文献追踪日报

蕴含树生成是可解释问答中的关键方法，为多步推理提供结构化方式并构建可解释的推理链。现有模型已探索模块化框架和大语言模型等先进技术，但事实选择噪声与逻辑不一致的结论生成仍是关键挑战。为此提出 MCCL 框架，引入多事实对比选择模块识别语义、结构和推理相关的事实集，并采用基于大语言模型的一致性推理模块确保连贯的推理路径与逻辑一致的结论。在 EntailmentBank 基准上的实验表明，MCCL 在准确性与树正确性上均优于所有基线模型，三项任务中整体树准确性分别提升 2.5%、2.6% 和 16.5%。

随着大语言模型的快速发展，AI 生成文本检测成为自然语言处理领域的重要挑战。本文提出一种基于多尺度特征融合与持续学习的动态框架，利用弹性权重巩固（EWC）机制实现模型的持续学习与动态更新，以识别由多个大语言模型生成的文本。该框架通过融合不同尺度的文本特征提升检测精度，并在持续学习过程中缓解灾难性遗忘问题，为生成式人工智能时代的文本溯源与内容治理提供了有效技术方案。

人工智能的快速发展推动了该领域的显著进步。一个有前景的研究方向是大语言模型能否与结构化知识系统整合，该方法旨在结合大语言模型的生成式语言理解能力与精确的知识表示系统。本文综述了大语言模型与知识库之间的关系，考察其实际应用，并讨论了相关的技术、运营和伦理挑战。通过对文献的全面梳理，本研究识别了重要问题并评估了现有解决方案，展示了将生成式人工智能融入结构化知识库系统在数据情境化、模型准确性和知识资源利用方面的优势。研究结果全面呈现了当前研究现状，指出了主要空白并提出了有益的发展路径。

大语言模型因其在各类自然语言处理任务中的卓越表现而备受关注。近期研究表明其有望超越现有文本匿名化方法，但需要客观评估来验证这些说法。为此，本研究引入一个综合评估框架，自动评估隐私保护与效用保留，无需依赖人工标注的真实数据。此外，研究深入分析了迄今提出的基于大语言模型的文本匿名化方法，并基于发现的优势与不足提出一种提升匿名化质量的新方法。报告了基于大语言模型方法与多种传统技术（包括基于命名实体识别和面向隐私保护数据发布的方法）之间的广泛实验对比。结果表明，基于大语言模型的方法在隐私与效用方面均有效超越传统方法。

面向相互依赖基础设施网络恢复的各类工具（如评估设施重要性、确定恢复顺序、分配资源等）已面向人类用户开发，但这些工具缺乏任务求解能力，依赖人类选择与执行来完成特定任务。为此，本研究提出 TTT（工具包、TS-ReAct 智能体、任务集）框架，开发能够像人类一样智能使用基础设施恢复工具的智能体。框架包含三个部分：包含恢复工具及相应工具知识图谱的工具包、由 8 个大语言模型驱动以操控恢复工具的 TS-ReAct（工具选择-推理-行动）智能体，以及用于评估和比较智能体性能的任务集。结果表明，表现最佳的大语言模型驱动智能体任务成功率高达 1.0，遵循 TS-ReAct 模式的智能体相比传统 ReAct 模式任务成功率提高 82.2%、多余步骤减少 88.7%。

货币政策是否通过中间品市场传导？通过分析美国企业关联数据，本文发现上下游企业的财务健康在货币政策传导中发挥关键作用。估计结果表明，紧缩性货币政策会导致下游和上游受融资约束企业的需求与供给收缩，这些收缩形成瓶颈，迫使“中间”关联企业削减自身经营活动。总体而言，来自受约束交易伙伴供需变化的“瓶颈效应”对企业经营的影响，大于企业自身财务状况的影响。本文为理解货币政策沿供应链传导的微观机制与瓶颈来源提供了新的证据。

电商平台上的中小企业卖家常面临资金约束，难以获得传统银行贷款，使得贸易信用融资（TCF）和平台信用融资（PCF）成为关键替代方案。本研究针对包含制造商、资金受限零售商和平台的电商供应链建立博弈模型，考察两种融资方式的比较效率。分析表明，零初始资本的零售商完全偏好 PCF，而具有正资本的零售商在高佣金率或中等佣金率伴随高生产成本下偏好 PCF，否则偏好 TCF。有趣的是，只要佣金率或批发价不过高，平台和制造商都倾向于充当资金提供者而非采取搭便车策略。通过建模各方战略互动，研究进一步识别融资均衡：当佣金率低、或佣金率中等且批发价高时，TCF 成为稳定结果；反之，当佣金率高、或佣金率中等且批发价低时，PCF 成为均衡。

过度自信是一种认知偏差，即认为不确定事件比实际更确定。这种偏差在依赖融资（银行融资或贸易信用融资）经营的小型零售商中普遍存在。本研究考察应使用哪种融资方式为过度自信的零售商融资。研究发现，较高的过度自信水平在银行融资下损害零售商，但在贸易信用融资下不损害零售商；在任一融资方式下，较高的过度自信水平都能使供应链受益。进一步发现，当零售商过度自信水平较低时，制造商应提供贸易信用融资，反之则不提供；当过度自信水平较高时，贸易信用融资将为零售商和供应链带来比银行融资更高的期望利润。

品牌文献中明显缺乏对社交媒体促成的品牌间（Br2Br）界面的研究。本文提出网络化品牌作为行动者如何整合其资源，通过 Br2Br 互动共创消费者-品牌价值。作为补充贡献，作者对 Br2Br 互动对消费者-品牌评价和社交媒体参与的价值共创影响进行了实证基线探索。研究采用三股研究流来概念化 Br2Br 互动的价值共创过程，随后通过一项使用受控 Br2Br 互动刺激的 2×2×2 组间设计探索性研究，操纵品牌熟悉度和产品品类互补性，并运用结构方程模型分析互动溢出效应。结果表明，Br2Br 互动正向影响消费者-品牌评价和社交媒体参与可能性，这些互动的溢出效应对两个品牌的消费者-品牌评价是对称的；然而，品牌熟悉度调节了 Br2Br 互动对消费者-品牌评价的影响。

本研究考察品牌传承对 Z 世代在耐用消费品市场购买意愿的影响，强调品牌熟悉度的中介作用。研究借鉴社会学习理论、怀旧理论和记忆理论，探讨继承的品牌属性如何与 Z 世代对真实性、创新和数字参与的价值取向相互作用。基于对 80 名参与者的定性洞察，结果表明品牌传承强烈影响购买决策，而品牌熟悉度显著中介了这一关系；怀旧的影响较小，反映了代际的转变。研究为传统品牌将品牌遗产与数字化优先的品牌战略相结合提供了战略启示。

增强现实技术的进步提升了人们对通过创造 AR 增强型品牌体验来提升品牌资产的兴趣。然而，尽管 AR 品牌化具有潜力，关于 AR 特征构建品牌资产所需底层机制的知识仍然有限。为此，本研究基于具身认知理论，考察设计 AR 特征如何提升品牌资产，特别是通过 AR 增强的身体-环境交互的生动体验。研究聚焦于环境性 AR 特征（环境嵌入 EE）和物理性 AR 特征（模拟物理控制 SPC）。通过对 297 名参与者的 2（高/低 EE）×2（高/低 SPC）组间实验进行协方差分析和结构方程建模，考察 AR 特征、生动性与品牌资产之间的关系，并检验先前 AR 经验的调节作用。结果支持大多数假设，即生动性体验是连接 AR 特征与消费者品牌资产的关键中介。研究结果证实了先前 AR 经验在调节中介模型中的作用，表明 AR 增强的品牌资产主要发生在技术娴熟的 AR 消费者中。