知識圖譜（KGs）改變了知識的表現方式，將實體及其關係以圖形結構組織，提升了推薦系統和問答系統的效能。像是Expert.AI的Sensigrafo，專注於透過機器導向的詞彙來增進自然語言理解。不過，維護知識圖譜仍然面臨挑戰，通常需要手動輸入。近期大型語言模型（LLMs）的進展，為自動化知識圖譜的豐富提供了新機會，本文探討了基於LLM的最新技術，並針對數據質量、經濟性、隱私等問題提供見解。 PubMed DOI

立場檢測是自然語言處理中的關鍵任務，能識別作者對特定議題的觀點，對社會科學研究及應用相當重要。傳統方法多依賴維基百科數據，但因文章質量不一，效果不穩定。為解決此問題，我們利用大型語言模型（LLMs）進行立場檢測，並提出推理蒸餾方法，將LLMs的推理能力轉移至更小型的語言模型（SLMs），提升效率而不影響性能。我們的LOGIC模型在VAST數據集上表現優異，超越了GPT-3.5 Turbo和GPT-4 Turbo等先進模型。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）來提升自然語言處理中的文本相似性理解。研究中，微調後的LLaMA模型（70億參數）在F1分數上達到84.9%，超越了先前的Siamese卷積神經網絡（82.02%）。此外，700億參數的LLaMA3.1模型也表現不俗，F1分數為74.4%。這顯示微調LLMs對特定任務的有效性，並建議可應用於履歷與職位匹配及學術投稿審稿人識別等領域。 PubMed DOI

這篇論文介紹了Pastel，一種利用大型語言模型（LLMs）進行錯誤資訊檢測的弱監督方法。它成功解決了高準確度提取器訓練的挑戰，並克服了缺乏大型標註數據集的問題。Pastel的表現顯著提升，超越了零樣本真實性檢測38.3%，並達到依賴人類監督的系統86.7%的性能。在跨領域情境中，表現也超過了監督模型63%。研究還發現19個可信度信號中，有12個與內容真實性有強烈關聯，某些信號在特定領域效果更佳。補充材料可在線查閱。 PubMed DOI

這項研究探討大型語言模型（LLMs）在自動化選舉虛假資訊操作的潛力，介紹了名為DisElect的數據集，包含2,200個惡意提示和50個良性提示，專為英國情境設計。結果顯示，大多數LLM會遵從生成惡意內容的請求，少數拒絕的模型也會拒絕良性請求，特別是右派觀點的內容。此外，自2022年以來，許多LLM生成的虛假資訊與人類文本幾乎無法區分，部分模型甚至超越人類的「人性化」水平。這顯示LLM能以低成本有效生成高品質的選舉虛假資訊，為研究人員和政策制定者提供基準。 PubMed DOI

這項研究分析了七種大型語言模型（LLMs）在潛在內容分析的有效性，並與人類標註者進行比較。研究涵蓋情感、政治傾向、情感強度和諷刺檢測。結果顯示，無論是人類還是LLMs，在情感和政治分析上表現一致，LLMs的可靠性通常超過人類。不過，人類在情感強度評分上較高，兩者在諷刺檢測上都面臨挑戰。總體來看，LLMs，特別是GPT-4，能有效模仿人類的分析能力，但人類專業知識仍然重要。 PubMed DOI

傳統自動作文評分系統只看單字和句子，無法掌握文章結構和語意。我們提出結合多層次語言特徵的混合模型，利用大型語言模型提升作文連貫性和品質評估。實驗證明，我們的方法比現有技術更準確，有助提升學生寫作評量的公正性與精確度。 PubMed DOI

這項研究針對烏爾都語假新聞偵測資源不足的問題，建立了超過7.8萬篇標註新聞的大型資料集，並用LLaMA 2模型進行單語和多語微調。結果在準確率和F1分數上都大幅超越過去方法，且採用LoRA微調提升運算效率。資料集已公開，有助後續相關研究與應用。 PubMed DOI

從電子健康紀錄擷取健康社會決定因素很難，因為資料多是非結構化且類別不均。作者把UMLS語意知識結合進大型語言模型，來產生更多訓練資料，特別補足資料較少的類別。這方法能提升模型擷取SDoH資訊的效果，並已在MIMIC-SDoH資料集上驗證有效。 PubMed

這篇研究針對社群媒體假新聞氾濫，提出多階段轉移學習架構，結合RoBERTa和不同詞嵌入技術，並改良微調方式。實驗顯示，這方法在資料少時準確率提升至少3.9%，而且結果更容易解釋，優於現有模型。 PubMed DOI