语言大模型 / LLM

Developing and Validating the Spanish Version of the Large Language Models Dependency Scale (LLM-D12-SP)

开发并验证大语言模型依赖量表的西班牙语版本（LLM-D12-SP）

Tran Gia Bao, Mo El-Haj, Sameha Al-Shakhsi, Antonio Garcia-Cabot, Raian Ali, Ala Yankouskaya

专题命中 其他LLM ：LLM(title,title_cn)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 研究针对说西班牙语人群对评估LLM心理依赖工具的需求，开发并验证了LLM-D12-SP量表，经分析其具有良好结构和效度，为研究LLM在组织环境中的心理使用情况提供了可靠工具。

Comments 32 pages

Journal ref Discover Psychology 2026

Logo-LLM: Local and Global Modeling with Large Language Models for Time Series Forecasting

Logo-LLM：基于大语言模型的时序预测中的局部和全局建模

Wenjie Ou, Zhishuo Zhao, Cheng Chen, Dongyue Guo, Yi Lin

机构 * College of Computer Science, Sichuan University（四川大学计算机学院） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(title,abstract)；language model(title,abstract)；分类 cs.LG

AI总结 本文提出Logo-LLM框架，通过提取和建模不同层次预训练语言模型的多尺度时间特征，改进时序预测中局部变化和全局依赖的建模能力，实验表明其在多种基准测试中表现优异，具有良好的泛化能力且计算开销低。

From Words to Widgets for Controllable LLM Generation

从词语到小部件：可控制的LLM生成

Chao Zhang, Yiren Liu, Lunyiu Nie, Jeffrey M. Rzeszotarski, Yun Huang, Tal August

机构 * Cornell University（康奈尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Loyola University Maryland（路易斯安那大学马里兰分校） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；prompting(summary_cn,abstract)；large language model(abstract)；language model(abstract)

AI总结 本文提出Malleable Prompting技术，通过将自然语言提示中的偏好转化为可视化的小部件，使用户能更精确地控制LLM生成，提升可控性和透明度。

Comments UIST 2026

An Examination on the Effectiveness of Divide-and-Conquer Prompting in Large Language Models

Yizhou Zhang, Lun Du, Defu Cao, Qiang Fu, Yan Liu

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；prompting(title,abstract)；LLM(abstract)

Comments Preprint

Insidious by Design: Implications of Large Language Model algorithmic bias for the Global South

阴险的设计：大型语言模型算法偏见对全球南方的影响

Sioux McKenna, Nompilo Tshuma

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；prompting(abstract)

AI总结 通过向四个主流LLM提交相同提示，发现其输出在叙事结构和情感模板中微妙地再现种族、性别等级和西方中心认识论，对全球南方构成阴险偏见。

Comments 16 pages

Effects of Varying LLM Access on Essay Writing Behavior

不同LLM访问权限对论文写作行为的影响

Julia Christenson, Karin de Langis, Shirley Anugrah Hayati, Dongyeop Kang

机构 * University of Minnesota（明尼苏达大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 通过控制LLM访问权限（无访问、有限访问、无限访问）的随机实验，发现有限访问能保持学生作者信心和写作策略，而无限访问降低创意表达。

Comments BEA (Building Educational Applications) Workshop 2026

Exploring LLM biases to manipulate AI search overview

探索LLM偏见以操控AI搜索概述

Roman Smirnov

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；small language model(abstract)

AI总结 研究探索LLM偏见在AI搜索概述系统中的影响，通过强化学习优化搜索片段内容以操控结果，并发现偏见驱动相对优势而非绝对优势。

Comments 14 pages, 7 figures

BED-LLM: Intelligent Information Gathering with LLMs and Bayesian Experimental Design

BED-LLM：利用LLM和贝叶斯实验设计进行智能信息收集

Deepro Choudhury, Sinead Williamson, Adam Goliński, Ning Miao, Freddie Bickford Smith, Michael Kirchhof, Yizhe Zhang, Tom Rainforth

机构 * University of Oxford（牛津大学） ； Apple（苹果公司） ； City University of Hong Kong（香港城市大学） ； University of Somewhere（某大学） ； Institute of Something（某研究所） ； Company Ltd（某有限公司） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文提出了一种基于贝叶斯实验设计框架的通用方法，通过迭代选择最大化信息增益的问题来提升LLM的信息收集能力，展示了BED-LLM在20 Questions游戏中优于传统提示方法的性能。

Comments Published at the International Conference on Learning Representations 2026

Continual Learning Using Only Large Language Model Prompting

Jiabao Qiu, Zixuan Ke, Bing Liu

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；prompting(title,abstract)；LLM(abstract)

Comments To Appear in COLING-2025 (short paper)

LLM Agents in Interaction: Measuring Personality Consistency and Linguistic Alignment in Interacting Populations of Large Language Models

Ivar Frisch, Mario Giulianelli

专题命中 其他LLM ：LLM(title,abstract)；large language model(title,abstract)；language model(title,abstract)；prompting(abstract)

Comments To appear in Proceedings of the 1st Personalization of Generative AI Workshop, EACL 2024

A Communication Theory Perspective on Prompting Engineering Methods for Large Language Models

Yuanfeng Song, Yuanqin He, Xuefang Zhao, Hanlin Gu, Di Jiang, Haijun Yang, Lixin Fan, Qiang Yang

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；prompting(title,abstract)；LLM(abstract)

Prompting is not a substitute for probability measurements in large language models

Jennifer Hu, Roger Levy

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；prompting(title,abstract)；LLM(abstract)

Comments Camera-ready version for EMNLP 2023

Violation of Expectation via Metacognitive Prompting Reduces Theory of Mind Prediction Error in Large Language Models

Courtland Leer, Vincent Trost, Vineeth Voruganti

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；prompting(title,abstract)；LLM(abstract)

Context-faithful Prompting for Large Language Models

Wenxuan Zhou, Sheng Zhang, Hoifung Poon, Muhao Chen

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；prompting(title,abstract)；LLM(abstract,comments)

Comments Accepted at EMNLP 2023 Findings. Code and data are released at https://github.com/wzhouad/context-faithful-llm

Large Language Models for Mobile GUI Text Input Generation: An Empirical Study

大型语言模型用于移动GUI文本输入生成：一项实证研究

Chenhui Cui, Tao Li, Junjie Wang, Chunyang Chen, Dave Towey, Rubing Huang

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；prompting(abstract)

AI总结 本研究评估九种LLM在115个真实应用中的GUI文本输入生成，比较三种UI上下文提示设置，发现提取文本和XML达到71%的页面通过率，视觉输入成本更高；反馈增强协议提升缺陷检测率至64.5%。

ProbGuard: Proactive Runtime Monitoring for LLM Agent Safety via Probabilistic Prediction

ProbGuard：基于概率的运行时监控用于LLM代理安全

Haoyu Wang, Christopher M. Poskitt, Jiali Wei, Jun Sun

机构 * Singapore Management University（新加坡管理大学） ； Xi'an Jiaotong University（西安交通大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 ProbGuard通过概率风险预测主动监控LLM代理安全，利用离散时间马尔可夫链建模行为动态，提前预警潜在危险，提升安全性和任务完成率。

Comments Accepted by the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026)

"Is This Really a Human Peer Supporter?": Misalignments Between Peer Supporters and Experts in LLM-Supported Interactions

“这真的是人类同伴支持者吗？”：同伴支持者与专家在LLM支持互动中的错位

Kellie Yu Hui Sim, Roy Ka-Wei Lee, Kenny Tsu Wei Choo

机构 * Singapore University of Technology and Design（新加坡科技设计大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 研究通过混合方法评估LLM模拟求助者、生成建议和实时情绪可视化系统，发现同伴支持者与心理健康专家在识别求助信号和给予建议上存在关键错位，凸显标准化培训需求。

Comments Accepted at CSCW 2026. 53 pages, 12 figures, 17 tables

Benchmarking LLM-Based Static Analysis for Secure Smart Contract Development: Reliability, Limitations, and Potential Hybrid Solutions

基于LLM的静态分析在安全智能合约开发中的基准测试：可靠性、限制与潜在混合解决方案

Stefan-Claudiu Susan, Andrei Arusoaie, Dorel Lucanu

机构 * Department of Computer Science Alexandru Ioan Cuza University of Iași（计算机科学系阿莱克桑德鲁·伊奥安·库扎大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文评估LLM在智能合约安全分析中的可靠性与局限性，指出其依赖非语义启发式方法导致高误报率，并提出混合解决方案的潜力。

Comments Accepted to IEEE COMPSAC 2026. Extended version with supplemental materials

WHAT-IF: Exploring Branching Narratives by Meta-Prompting Large Language Models

Runsheng "Anson" Huang, Lara J. Martin, Chris Callison-Burch

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；prompting(title,abstract)；LLM(abstract)

Comments Published in Wordplay: When Language Meets Games Workshop (EMNLP 2025)

SLM-Mod: Small Language Models Surpass LLMs at Content Moderation

Xianyang Zhan, Agam Goyal, Yilun Chen, Eshwar Chandrasekharan, Koustuv Saha

专题命中 其他LLM ：language model(title,abstract)；small language model(title,abstract)；SLM(title,abstract)；large language model(abstract)

Comments NAACL 2025 (Main): 17 pages, 8 figures, 10 tables

LLM-GAN: Construct Generative Adversarial Network Through Large Language Models For Explainable Fake News Detection

Yifeng Wang, Zhouhong Gu, Siwei Zhang, Suhang Zheng, Tao Wang, Tianyu Li, Hongwei Feng, Yanghua Xiao

专题命中 其他LLM ：LLM(title,abstract)；large language model(title,abstract)；language model(title,abstract)；prompting(abstract)

Empowering Large Language Models on Robotic Manipulation with Affordance Prompting

Guangran Cheng, Chuheng Zhang, Wenzhe Cai, Li Zhao, Changyin Sun, Jiang Bian

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；prompting(title,abstract)；LLM(abstract)

Explanations of Large Language Models Explain Language Representations in the Brain

大语言模型的解释可解释大脑中的语言表征

Maryam Rahimi, Mohammad Reza Daliri, Yadollah Yaghoobzadeh

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 该研究探究LLM与脑语言表征对齐的驱动因素，利用XAI的归因方法结合fMRI数据，发现梯度归因可稳健对齐脑活动，且不同层归因的特性与脑区域对齐模式存在差异。

Temporal Context Awareness: A Defense Framework Against Multi-turn Manipulation Attacks on Large Language Models

时序上下文感知：一种针对大型语言模型多轮操纵攻击的防御框架

Prashant Kulkarni, Assaf Namer

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.AI、cs.LG

AI总结 针对LLMs易受多轮操纵攻击的问题，本文提出TCA框架，通过分析语义漂移等实现防御，初步评估显示其能识别传统方法遗漏的微妙操纵模式，为对话式AI系统提供安全保障。

Comments 6 pages, 2 figures, IEEE CAI

CodexGraph: Bridging Large Language Models and Code Repositories via Code Graph Databases

CodexGraph：通过代码图数据库连接大型语言模型和代码库

Xiangyan Liu, Bo Lan, Zhiyuan Hu, Yang Liu, Zhicheng Zhang, Fei Wang, Michael Shieh, Wenmeng Zhou

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 研究旨在解决大型语言模型处理整个代码库的难题，提出通过将LLM代理与代码库图数据库接口集成的CodexGraph系统，利用图数据库特性实现精确上下文检索和代码导航，经多基准评估及实际应用开发，展现其在软件工程中的竞争力与潜力。

Comments work in progress

Saying More Than They Know: A Framework for Quantifying Epistemic-Rhetorical Miscalibration in Large Language Models

言多必失：一种量化大语言模型中认知-修辞失配的框架

Asim D. Bakhshi

机构 * National University of Science and Technology（科学与技术国家大学） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一种量化大语言模型认知与修辞失配的框架，通过设计三元认知-修辞标记分类法，发现LLM生成文本在修辞强度和认知基础之间存在系统性失配。

Comments 19 pages, 7 figures, Paper Under Review by the Elsevier Journal Assessing Writing

LoReC: Rethinking Large Language Models for Graph Data Analysis

LoReC：重新思考用于图数据分析的大型语言模型

Hongyu Zhan, Qixin Wang, Yusen Tan, Haitao Yu, Jingbo Zhou, Shuai Chen, Jia Li, Xiao Tan, Jun Xia

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tongji University（同济大学） ； Westlake University（西湖大学） ； Ant Group（蚂蚁集团） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 LoReC提出了一种新的GraphLLM方法，通过三个阶段提升LLM对图数据的理解，实验表明其在图数据任务中优于现有方法和传统GNN。

Comparing Human and Large Language Model Interpretation of Implicit Information

比较人类与大语言模型对隐含信息的解释

Antonio De Santis, Tommaso Bonetti, Andrea Tocchetti, Marco Brambilla

机构 * Politecnico di Milano（米兰理工大学） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 研究比较人类与大语言模型对隐含信息的解释方法，通过隐含信息提取任务发现，人类在多数情况下与模型一致，但常提出额外信息，表明当前基于LLM的隐含信息提取覆盖有限。

Comments ACL 2026 Findings

Topic-Based Watermarks for Large Language Models

基于主题的大型语言模型水印

Alexander Nemecek, Yuzhou Jiang, Erman Ayday

机构 * Case Western Reserve University（凯斯西储大学） ； Meta Platforms, Inc（Meta公司） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.LG

AI总结 本文提出一种轻量级主题引导的水印方案，通过将词汇库按主题划分，提升水印鲁棒性的同时保持生成文本的流畅性，实验表明其在多个LLM和基准测试中表现优异。

Comments Accepted at ACL 2026 Findings

Mining Large Language Models for Low-Resource Language Data: Comparing Elicitation Strategies for Hausa and Fongbe

从大型语言模型中挖掘低资源语言数据：比较Hausa和Fongbe的引导策略

Mahounan Pericles Adjovi, Roald Eiselen, Prasenjit Mitra

机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） ； Centre for Text Technology（文本技术中心） ； North-West University（北开普大学） ； South Africa（南非） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(summary_cn,abstract_cn)；prompting(abstract)

AI总结 本文研究通过策略性提示从LLM中提取可用于Hausa和Fongbe两种西非语言的文本数据，发现Hausa需功能性文本和对话，而Fongbe需受限生成提示，GPT-4o Mini在提取目标语言词汇上表现更优。

Comments 11 pages, 5 figures, 6 tables; to appear in LREC-COLING 2026