Can LLMs Identify Tax Abuse?Maryland发表于 2025年8月10日上传于 2025年8月29日本文首次系统评估大型语言模型(LLMs)识别、验证及生成美国税务避税策略的能力,基于专门构建的Shelter Check数据集进行测试。结果显示,主流模型在分析法律条款及验证策略目标方面表现中等,生成完整有效策略概率不足三分之一,然而o1-preview模型成功创新了一条全新避税策略,呈现出LLMs推动税务反欺诈的新潜力。
Differential Test Performance and Peer EffectsMaryland发表于 2025年7月3日上传于 2025年7月3日本报告提出基于差分相关学科测试成绩识别同伴效应的策略,通过差分消除共享的被试能力和班级效应,仅保留个体特有的测试误差。利用线性教育生产函数模型及Project STAR数据,从幼儿园到三年级的词汇和阅读测试数据估计,发现同伴效应显著且稳健,表现为同伴质量每增加10分,个体成绩提升2到4分,低于现有文献多数估计,且方法不依赖于随机组分配假设,展现出模型在控制组选择内生性及个体异质性方面的优势