4157 articles
Cette étude propose et évalue un système de reconnaissance automatique de la parole en tigrinya indépendant du locuteur basé sur un cadre de modèle de Markov caché pour les procédures judiciaires éthiopiennes, atteignant une précision de mots de 73,84 % à l'aide d'un modèle acoustique dépendant du contexte entraîné sur un corpus personnalisé de 24 locuteurs natifs.
Cet article démontre que les équations différentielles universelles, qui intègrent des structures SIR mécanistes connues avec des réseaux de neurones pour les dynamiques de transmission incertaines, surpassent les équations différentielles neuronales (Neural ODEs) entièrement pilotées par les données en termes de précision de prévision, de robustesse et d'efficacité des données, particulièrement dans des conditions de données limitées et de bruit élevé.
Cette synthèse systématique des preuves issues de revues de littérature de 2015 à 2025 identifie les déterminants et les barrières clés à l'adoption de la réalité virtuelle à travers divers domaines, soulignant la nécessité d'un cadre intégré qui réponde aux lacunes méthodologiques et combine les facteurs cognitifs, expérientiels, physiologiques et organisationnels pour assurer un engagement durable de l'utilisateur.
Cet article présente un modèle d'évaluation par rétroaction multimodale assisté par ordinateur pour l'éducation artistique au collège, qui intègre l'analyse visuelle et textuelle à un suivi des preuves et à une révision par l'enseignant afin d'améliorer considérablement la fiabilité de l'évaluation et de réduire les taux d'erreur.
Cet article présente un cadre qui opérationnalise la lignée des données en tant qu'infrastructure pour des pipelines de données financières fiables, démontrant par son déploiement qu'il réduit considérablement les délais de réponse aux audits et permet un suivi vérifiable par machine des sources de données et des transformations.
Cet article audite les systèmes d'IA éducative en utilisant des modèles de langage au niveau du caractère et constate que, bien qu'ils puissent prédire avec succès les transitions de curriculum mises en réserve dans des ensembles de données synthétiques et réels, cette capacité découle de l'exploitation d'une factorisation explicite des métadonnées plutôt que d'une compréhension sémantique du contenu des leçons.
Cet article propose un système de classification non invasif de la sévérité de la maladie de Parkinson utilisant des données de capteurs IMU triaxiaux et l'apprentissage d'ensemble, démontrant que le modèle LightGBM surpasse les autres algorithmes d'apprentissage automatique avec une précision d'environ 97 %.
Cette étude évalue cinq modèles d'apprentissage automatique supervisé pour la détection d'attaques zero-day sur des données déséquilibrées, sélectionnant finalement XGBoost comme la solution optimale en raison de son équilibre supérieur entre une précision élevée et un temps de traitement rapide par rapport au modèle Random Forest, plus précis mais plus lent.
Cette étude introduit un pipeline d'apprentissage automatique en trois étapes, validé sur plus de 670 000 affaires de tribunaux de première instance kényans, qui utilise les modèles LightGBM et CatBoost pour prédire les durées de traitement des affaires et classifier les règlements le jour même, permettant ainsi une gestion proactive des arriérés grâce à un schéma de risque dérivé empiriquement et une application web déployée.
Cette étude démontre que l'EfficientNet-B0 pré-entraîné sur ImageNet surpasse de manière significative l'initialisation aléatoire pour la classification d'IRM de tumeurs cérébrales à quatre classes uniquement en cas de pénurie extrême de données (5 % de 5 600 images), tout en soulignant des limites critiques telles qu'un risque potentiel de fuite de données au niveau du patient et l'absence de signification statistique des bénéfices de l'apprentissage par transfert pour des fractions de données plus importantes, plaidant finalement contre un déploiement autonome sans une validation rigoureuse supplémentaire.