255 articoli
Il paper introduce NeuralOS, un framework neurale che simula le interfacce grafiche dei sistemi operativi prevedendo direttamente i frame dello schermo in risposta agli input utente, combinando una rete ricorrente per lo stato del sistema con un renderer basato su diffusione addestrato su dati sintetici e reali.
Il paper presenta TRACE, un framework semi-automatizzato basato sull'intelligenza artificiale che valuta sia la qualità dei progetti software collaborativi che i contributi individuali degli studenti, migliorando equità, trasparenza e scalabilità nella valutazione rispetto ai metodi tradizionali.
Questo studio propone un framework di Intelligenza Artificiale Spiegabile Agente (Agentic XAI) che combina SHAP con modelli linguistici su larga scala per iterare e migliorare le spiegazioni tecniche in raccomandazioni agricole, dimostrando che un'ottimizzazione strategica delle iterazioni (early stopping) è fondamentale per massimizzare la qualità e l'utilità pratica evitando il degrado causato da un'eccessiva raffinazione.
Lo studio dimostra che l'apprendimento tramite LLM è un risultato interazionale dipendente dall'impegno cognitivo e dall'autoefficacia politica dell'utente, piuttosto che una conseguenza uniforme della ricchezza esplicativa del modello.
Lo studio rivela che, sebbene i modelli linguistici proprietari raggiungano una qualità di post-editing automatico quasi umana, la loro incapacità di sfruttare efficacemente il contesto documentale, unita a costi elevati e metriche automatiche inaffidabili, ne limita l'applicabilità pratica rispetto alle soluzioni open-weight.
Questo studio valuta l'adattamento di modelli linguistici di piccole dimensioni (SLM) per la classificazione dei ruoli nelle interazioni leader-seguace nell'ambito della robotica, dimostrando che il fine-tuning zero-shot offre prestazioni robuste e a bassa latenza, pur evidenziando un degrado delle prestazioni nelle modalità one-shot a causa della maggiore complessità contestuale.
Questo articolo esplora le proprietà strutturali dell'iterazione di Collatz attraverso la collaborazione tra umani e modelli linguistici, dimostrando risultati teorici su fenomeni di "scrambling" modulare e decomposizione burst-gap che suggeriscono un quadro condizionale per la convergenza, pur lasciando aperte le ipotesi fondamentali.
Questo studio dimostra che il dialogo mediato dall'IA, in particolare quando orientato all'inclusione, è più efficace della semplice lettura per aiutare le persone a riconoscere le microaggressioni abiliste, offrendo al contempo spunti critici sui compromessi legati all'uso di "spinte" (nudges) biasate o neutre nei sistemi conversazionali.
Il paper introduce la "Ghost Framing Theory" per spiegare come i fondatori e gli investitori collaborino con l'intelligenza artificiale generativa per co-produrre, contestare e ricalibrare la legittimazione retorica delle nuove imprese attraverso un processo iterativo di "ghost pitching", "ghost screening" e "ghost relationship-building".
Lo studio dimostra che il fallimento nel triage sanitario rilevato in ChatGPT non riflette un limite intrinseco dei modelli, ma è causato principalmente da un formato di valutazione rigido e non realistico, poiché le interazioni naturalistiche migliorano significativamente l'accuratezza e rivelano che i modelli raccomandano correttamente cure d'emergenza quando non vincolati a scelte multiple forzate.
Questo studio dimostra che, nel contesto dell'etichettatura umana per eventi rari, l'uso di feedback bilanciati e la richiesta di probabilità espresse dai lavoratori, uniti a una ricalibrazione post-processo, riducono i bias cognitivi e migliorano significativamente l'affidabilità dei modelli di deep learning downstream.
Questo studio documenta la "dinamica elicoidale", un regime di fallimento in cui i modelli linguistici avanzati, pur identificando correttamente i propri errori in scenari ad alto rischio, continuano a ripeterli a livelli di complessità crescenti, privilegiando la comodità rispetto all'affidabilità quando la verifica è impossibile.
Basandosi su dati raccolti dal progetto LT-LiDER, l'articolo analizza come l'automazione nel settore della traduzione ridefinisca i valori professionali, evidenziando come l'efficienza tecnologica e l'adattabilità umana diventino complementari piuttosto che antagoniste, con implicazioni significative per la didattica della traduzione.
Questo articolo propone il paradigma "simulazione nel ciclo" per trasformare la collaborazione uomo-agente da un controllo reattivo e puntuale a una partnership proattiva basata sulla previsione delle conseguenze future, permettendo agli utenti di esplorare scenari simulati prima di prendere decisioni.
Questo articolo propone un modello di decisione sequenziale che estende il concetto di "odore informativo" per spiegare come gli utenti, vincolati da limiti di memoria e tempo, adottino strategie di navigazione basate su tentativi ed errori, selezionando link prematuramente e recuperando dagli errori tramite il backtracking.
Questo studio esplora come i designer possano mantenere la propria agenzia creativa collaborando con l'intelligenza artificiale generativa, proponendo una relazione di collaborazione basata sull'introspezione, sulla comprensione tecnica e sull'adattamento dinamico per superare le sfide poste dalla mancanza di conoscenza incarnata di questi sistemi.
Questo studio presenta LMP2, uno strumento di auto-audit basato sul browser, e attraverso due ricerche con 458 partecipanti evidenzia come i modelli linguistici possano inferire informazioni personali, rivelando al contempo le sfide e le frizioni nell'operazionalizzare audit sulla privacy centrati sull'utente per l'intelligenza artificiale generativa.
Il paper presenta MHDash, una piattaforma open-source progettata per il benchmarking e l'audit di assistenti AI consapevoli della salute mentale, evidenziando come le valutazioni aggregate tradizionali siano insufficienti per rilevare i fallimenti critici nei casi ad alto rischio e nelle interazioni multi-turno.
Il paper propone il TSformer-SA, un modello basato su Transformer che fusione temporale e spettrale con adattatori specifici per soggetto, al fine di migliorare la decodifica delle interfacce cervello-computer RSVP riducendo la dipendenza da grandi quantità di dati di addestramento per nuovi utenti.
Il paper propone ExSampling, un sistema integrato che combina un'applicazione di registrazione e un ambiente di Deep Learning per abilitare l'esecuzione musicale in tempo reale di suoni ambientali, automatizzandone il mapping su Ableton Live e facilitando l'interazione tra registri, compositori e performer.