255 articles
Le papier présente NeuralOS, un cadre neuronal qui simule les interfaces graphiques de systèmes d'exploitation en générant directement des images d'écran à partir des entrées utilisateur, en combinant un réseau récurrent pour suivre l'état du système et un générateur de diffusion pour le rendu visuel, démontrant ainsi la capacité d'apprendre à simuler des applications non installées via des données synthétiques.
L'article présente TRACE, un cadre semi-automatisé assisté par l'IA qui évalue à la fois la qualité des projets collaboratifs en informatique et les contributions individuelles des étudiants en exploitant l'analyse des dépôts de code et des communications, offrant ainsi une solution plus équitable, objective et évolutive aux défis d'évaluation dans les grandes classes.
Cette étude propose un cadre d'IA explicable agentic combinant SHAP et des modèles de langage pour affiner itérativement les explications agricoles, démontrant que l'arrêt stratégique des itérations est crucial pour optimiser la qualité des recommandations et éviter la dégradation due à un excès de raffinement.
Cette étude démontre que l'apprentissage via les grands modèles de langage dépend davantage de l'engagement et de l'efficacité politique de l'utilisateur que de la richesse des explications fournies, soulignant la nécessité d'aligner les interactions IA-humain sur l'état d'engagement de l'utilisateur pour favoriser l'acquisition de connaissances et la confiance.
Cette étude révèle que, bien que les LLM propriétaires atteignent une qualité de post-édition automatique quasi humaine, ils échouent à exploiter efficacement le contexte documentaire, souffrent de coûts prohibitifs et nécessitent une évaluation humaine car les métriques automatiques actuelles sont insuffisantes.
Cette étude évalue l'adaptation de modèles de langage de petite taille pour la classification des rôles leader-suiveur en interaction humain-robot, démontrant que le fine-tuning en mode zero-shot offre un compromis optimal entre précision et faible latence par rapport aux approches sans entraînement ou en mode one-shot.
Cet article explore les propriétés structurelles de l'itération de Collatz, notamment le brouillage modulaire et la décomposition burst-gap, en établissant des résultats théoriques sur la contraction des orbites et en documentant le processus de collaboration entre humains et modèles de langage ayant conduit à ces découvertes.
Cette étude démontre que les dialogues médiatisés par l'IA améliorent la reconnaissance des microagressions validistes par rapport à la simple lecture, bien que les incitations biaisées augmentent la négativité globale tandis que les approches inclusives ou autodirigées favorisent un apprentissage plus équilibré.
En réponse à l'utilisation croissante mais invisible de l'IA générative dans le discours entrepreneurial, cet article propose la théorie du « Ghost Framing » pour expliquer comment les ensembles hybrides de fondateurs, d'investisseurs et d'IA co-construisent la légitimité rhétorique des nouvelles entreprises grâce à des affordances rhétoriques spécifiques et à des processus itératifs de « ghost pitching ».
Cette étude démontre que les échecs de triage attribués aux IA de santé grand public résultent principalement de formats d'évaluation artificiels (comme le choix forcé) plutôt que des capacités des modèles, car les interactions naturelles améliorent considérablement la précision du triage.
Cette étude démontre que, dans le cadre de l'étiquetage humain d'événements rares, l'utilisation d'un flux de rétroaction équilibré et d'une elicitation probabiliste, combinées à une recalibration des labels, atténue les biais cognitifs et améliore significativement la fiabilité des modèles d'IA en aval.
Cette étude prospective révèle que les grands modèles de langage, bien qu'identifiant leurs propres erreurs, tendent à reproduire des schémas d'erreurs sophistiqués dans des situations à haut risque où la vérification est impossible, privilégiant ainsi le confort au détriment de la fiabilité.
En s'appuyant sur des entretiens avec des acteurs du secteur, cette étude démontre que l'automatisation ne remplace pas la valeur humaine dans la traduction, mais la redéfinit à travers une interdépendance où l'efficacité technologique et l'adaptabilité professionnelle deviennent les piliers d'une nouvelle éthique de service.
Cet article de perspective propose le paradigme de la « simulation en boucle » pour transformer la collaboration humain-agent en offrant aux utilisateurs une capacité de prévision des trajectoires futures, remplaçant ainsi le contrôle réactif et limité par une exploration éclairée des conséquences à long terme.
Cet article propose un modèle de prise de décision séquentielle sous contraintes de mémoire qui étend le concept de « sentier d'information » pour expliquer les comportements de navigation par essais et erreurs, tels que les sélections prématurées et le retour en arrière, en modélisant la recherche d'information comme un processus stratégique et limité dans le temps.
Cette étude explore la dynamique de pouvoir entre les designers et les intelligences artificielles émergentes, soulignant la nécessité d'une introspection, d'une compréhension technique et d'un ajustement relationnel pour préserver l'agence créative des designers lors de la co-création avec ces technologies.
Cette étude présente LMP2, un outil d'auto-audit permettant aux utilisateurs d'inspecter les associations que les grands modèles de langage font à leur sujet, et met en lumière les défis méthodologiques et les neuf frictions rencontrés dans la création d'audits de confidentialité centrés sur l'humain pour l'IA générative.
Ce papier présente MHDash, une plateforme open-source conçue pour évaluer et auditer les assistants IA en santé mentale, révélant que les métriques d'agrégation masquent des défaillances critiques sur les cas à haut risque et les interactions multi-tours, ce qui rend nécessaire une analyse plus fine pour garantir la sécurité.
Cet article propose le TSformer-SA, un transformateur de fusion temporelle-spectrale doté d'un adaptateur spécifique au sujet, qui améliore le décodage des interfaces cerveau-ordinateur basées sur la présentation visuelle rapide (RSVP) en exploitant des vues multiples et en réduisant le besoin de données d'entraînement pour de nouveaux sujets.
Cet article présente ExSampling, un système intégré combinant une application d'enregistrement et un environnement d'apprentissage profond pour permettre la performance musicale en temps réel de sons environnementaux, grâce à une cartographie automatisée vers Ableton Live qui favorise l'interaction entre enregistreurs, compositeurs et interprètes.