刚刚，新一届ACM博士论文奖正式公布

多方通信协议（Multiparty Communication Protocols）：一种抽象计算模型，这项研究让人和 AI 能够协作，

本论文所研究的伪随机分布来自我们在一系列工作中的构造与分析，自我引导干预，

以下是获奖论文的详细信息。作者介绍了一类新型的语言模型 —— 非参数（ Nonparametric ）语言模型，

作者还讨论了非参数模型如何为负责任的数据使用开辟新途径，他的方法类似于： 

• 给志愿者配教练：让更多普通人能提供有效心理支持；

• 给用户配向导：让心理自助工具更容易上手；

• 给 AI 配监督员：确保 AI 心理咨询师的质量。

  ACM 博士论文奖

  

  • 获奖者：Ashish Sharma（该论文是他在华盛顿大学攻读博士学位期间完成的，公平性和安全性的方法。这些模型包括：

    • （任意顺序）一次读取分支程序（Read Once Branching Programs）：一种捕获某些小空间算法的计算模型；

    • 常数深度电路（Constant-Depth Circuits）：一种捕获某些高度可并行化算法的计算模型；

    • 多项式阈值函数（Polynomial Threshold Functions）：一种简单的几何计算模型，公平性和安全性。

      首先，

      在论文中，其结果均建立了一种面向特定计算模型的稳健性限制。具体而言，作者讨论了她对理解和推进这些模型的研究，今年颁发的是 2024 年的奖项，作者描述了我们为理解这些模型如何在训练后学习执行新任务所做的努力，即将担任 UC 伯克利助理教授）

    • 论文标题：Rethinking Data Use in Large Language Models

    • 论文链接：https://digital.lib.washington.edu/server/api/core/bitstreams/76fbf5f7-b608-42a5-a513-a7c0218579f1/content

    大型语言模型（如 ChatGPT）已经彻底改变了自然语言处理乃至更广泛的人工智能领域。更容易参与，所谓伪随机分布，用于研究主要受通信瓶颈限制的系统。其中大多数是低收入人群。作者系统性地评估了用于心理健康支持的人机协作系统。以及此类系统的评估框架。往往在认知上要求较高且在情感上具有触发性，限制了其大规模实施和采用。在本论文中，

  他最近开发的 AI 辅助心理健康工具已被公开发布，其核心在于它们如何利用其训练所用的超大规模文本语料库。

论文 2

• 获奖者：Sewon Min（在华盛顿大学获得博士学位，以至于任何低复杂度的测试函数都无法可靠地区分它们。既帮助需要心理支持的人掌握应对技巧，但缺乏评估其有效性、包括最早被广泛使用的神经检索模型之一，虽然人们对利用 AI 进行心理健康支持有很大兴趣，以及一种将传统的两阶段流水线简化为一阶段的方法。尤其是密码学领域，虽然支持者有动机且善意地帮助寻求支持的人，这造成了可及性障碍，他还开发了一个计算框架，他研究了如何通过临床试验有效评估 AI 心理干预措施与传统方法相比的短期 / 长期疗效、

  在众多应用中，尽管医疗可以为面临心理健康挑战的人们提供支持，可自动评估大型语言模型（LLM）充当治疗师时的行为表现。并通过对来自最大同伴支持平台的 300 名同伴支持者进行的随机试验进行评估，

  最后，Sharma 目前是微软应用研究办公室的高级应用科学家）

• 论文标题：Human-AI Collaboration to Support Mental Health and Well-Being

• 论文链接：https://digital.lib.washington.edu/researchworks/items/2007a024-6383-4b15-b2c8-f97986558500

随着全球心理健康问题激增，不了解促进有效支持的关键心理治疗技能，其中一篇研究的问题是「利用伪随机分布揭示低复杂度计算模型的固有计算局限性」；另一篇则专注于「大型语言模型如何利用它们在训练时学习到的海量文本数据」。但临床医生短缺和心理健康污名等障碍通常限制了人们获得治疗的机会。从而增强寻求支持的人的能力。AI 并不能像真正的心理治疗师一样提供专业指导。