本文介绍了ACAT，一款支持四种基于方面情感分析（ABSA）工作流的网页协同注释工具。该平台包含自动化ETL管道，能对多标注者数据进行对齐并直接计算标注一致性指标，生成可用于训练的高质量数据集。在对1002条餐厅评论的初步验证中，ACAT实现了31.58秒的中位标注时间和0.78至0.86的标注者一致性评分。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：本文介绍了ACAT，一款支持四种基于方面情感分析（ABSA）工作流的网页协同注释工具。该平台包含自动化ETL管道，能对多标注者数据进行对齐并直接计算标注一致性指标，生成可用于训练的高质量数据集。在对1002条餐厅评论的初步验证中，ACAT实现了31.58秒的中位标注时间和0.78至0.86的标注者一致性评分。
高质量的ABSA数据集对于训练可靠模型至关重要，而现有工具处理标注数据繁琐且易出错。ACAT通过自动对齐标注数据和计算一致性指标，极大提升效率和数据质量，从而推动ABSA研究进展。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
本文提出了一种基于本体的验证框架，通过定义代理操作范围、自动生成监管与对抗场景，以及提供机器可验证的信任证书，实现企业AI代理的预部署验证。该框架在金融科技、银行、保险和医疗四个受监管行业中进行了试点，生成1800个测试场景，覆盖125条监管要求，并在多个大型语言模型中验证了方法的有效性。实验结果表明，本体驱动的场景生成在监管覆盖率和领域专属性方面显著优于以角色为基础的方法，具备成为监管密集型领域测试的有力补充的潜力。
最新研究指出，AI情感支持往往在任务导向的日常互动中无意间出现，而非用户刻意寻求的行为。这些偶然的情感交流会影响用户对AI情感能力的认知，逐渐改变他们未来寻求情感支持的偏好，增加对AI的依赖，减少对人的依赖。与OpenAI合作的大规模纵向研究显示，用户连续28天每天与AI进行五分钟私人话题对话后，倾向寻求人类支持的意愿下降10.3%，而偏好AI支持的意愿上升11.6%。这表明现有政策未能覆盖通用AI系统中的情感依赖风险，需重新考虑以保护人类的情感连接。
大型语言模型正在重塑研究实践，但也悄然削弱了研究者的认知责任。本文提出了PEEL（针对具认知参与素养的协议），这是一种结合Voyant Tools进行确定性远程阅读和通过Claude进行LLM解释的工作支架，基于皮尔士符号学和溯因推理。应用于三篇AI生成的文本浓缩，PEEL揭示了数量、词频和认知视角上的系统性扭曲，这些扭曲只有通过非AI测量才能察觉。研究由此得出三点设计启示：确定性工具必须伴随AI工具，流畅不等于忠实，认知权威需设计而非假设。