn)確率進(jìn)行預(yù)測(cè)，還能以更接近人類(lèi)解釋的方式展示其推理過(guò)程。通過(guò)逐層分析語(yǔ)言特征關(guān)系，模型能夠更清晰地解釋其預(yù)測(cè)依據(jù)。

圖1-推理樣本過(guò)程

圖2-多層互聯(lián) NLI

圖3-每一層的預(yù)測(cè)準(zhǔn)確率（%）結(jié)果

研究結(jié)論：

本文重點(diǎn)介紹通過(guò)添加多層連接機(jī)制來(lái)解釋具有語(yǔ)言特征關(guān)系的NLI任務(wù)。我們的實(shí)證研究表明，語(yǔ)言特征關(guān)系可以幫助NLI模型以人類(lèi)解釋的方式解釋預(yù)測(cè)過(guò)程。在SNLI數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)結(jié)果表明，基于多層注意力的NLI模型可以以92.2%的準(zhǔn)確率做出更大的可解釋性。在未來(lái)的工作中，我們將增加樣本的數(shù)量，以進(jìn)一步驗(yàn)證句子對(duì)中的語(yǔ)言結(jié)構(gòu)。此外，對(duì)于低層、中層和高層捕獲的語(yǔ)言特征關(guān)系，我們將嘗試通過(guò)逐層基于提示的訓(xùn)練來(lái)做出預(yù)測(cè)。

關(guān)于期刊

Human-Centric Intelligent Systems（eISSN：2667-1336）是一本國(guó)際化的，經(jīng)過(guò)嚴(yán)格同行評(píng)審的開(kāi)放獲取期刊，致力于傳播 “以人為中心的智能系統(tǒng)” 中所有相關(guān)理論和實(shí)際應(yīng)用的最新研究成果，并提供以人為中心的計(jì)算與分析領(lǐng)域的前沿理論和算法見(jiàn)解。為了鼓勵(lì)科研成果的傳播，本刊暫不收取文章處理費(fèi)。

期刊主編：西南交通大學(xué)李天瑞教授與澳大利亞悉尼科技大學(xué)徐貫東教授

顧問(wèn)委員：東京大學(xué)教授，日本國(guó)家信息研究所所長(zhǎng)Masaru Kitsuregawa與伊利諾伊大學(xué)芝加哥分校Philip S. Yu教授