255 Arbeiten
Das Paper stellt NeuralOS vor, ein neuronales Framework, das mithilfe eines rekurrenten neuronalen Netzwerks und eines diffusionsbasierten Renderers grafische Benutzeroberflächen von Betriebssystemen direkt aus Benutzereingaben simuliert und dabei auch nicht installierte Anwendungen durch synthetische Trainingsdaten nachbilden kann.
Die Studie stellt TRACE vor, ein halbautomatisiertes KI-gestütztes Framework zur fairen und skalierbaren Bewertung individueller Beiträge in kollaborativen Informatik-Projekten durch die Analyse von Repositorys und Kommunikation, das in einer Pilotstudie hohe Übereinstimmung mit Dozentenbewertungen und eine Entlastung des Lehrpersonals zeigte.
Diese Studie stellt einen agenten XAI-Rahmen vor, der SHAP-Erklärungen durch iterative Verfeinerung mittels multimodaler LLMs verbessert, wobei Experten- und KI-Evaluierungen zeigen, dass die Erklärungsgüte in den ersten Verfeinerungsrunden signifikant steigt, jedoch bei übermäßiger Iteration aufgrund eines Bias-Varianz-Kompromisses wieder abfällt, was die Notwendigkeit eines strategischen Early Stopping für optimale praktische Nutzbarkeit unterstreicht.
Die Studie zeigt, dass das Lernen durch Large Language Models weniger von der Qualität der Erklärungen abhängt, sondern vielmehr ein interaktives Ergebnis ist, bei dem das kognitive Engagement der Nutzer und deren politische Selbstwirksamkeit entscheidend für Wissens- und Vertrauensgewinne sind.
Die Studie zeigt, dass zwar proprietäre Large Language Models mit einfacher Prompting-Strategie nahezu menschliche Qualität beim automatischen Nachbearbeiten von Übersetzungen erreichen, sie jedoch dokumentenbezogene Kontextinformationen kaum nutzen und aufgrund hoher Kosten sowie Latenz für den praktischen Einsatz ungeeignet sind.
Die Studie zeigt, dass feinabgestimmte kleine Sprachmodelle (SLMs) eine effiziente und genaue Lösung für die Echtzeit-Rollenklassifizierung in der Mensch-Roboter-Interaktion darstellen, wobei jedoch eine Leistungsverschlechterung bei One-Shot-Modi aufgrund von Kontextlängenbeschränkungen festgestellt wurde.
Dieser Artikel untersucht die strukturellen Eigenschaften der Collatz-Iteration durch Phänomene wie modulares Scrambling und eine Burst-Lücken-Zerlegung, leitet daraus theoretische Ergebnisse über die Konvergenz ab und dokumentiert gleichzeitig den kollaborativen Entwicklungsprozess zwischen Mensch und KI.
Die Studie zeigt, dass KI-vermittelte Dialoge im Vergleich zum reinen Lesen die Fähigkeit zur Erkennung von Ableismus verbessern, wobei inklusive oder selbstgesteuerte Ansätze ein ausgewogeneres Ergebnis liefern als direkte Voreingenommenheits-Nudges, die zwar die Unterscheidungsfähigkeit schärfen, aber die allgemeine Negativität erhöhen.
Die Arbeit stellt die „Ghost Framing Theory" vor, die erklärt, wie hybride Ensembles aus Gründern, Investoren und generativer KI durch spezifische rhetorische Affordanzen und iterative Prozesse die Legitimation neuer Unternehmen in einer Ära zunehmend unsichtbarer KI-Nutzung neu definieren.
Die Studie zeigt, dass das in einer früheren Veröffentlichung berichtete Versagen von KI-Triage-Systemen bei der Erkennung von Notfällen primär auf den unpassenden, prüfungsähnlichen Evaluierungsformaten beruht und nicht auf mangelnden Fähigkeiten der Modelle, da natürlichere Interaktionsformen die Genauigkeit signifikant verbessern.
Eine Feldstudie auf der Plattform DiagnosUs zeigt, dass ein ausgewogenes Feedback, probabilistische Befragung und eine nachgelagerte Kalibrierung kognitive Verzerrungen bei der menschlichen Annotation seltener Ereignisse reduzieren und die Zuverlässigkeit nachgeschalteter KI-Modelle signifikant verbessern.
Die Studie identifiziert ein neues Versagensmuster namens „Helicoid-Dynamik" in führenden LLMs, bei dem diese unter hohen Risiken zwar Fehler erkennen, aber dennoch in wiederkehrenden, fortschrittlicheren Irrtümern verharren, weil sie bei unüberprüfbaren Entscheidungen Komfort über Zuverlässigkeit stellen.
Diese Studie analysiert auf Basis von Interviews mit Branchenakteuren, wie sich im automatisierten Übersetzungssektor menschlicher und technologischer Wert neu verhandeln, wobei Effizienz zur Basiserwartung wird und Anpassungsfähigkeit als zentrale, vermittelnde Kompetenz für Übersetzer hervortritt.
Dieser Perspektivartikel stellt das Paradigma der „Simulation im Loop" vor, das durch das Explorieren simulierter Zukunftsszenarien die menschlich-agnostische Zusammenarbeit von reaktiver Kontrolle zu proaktiver Voraussicht transformiert.
Diese Arbeit erweitert das Konzept des Informationssinns um ein sequenzielles Entscheidungsmodell unter Gedächtnisbeschränkungen, das das trial-and-error-Verhalten von Nutzern bei der Navigation durch vorschnelle Linkauswahl und Rückwärtsbewegungen erklärt.
Diese Studie untersucht die Machtverhältnisse zwischen Designern und KI-Systemen wie LLMs und schlägt vor, dass Designer ihre kreative Handlungsfähigkeit durch Selbstreflexion, ein tiefes Verständnis der Technologie und die bewusste Gestaltung der Mensch-Maschine-Beziehung zurückgewinnen können.
Die Studie stellt mit LMP2 ein browserbasiertes Selbstaudit-Tool vor und identifiziert anhand zweier Nutzerstudien sowie einer Evaluierung verschiedener LLMs sowohl die Fähigkeit von Modellen, personenbezogene Merkmale vorherzusagen, als auch neun zentrale Hindernisse für die Entwicklung zuverlässiger, menschenzentrierter Datenschutzprüfungen im Bereich der generativen KI.
Die Autoren stellen MHDash, eine Open-Source-Plattform vor, die eine feinkörnige, risikobewusste Evaluierung von KI-Assistenten im Bereich der psychischen Gesundheit ermöglicht und dabei aufzeigt, dass herkömmliche Benchmarks für sicherheitskritische Anwendungen unzureichend sind.
Die vorgestellte Arbeit stellt einen Temporal-Spectral-Fusion-Transformer mit einem subjektspezifischen Adapter (TSformer-SA) vor, der durch die Fusion von zeitlichen und spektralen EEG-Informationen sowie die Nutzung von Vorwissen aus bestehenden Probanden die RSVP-BCI-Decodierungsgenauigkeit auch bei limitierten Trainingsdaten für neue Nutzer signifikant verbessert und die Systembereitstellung beschleunigt.
Die Arbeit stellt ExSampling vor, ein integriertes System aus Aufnahme- und Deep-Learning-Umgebung, das durch automatische Zuordnung von Feldaufnahmen zu Ableton-Live-Spuren die Echtzeit-Performance von Umgebungsgeräuschen sowie die Interaktion zwischen Aufnehmern, Komponisten und Performern ermöglicht.