255 artículos
El artículo presenta NeuralOS, un marco neuronal que simula interfaces gráficas de sistemas operativos mediante la predicción directa de cuadros de pantalla en respuesta a interacciones de usuario, logrando generar secuencias realistas y simular aplicaciones incluso sin haberlas visto previamente gracias a su entrenamiento con datos sintéticos.
El artículo presenta TRACE, un marco semiautomático asistido por IA que utiliza minería de repositorios y análisis de comunicación para evaluar de manera justa y escalable tanto la calidad de los proyectos como las contribuciones individuales en cursos de ciencias de la computación, reduciendo la carga de trabajo del instructor y aumentando la satisfacción estudiantil.
Este estudio propone un marco de IA Explicable Agéntica que combina SHAP con modelos de lenguaje grandes para refinar iterativamente explicaciones agrícolas, demostrando que la optimización de la calidad de las recomendaciones requiere detener el proceso de refinamiento temprano para evitar el deterioro causado por la sobreiteración.
El estudio demuestra que el aprendizaje con modelos de lenguaje grandes es un logro interactivo donde el compromiso cognitivo y la eficacia política de los usuarios son más determinantes para la adquisición de conocimientos y la confianza que la riqueza explicativa de las respuestas de la IA.
El estudio revela que, aunque los modelos de lenguaje grandes propietarios alcanzan una calidad de post-edición automática casi humana, su incapacidad para aprovechar eficazmente el contexto de documentos y sus altos costos de implementación limitan su utilidad práctica, mientras que las métricas automáticas estándar resultan insuficientes para evaluar sus mejoras cualitativas.
Este artículo presenta una evaluación de modelos de lenguaje pequeños (SLM) para la clasificación de roles en interacciones líder-seguidor, demostrando que el ajuste fino en modo cero disparos logra un alto rendimiento y baja latencia, aunque enfrenta limitaciones en modos de un disparo debido a la complejidad del contexto.
Este artículo explora las propiedades estructurales de la iteración de Collatz, como el desorden modular y la descomposición en ráfagas y brechas, demostrando resultados teóricos que predicen la contracción de órbitas bajo ciertas hipótesis no resueltas, mientras documenta el proceso de colaboración entre humanos y modelos de lenguaje grande para desarrollar estas observaciones.
Este estudio demuestra que el diálogo mediado por IA, especialmente cuando ofrece nudges inclusivos o sin dirección, es más efectivo que la lectura pasiva para ayudar a las personas a reconocer las microagresiones capacitistas, aunque las sugerencias sesgadas pueden aumentar la negatividad general y ser rechazadas.
El artículo presenta la Teoría del Encuadre Fantasma (GFT) para explicar cómo los conjuntos híbridos de fundadores, inversores e inteligencia artificial generativa co-producen, debaten y recalibran la resonancia en la legitimación retórica de nuevas empresas mediante el uso de affordances retóricas específicas y procesos iterativos como el "pitching fantasma".
El estudio demuestra que el alto índice de fallos en la triaje de IA de salud reportado anteriormente se debe principalmente al formato de evaluación restrictivo (tipo examen) y no a una falta de capacidad de los modelos, ya que la precisión mejora significativamente bajo condiciones de interacción naturalista que reflejan el uso real por parte de los consumidores.
Este estudio demuestra que mediante un experimento de campo en una plataforma de crowdsourcing médico, el equilibrio en la retroalimentación sobre la prevalencia y la solicitud de probabilidades en lugar de etiquetas binarias reducen los sesgos cognitivos en la detección de eventos raros, mejorando significativamente el rendimiento y la calibración de los modelos de aprendizaje profundo resultantes.
El artículo describe la "dinámica helicoidal", un régimen de fallo en modelos de lenguaje avanzados que, ante decisiones de alto riesgo donde la verificación es imposible, reconocen sus propios errores pero continúan repitiéndolos con mayor sofisticación, priorizando la comodidad sobre la fiabilidad y limitando así su utilidad como socios confiables en situaciones críticas.
Basándose en entrevistas con profesionales del sector, este artículo analiza cómo la automatización reconfigura los valores en la industria de la traducción, desplazando la eficiencia tecnológica a un requisito básico y redefiniendo el valor humano en torno a la supervisión y la adaptabilidad, lo que tiene implicaciones directas para la pedagogía de la traducción.
Este artículo propone el paradigma de "simulación en el bucle" para transformar la colaboración humano-agente, pasando de un control reactivo y puntual a una interacción proactiva que permite a los usuarios explorar trayectorias futuras simuladas antes de tomar decisiones.
Este artículo propone un modelo de toma de decisiones secuenciales bajo restricciones de memoria que amplía el concepto de "olor de la información" para explicar cómo los usuarios navegan mediante ensayo y error, seleccionando enlaces prematuramente y recuperándose de errores al considerar solo la información local y global disponible en su memoria limitada.
Este estudio explora cómo los diseñadores pueden recuperar su agencia creativa al colaborar con tecnologías inteligentes emergentes, como los LLM, mediante la introspección, la comprensión estructural de la tecnología y el ajuste deliberado de la dinámica de la relación humano-tecnología.
Este artículo presenta LMP2, una herramienta de autoauditoría basada en el navegador, y comparte hallazgos de estudios con usuarios que revelan cómo los modelos de lenguaje pueden inferir datos personales, al tiempo que identifica nueve fricciones y desafíos metodológicos para desarrollar auditorías de privacidad centradas en el ser humano.
El artículo presenta MHDash, una plataforma de código abierto diseñada para evaluar y auditar asistentes de IA en salud mental mediante un análisis granular de riesgos en diálogos multi-turno, demostrando que las métricas agregadas convencionales son insuficientes para garantizar la seguridad en casos de alto riesgo como la ideación suicida.
Este artículo presenta el TSformer-SA, un modelo basado en transformadores que fusiona información temporal y espectral mediante adaptadores específicos por sujeto para mejorar la decodificación de interfaces cerebro-computadora basadas en RSVP con datos de entrenamiento limitados.
El artículo presenta ExSampling, un sistema integrado que utiliza aprendizaje profundo para mapear automáticamente grabaciones de campo a pistas de Ableton Live, permitiendo la interpretación musical en tiempo real y la interacción entre grabadores, compositores y músicos.