EMNLP  2025

EMNLP 2025, The 2025 Conference on Empirical Methods in Natural Language Processing, 计算机语言学和自然语言处理领域的顶级国际会议，是CCF推荐的B类国际学术会议，在相关领域享有较高的学术声誉。EMNLP 2025 计划于2025年11月5日至11月9日在中国江苏苏州召开。

近日，EMNLP 2025公布了论文录用结果。复旦大学数据智能与社会计算实验室共3篇论文被录用，其中1篇主会长文，1篇Findings长文、1篇主会短文。




UI-Hawk: Unleashing the Screen Stream Understanding for Mobile GUI Agents

作者：张霁雯，余亚奇，廖明辉，李文涛，吴觊豪，魏忠钰

类别：主会长文

合作单位：华为技术有限公司

摘要：图形用户界面（Graphical User Interface, GUI）智能体需要能够在数字设备的屏幕上进行精确操作。现有的 GUI 智能体仅依赖当前的视觉观测和纯文本的动作历史，而忽视了历史屏幕的重要性。为解决这一问题，我们提出了 UI-Hawk，一种专门设计用于处理 GUI 导航过程中屏幕序列的多模态 GUI 智能体。UI-Hawk 引入了一个具备历史感知能力的视觉编码器，以及一个高效的重采样模块，用于处理屏幕序列。为了更好地理解屏幕流，我们定义了四个基本任务，并开发了一种自动化数据构建方法，用于生成 UI-Hawk 的相应训练数据。与此同时，我们创建了一个双语测试基准 FunUI，以定量评估多模态大语言模型（MLLMs）对屏幕理解的基础能力。在 FunUI 以及多个 GUI 导航基准上的大量实验结果一致验证了：理解屏幕序列对于 GUI 任务至关重要。




EcoLANG: Efficient and Effective Agent Communication Language Induction for Social Simulation

作者：牟馨忆，钱忱，刘维，严岭, 胡尧, 黄萱菁，魏忠钰

类别：Findings长文

合作单位：上海交通大学，伦敦国王学院，小红书

摘要：大语言模型（LLMs）已经展现出模拟复杂社会动态的潜力。然而，大规模基于LLM的模拟仍然面临时间和计算成本高昂的重大挑战。我们观察到，当前LLM驱动的智能体的沟通中存在冗余：在表达相同意图时，智能体往往使用冗长且重复的语言，而人类则更倾向于使用最少的精力进行简洁的表达。为此，我们提出 EcoLANG：一种用于社会模拟的高效且有效的智能体沟通语言诱导方法。受人类语言在语言使用、社会互动中不断演化的启发，我们通过在词汇层面识别并保留核心交流概念，并在句子层面通过自然选择演化出高效的表达模式，从而诱导出一种更加紧凑的语言。我们将这种诱导出的语言应用于多种社会模拟中。实验结果表明，EcoLANG 在不牺牲模拟精度的前提下，大幅提升了效率，将 token 消耗降低了20%以上。






SocioBench: Modeling Human Behavior in Sociological Surveys with Large Language Models

作者：王嘉，赵子瑜，倪婷珺陶，魏忠钰

类别：主会短文

合作单位：上海创智学院，同济大学，浙江大学，上海交通大学

摘要：大型语言模型（LLM）在模拟人类社会行为与交互方面展现出良好前景，但在评估其与现实社会态度对齐程度时，仍缺乏大规模、系统构建的评测基准。为弥补这一空白，我们提出了SocioBench—一个源自ISSP [The International Social Survey Programme，这是一个历史悠久的跨国合作项目，由GESIS (Leibniz Institute for the Social Sciences，莱布尼茨社会科学研究所）每年收集的标准化社会调查问卷数据] 的全面基准。该基准汇集了来自30余个国家、覆盖10个社会学议题、包含40余项人口统计学属性标签的48万余条真实受访者调查记录。实验结果显示，当前主流开源、闭源LLMs在复杂的社会调查场景中模拟个体时，准确率仅为30%-40%，且对于不同议题与不同人口子群存在显著性差异。表明当前LLM在社会调查场景下存在个体数据不足，场景丰富度不够，群体建模缺失等问题。


\ | /

★

复旦大学数据智能与社会计算实验室


Fudan DISC


联系方式：disclab@fudan.edu.cn

地址：复旦大学邯郸校区计算中心

内容中包含的图片若涉及版权问题，请及时与我们联系删除