Chronoberg 语料库入选 EMNLP 口头报告：LLM 按现代词义误判历史文本

mundt_martin · x · 2026-10-23

Martin Mundt 团队的 Chronoberg 论文入选 EMNLP 2026 口头报告。该项目构建了 1750–2000 年约 2.5 万本英语书籍、超 20 亿 token 的语料库，并为五个 50 年时段各建了覆盖 30 余万词的情绪词典，其中约四分之一词语的词义发生可测量变化（如 asylum 从 1750 年代的庇护所变为 1950 年代的精神病院）。测试发现，仇恨言论分类器和 LLM 按现代关键词 superficially 判断历史句子：1850 年代关于柴捆的句子因该词今天成了 slur 而被标记；把标记词替换为同时代的无害同义词后，4 个受测 LLM 中 3 个的判定在 50–75% 的被标记句子上翻转。语料库已公开发布，作者希望用于持续学习与终身学习研究。