UMD 团队获 EMNLP 2026 最佳论文：对比人类与 LLM 答题策略

boydgraber · x · 2026-11-10

马里兰大学 CS 系教授 Jordan Boyd-Graber、Rachel Rudinger 与博士生 Neha Srikanth 凭论文《DiscoTrace: Representing and Comparing Answering Strategies of Humans and LLMs in Information-Seeking Question Answering》获 EMNLP 2026（10 月 24-29 日，布达佩斯）最佳论文奖，全场仅两篇入选。

研究不只看答案是否包含正确事实，而是分析回答者如何处理问题：有的答案只回应一种解读，有的会覆盖多种可能、质疑问题前提或请求澄清。项目源于此前关于模糊问题与有瑕疵预设问题的研究，探究 AI 能否识别问题的多重含义以及应如何回应。Boyd-Graber 评价：「AI 的回答像信息垃圾食品——听起来不错，但没做到该做的事」，并解释了为何 AI 答案在不同提问方式下听起来都雷同。