近幾年，大語言模型（LLMs）無疑是人工智能發(fā)展過程中最為熱門的話題之一。這些模型以其強大的語言生成和理解能力，正在深刻改變著自然語言處理（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。

為了幫助學(xué)者更好地了解大語言模型在不同領(lǐng)域的最新進展，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、跨語言機器翻譯錯誤分析等研究方向。這些文章不僅展示了大語言模型在不同應(yīng)用場景中的潛力，也揭示了其在實際應(yīng)用中可能面臨的挑戰(zhàn)和問題。希望本次的好文推薦能為學(xué)者的科研工作帶來啟發(fā)，推動以人為本的智能系統(tǒng)領(lǐng)域的進一步發(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 

研究動機：

隨著人工智能技術(shù)的快速發(fā)展，尤其是像ChatGPT這樣的大型語言模型（LLMs）在日常生活中的廣泛應(yīng)用，人們對其潛在的成癮性問題產(chǎn)生了關(guān)注。本文旨在探討AI對話模型從支持性工具轉(zhuǎn)變?yōu)橐蕾囆怨ぞ叩目赡苄?，分析其對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)：

本研究采用文獻綜述和案例分析相結(jié)合的方法，對ChatGPT等AI對話模型的使用場景和用戶反饋進行深入分析。研究發(fā)現(xiàn)，AI對話模型的即時性和交互性可能引發(fā)用戶的過度依賴，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AI的過度依賴可能導(dǎo)致對人類社交互動的忽視，甚至產(chǎn)生心理上的依賴感。

研究結(jié)論：

研究表明，AI對話模型如ChatGPT具有潛在的成癮性，特別是在長時間使用和高強度依賴的情況下。這種依賴可能對用戶的社交能力和心理健康產(chǎn)生負面影響。因此，建議用戶在使用AI對話模型時保持適度，同時開發(fā)者應(yīng)考慮設(shè)計更合理的使用機制，以減少成癮風(fēng)險。

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

研究動機：

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

研究方法與發(fā)現(xiàn)：

本研究采用自動評估指標(biāo)（chrF、BERTScore、COMET）和人工評估（使用MQM框架）來比較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在所有評估的機器翻譯系統(tǒng)中表現(xiàn)最為穩(wěn)健，總錯誤數(shù)最少。而Helsinki的錯誤數(shù)最多，表明其翻譯機制存在顯著挑戰(zhàn)。誤譯是所有平臺上最常見的錯誤類型，突顯了機器翻譯中實現(xiàn)準(zhǔn)確和上下文相關(guān)翻譯的復(fù)雜性。

表1-MT自動評估結(jié)果

表2-不同翻譯系統(tǒng)的錯誤率

圖1-機器翻譯系統(tǒng)中的翻譯錯誤計數(shù)和主要類別的分布

研究結(jié)論：

研究表明，盡管預(yù)訓(xùn)練語言模型在提升機器翻譯質(zhì)量方面展現(xiàn)出積極成果，但它們在處理阿拉伯語語法和詞匯時仍存在局限性。這些模型在翻譯復(fù)雜句法和詞匯時容易出現(xiàn)錯誤，影響翻譯的準(zhǔn)確性和流暢性。研究強調(diào)了繼續(xù)研究定制架構(gòu)、多語言表示、上下文編碼和專門模型訓(xùn)練的必要性，以進一步提升英語到阿拉伯語翻譯的性能

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

研究動機：

自然語言推理（NLI）任務(wù)是自然語言處理中的一個重要領(lǐng)域，旨在判斷兩個句子之間的邏輯關(guān)系（如蘊含、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展，但其預(yù)測過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制的NLI模型，通過分析前提和假設(shè)之間的語言特征關(guān)系來增強模型的可解釋性。研究者們在SNLI數(shù)據(jù)集上進行了實驗，驗證了多層連接機制的有效性。實驗結(jié)果表明，該模型不僅能夠以92.2%的準(zhǔn)確率進行預(yù)測，還能以更接近人類解釋的方式展示其推理過程。通過逐層分析語言特征關(guān)系，模型能夠更清晰地解釋其預(yù)測依據(jù)。

圖1-推理樣本過程

圖2-多層互聯(lián) NLI

圖3-每一層的預(yù)測準(zhǔn)確率（%）結(jié)果

研究結(jié)論：

本文重點介紹通過添加多層連接機制來解釋具有語言特征關(guān)系的NLI任務(wù)。我們的實證研究表明，語言特征關(guān)系可以幫助NLI模型以人類解釋的方式解釋預(yù)測過程。在SNLI數(shù)據(jù)集上進行的實驗結(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。在未來的工作中，我們將增加樣本的數(shù)量，以進一步驗證句子對中的語言結(jié)構(gòu)。此外，對于低層、中層和高層捕獲的語言特征關(guān)系，我們將嘗試通過逐層基于提示的訓(xùn)練來做出預(yù)測。

關(guān)于期刊

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

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

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