💬 Category

cs.CL

8029 Arbeiten

Die chemische Bindung zwischen Cäsium und Chlor bildet eine faszinierende Schnittstelle zwischen Alkalimetall und Halogen, die oft als Paradebeispiel für ionische Wechselwirkungen dient. Auf Gist.Science beleuchten wir aktuelle Forschungsergebnisse zu diesem Thema, die in verständlicher Sprache erklärt werden, ohne dabei die wissenschaftliche Tiefe zu verlieren.

Jedes neue Preprint in dieser Kategorie stammt direkt von arXiv und wird von unserem Team sorgfältig verarbeitet. Wir bieten für jede Studie nicht nur eine detaillierte technische Zusammenfassung, sondern auch eine klare, allgemeinverständliche Erläuterung der wichtigsten Erkenntnisse, damit die komplexe Wissenschaft für alle zugänglich wird.

Nachfolgend finden Sie die neuesten Veröffentlichungen zu Cs–Cl, die derzeit auf arXiv verfügbar sind.

Causal Inference with Generative Artificial Intelligence: Application to Texts as Treatments

Dieses Paper schlägt eine Generative AI-Powered Inference (GPI)-Methodik vor, die große Sprachmodelle nutzt, um Behandlungen zu generieren und deren interne Repräsentationen zu verwenden, um eine genauere und effizientere Schätzung kausaler Effekte aus unstrukturiertem Text zu ermöglichen, wodurch die Notwendigkeit entfällt, kausale Repräsentationen direkt aus Daten zu lernen, und gängige Herausforderungen wie Confounding und Verletzungen der Überlappung überwunden werden.

Kosuke Imai, Kentaro Nakamura2026-06-12📊 stat

RAGPPI: RAG Benchmark for Protein-Protein Interactions in Drug Discovery

Dieses Paper stellt RAGPPI vor, einen umfassenden Benchmark bestehend aus 4.420 Experten-validierten und automatisch evaluierten Frage-Antwort-Paaren, der darauf ausgelegt ist, Retrieval-Augmented-Generation-Systeme zur Identifizierung biologischer Auswirkungen von Protein-Protein-Interaktionen in der Wirkstoffforschung zu bewerten und voranzubringen.

Youngseung Jeon, Ziwen Li, Thomas Li, JiaSyuan Chang, Morteza Ziyadi, Xiang 'Anthony' Chen2026-06-12💬 cs.CL

Emergence of Hierarchical Emotion Organization in Large Language Models

Diese Arbeit zeigt auf, dass große Sprachmodelle natürlich hierarchische Emotionsstrukturen entwickeln, die mit der menschlichen Psychologie übereinstimmen, während sie gleichzeitig systematische Verzerrungen bei der Emotionserkennung offenbaren, die unterrepräsentierte Gruppen unverhältnismäßig stark betreffen.

Maya Okawa, Bo Zhao, Eric J. Bigelow, Rose Yu, Tomer Ullman, Ekdeep Singh Lubana, Hidenori Tanaka2026-06-12💬 cs.CL

From Benchmarks to Skills: Low-Rank Factors for LLM Evaluation

Dieses Paper schlägt ein neues Evaluationsparadigma für große Sprachmodelle vor, das die Faktorenanalyse anwendet, um eine intrinsisch niedrigrangige Struktur in der Benchmark-Leistung aufzudecken, wodurch demonstriert wird, dass eine geringe Anzahl interpretierbarer latenter Skill-Faktoren den Großteil der Fähigkeiten erfasst, was praktische Werkzeuge zur Identifizierung redundanter Aufgaben, zur effizienten Profilierung neuer Modelle und zur Auswahl von Modellen basierend auf spezifischen Skill-Profilen ermöglicht.

Aviya Maimon, Amir DN Cohen, Gal Vishne, Shauli Ravfogel, Reut Tsarfaty2026-06-12💬 cs.CL

ChiKhaPo: A Large-Scale Multilingual Benchmark for Evaluating Lexical Comprehension and Generation in Large Language Models

Das Papier stellt ChiKhaPo vor, einen groß angelegten multilingualen Benchmark, der über 2700 Sprachen mit acht Teilaufgaben abdeckt, um die lexikalischen Verständnis- und Generierungsfähigkeiten großer Sprachmodelle zu bewerten, wobei aufgezeigt wird, dass selbst modernste Modelle mit der grundlegenden linguistischen Kompetenz in der überwiegenden Mehrheit der geschriebenen Sprachen der Welt kämpfen.

Emily Chang, Niyati Bafna2026-06-12💬 cs.CL

CuMA: Aligning LLMs with Sparse Cultural Values via Demographic-Aware Mixture of Adapters

Das Papier schlägt CuMA vor, ein demografiewahrnehmendes Mixture-of-Adapters-Framework, das den „Mean Collapse“ in großen Sprachmodellen mildert, indem es widersprüchliche kulturelle Gradienten in spezialisierte Experten-Subräume entkoppelt und dadurch eine Spitzenleistung bei der Ausrichtung von Modellen an vielfältigen kulturellen Werten erzielt.

Ao Sun, Xiaoyu Wang, Zhe Tan, Yu Li, Jiachen Zhu, Shu Su, Yuheng Jia2026-06-12💬 cs.CL

Two Wrongs, No Right: Auditing Social-Desirability Bias in LLM Annotators for Computational Social Science

Diese Arbeit zeigt, dass Open-Source-LLM-Annotatoren, die in der Computergestützten Sozialwissenschaft eingesetzt werden, vielfältige und unvorhersehbare Social-Desirability-Biases aufweisen, die über verschiedene Prompting-Strategien hinweg bestehen bleiben und oft zu irreführenden Aggregatmetriken führen können, die substanzielle empirische Schlussfolgerungen grundlegend verzerren können.

Varun Kotte2026-06-12💬 cs.CL

Occupational Prompting Reveals Cultural Bias in Large Language Models

Diese Arbeit zeigt, dass das Prompten von Open-Weight-Large-Language-Models mit beruflichen Identitäten anstelle von nationalen Identitäten strukturierte kulturelle Biases und distinkte Wertabweichungen innerhalb eines weitgehend westlich orientierten kulturellen Raums offenbart, was darauf hindeutet, dass berufliche Rollen nicht-neutrale Wertmuster in KI-Antworten hervorrufen.

Maksim E. Eren, Andrea Brennen, Ryan C. Barron, Eric Michalak2026-06-12💬 cs.CL

Identifiability Without Gaussianity: Symbolic World Models and Near-Infinite Temporal Consistency

Dieses Paper führt die Physics-Grounded Symbolic Architecture (PGSA) ein, um zu beweisen, dass die symbolische Erdung in kausalen Dynamiken eine exakte lineare Identifizierbarkeit und eine nahezu unendliche zeitliche Konsistenz für nicht-gaußsche Systeme ermöglicht und damit die grundlegenden Einschränkungen statistischer Weltmodelle überwindet, welche auf Gauß-Prozesse beschränkt sind.

Seth Dobrin, Łukasz Chmiel2026-06-12📊 stat

EDEN: A Large-Scale Corpus of Clinical Notes for Italian

Das Papier stellt EDEN vor, das größte frei verfügbare Korpus an anonymisierten italienischen klinischen Notizen aus Notaufnahmen, welches etwa 4 Millionen Datensätze sowie eine manuell annotierte Teilmenge umfasst, die zur Unterstützung der Entwicklung von Large Language Models und zur Benchmark-Bewertung strukturierter Informationsextraktionsaufgaben konzipiert wurde.

Tiziano Labruna, Guido Bertolini, Pietro Ferrazzi, Bernardo Magnini2026-06-12💬 cs.CL