这项最新调查劝退效果拉满：67% 的 NLPer 怀疑自己的研究没价值(3)

Q1-6：评审期间，作者匿名可保证对研究的传播进行限制。

ACL 会议的匿名政策比许多其他会议（如 NeurIPS、ICLR 和 ICML）要严格得多。调查表明，尽管争议很多，但 NLP 社区总体上是支持这一政策的， 63% 的人认为匿名可以保证限制预印本的传播）。这个问题也显示出了明显的性别差异，有 77% 的女性表示同意，只有 58% 的男性表示同意。

规模化、归纳偏差和来自临近领域的启发

规模最大化是终极方案吗？

Q2-1：规模化（scaling）实际上可以解决任何重要问题。

强化学习之父 Richard Sutton 在其文章 “The Bitter Lesson”中曾发表一个广为人知的观点：利用计算的一般方法最终是最有效的，而且效率提升幅度会非常大。在这种观点下，模型做得越来越大，研究者期望在有足够训练数据和模型容量的情况下，与引入语言结构或专家设计的归纳偏差相比，使用更少的、更通用的原则性学习机制是更优的方案。 然而，这项调查的结果表明，NLP 研究者对 Sutton 这种观点的认可程度实际上远远低于预期。仅有 17 % 的人同意或弱同意：鉴于本世纪算力和数据的可能发展程度，扩大现有技术的实施规模将足以解决 NLP 的所有重要问题。在人人似乎都对大模型趋之若鹜的当下，这个数字是极低的。 语言理论和归纳偏差的价值

Q2-2：以语言理论为基础的语言结构的离散表示（如词义、句法或语义图）对于解决一些重要的现实世界问题或 NLP 中的应用是必要的。

Q2-3：专家设计的强归纳偏差（如通用语法、符号系统或受认知启发的计算原语）对于解决一些重要的现实世界问题或 NLP 中的应用是必要的。

Q2-4：到 2030 年，被引用次数最多的五个系统中至少有一个可能会从过去 50 年语言学或认知科学研究结果中汲取明确的灵感。