文献追踪日报

随着大型语言模型（LLM）的发展，AI驱动问答领域显著演化——从擅长文本理解与检索的BERT等Transformer模型，到生成上下文响应的ChatGPT与T5等生成式模型。在专业领域内，AI驱动问答系统借助机器学习、自然语言处理与基于知识的方法，使机器能够检索并生成精确答案。本综述旨在对AI驱动问答系统进行结构化分析，回答三类关键研究问题：如何按分类体系、领域与架构对问答系统分类？生成式AI与基于知识的方法有何最新进展？准确性、生成模型幻觉与伦理关切等关键挑战为何？综述提出了明确的分类体系，将问答系统分为单语、跨语与多语框架，并区分开放域与封闭域方法；通过系统分析检索式、混合式与生成式模型对问答性能的影响扩展了以往综述；此外还考察了数据集偏差、推理局限等关键挑战。

大型语言模型（LLM）的出现从根本上重新定义了人工智能的格局，在自然语言理解、生成与推理方面提供了非凡的能力。在推荐系统领域，这些进步为推荐算法带来了新的机遇。本文对未微调LLM在推荐系统中的应用进行了系统而深入的考察，全面梳理了当前的方法体系、面临的挑战与未来研究方向，旨在弥合LLM技术快速进步与其在推荐系统实际应用之间的鸿沟，为该新兴领域的研究提供路线图。

大型语言模型（LLM）在许多领域已达到甚至有时超过人类表现。本研究探讨LLM增强人类预测判断的潜力，评估两种LLM助手对人类预测者的影响：一种被设计为提供高质量（'超级预测'）建议，另一种被设计为过度自信且忽视基准概率、从而提供噪声预测建议。研究者将这些助手的使用者与接受较落后模型（无此类增强）的对照组进行比较，检验LLM助手能否以及如何提升人类预测准确性，为人机协作预测实践提供了证据。

本文研究如何利用LLM的代码生成能力，通过对话式用户界面（CUI）支持探索性可视化分析（EVA）。研究者开发了一个技术探针，通过两项研究共部署给50名数据工作者，探索EVA中可视化分析对话的结构与流程。采用主题分析对两项研究的对话进行分析，得出状态转换图：总结了参与者话语四种状态（分析任务、编辑操作、阐述与丰富、指令命令）与生成式AI代理响应两种状态（可视化、文本）之间的对话流。文章根据各状态及状态间转换描述了GenAI代理的能力与局限，并将其归纳为三个并行循环：分析阐述、细化与解释。最后，文章讨论了改善数据工作者使用GenAI体验的未来研究方向。

在当今数字环境中，网络安全是抵御勒索软件攻击、国家资助间谍活动等不断演变威胁的基石。随着对互联系统依赖的加深，面对复杂威胁的脆弱性日益凸显。生成式AI作为强大工具应运而生，有望彻底改变网络安全策略：其算法与模型能够生成往往与人类数据难以区分的新内容，不仅可用于创造性内容生成，也适用于攻防两端的网络安全应用。本文探索生成式AI与网络安全的交叉领域，对生成式AI技术的现状及其在网络安全中的实际应用进行批判性分析，深入考察生成对抗网络（GAN）与变分自编码器（VAE）等关键方法，评估其应对网络安全挑战的有效性，并通过综合审视现有文献、案例研究与新兴趋势提出洞见。

目的：银行业运营与先进技术的融合已超越技术层面，标志着通过战略性服务交付实现以客户为中心的银行体验的转变。本研究考察AI整合银行服务与企业声誉对客户评估数字化银行服务（DBS）及推荐意愿的影响，并检验DBS评估的中介作用，比较不同金融素养与促销态度客户群体之间的差异。方法：基于目标框架理论（GFT），采用偏最小二乘结构方程模型（PLS-SEM）与多组分析，对758名DBS用户数据进行检验。结果：AI整合服务与企业声誉显著影响客户对DBS的评估，并对推荐意愿产生直接与间接效应；AI整合服务的影响完全由DBS评估中介。多组分析进一步显示，金融知识较低的客户更依赖企业声誉，而促销态度较高的客户对AI整合服务更敏感。

目的：在快速数字化转型时代，理解金融创新对增强银行稳定性的作用，对新兴经济体政策制定者与监管者日益重要。本研究考察新兴市场金融创新对银行稳定性的影响，关注技术进步在不同地区与制度环境下如何影响风险与稳定性。方法：利用2014-2023年91个国家2461家银行的综合数据集，分析ATM、POS、网银、国家电子资金转账（NEFT）与移动支付（MMO）等关键金融创新对银行稳定性（以Z值衡量）与风险（以不良贷款衡量）的影响，采用先进计量方法确保稳健性并处理内生性。结果：金融创新显著增强银行稳定性并降低风险，该效应在监管框架先进的欧洲与拉美地区更为显著；监管质量与腐败控制等制度因素进一步放大收益；金融创新尤其是数字渠道对后疫情时期银行稳定至关重要；大型银行、低杠杆银行与国有机构获益最多。

本文考察第三方审计师责任（TPAL）风险对企业商业信用政策的影响。利用美国各州TPAL风险交错变化作为准自然实验，研究发现：TPAL风险较高的州的企业会增加商业信用使用。该关系在信息环境更好、财务约束更强以及审计师诉讼风险敞口更大的企业中更为显著。总体而言，本文为TPAL如何影响企业的短期融资需求提供了证据，深化了对审计师责任制度与供应链金融之间关联的理解。

随着电子商务的快速增长，电子商业平台（EB）融资成为面临资金约束的在线零售商的创新解决方案。本研究构建Stackelberg博弈框架，分析两级电商供应链中的战略融资决策：作为领导者的电子商业平台（EBP）通过设定融资利率发挥主导作用，而资金受限且损失厌恶的在线零售商（LOR）作为跟随者，在行为风险偏好下优化订货量与融资参与决策。研究建立层次博弈框架考察EBP与LOR之间的战略互动并给出均衡结果，推导出融资利率与订货策略的最优决策。结果表明：当零售商初始资本增长时，其外部融资需求相应下降，因破产风险降低而导致订货量变小；此外，损失厌恶程度越高，零售商越倾向于减少订货并回避融资，反映出风险敏感行为。研究还通过全面的数值分析探讨更多管理启示，为资本可用性与损失厌恶等行为因素如何塑造EB融资环境中的决策提供了洞见。

本文对CEO幽默表达如何影响信息中介对组织的社交评价进行理论化分析。文章区分四种CEO幽默类型——亲和型、自我提升型、自我贬损型与攻击型——提出每种类型会在信息中介中诱发不同的心智状态与对CEO的归因。核心观点是：CEO幽默的最终影响源于这些主要效应的组合、其与信息中介关于CEO基本职能、任务与社会地位的图式的（不）一致，以及所关注社交评价构念独特的社会认知性质与内容。该框架被应用于社交认可、组织声誉与组织合法性三类评价构念：亲和型与自我提升型CEO幽默总体上增强认可、声誉与合法性；自我贬损型削弱三者；攻击型影响混合——削弱社交认可与合法性但增强声誉。通过概念化CEO幽默这一此前理论化不足却至关重要的CEO社交行为要素，本文为高管沟通、社交评价、战略领导与组织幽默的学术对话做出贡献。

大多数组织污名研究聚焦于既存污名，对污名化过程如何展开的探讨相对缺乏；少数组织污名化研究也未充分探索污名施加者与承受者之间的动态以及政府的角色。本文通过归纳方法，依托档案数据、在线来源与访谈，阐明2012年《外国代理人法》通过后俄罗斯非政府组织（NGO）自上而下污名化的过程，揭示威权政府通过重新启用历史标签'外国代理人'对特定NGO进行蓄意污名化。文章提出污名化的三阶段过程模型：污名化标签出现、污名执行与抗争、污名扩散，并详述政府交替使用负担、隔离与恐吓执行策略的方式，以及受污名组织制定的应对策略：坚持、调整、抗辩与规避。该过程的结果是污名化对象范围与标准扩大、NGO生存状态不稳定。研究强调权力失衡、国际机构行动有限与媒体关注滞后等关键作用，并讨论了这些发现在威权政体之外的普遍适用性。

本文对企业家选择其企业产品进行商标注册的决策进行理论建模，分析商标数量与风险投资（VC）分轮注资、长期经营绩效以及成功退出概率之间的关系，并利用美国VC支持的私人企业注册的大型商标数据集检验模型预测。研究发现：在首次VC投资时拥有更多商标的企业，其VC融资轮次更少；拥有更大的长期销售额与就业规模；具有更高的成功退出（IPO或被收购）概率。这些结果说明商标注册作为企业质量与品牌资产的信号，在创业融资市场中发挥着重要作用。