💻 Category

cs

1062 papers

💻 computer science

Curriculum-Aligned Analysis of Assessment Feedback: A Retrieval-Augmented Large Language Model Approach for Revealing Fine-Grained Student Error Patterns in Higher Education

Deze studie stelt een retrieval-augmented large language model-aanpak voor die ongestructureerde beoordelingsfeedback transformeert naar curriculum-gealigneerde foutpatronen met een hoge nauwkeurigheid, waardoor onderwijsteams in staat worden gesteld om te reflecteren op de impact van het onderwijs en gerichte curriculumherzieningen te sturen in het hoger onderwijs.

Linxin Hua, Jia Xu, Lirui Guo, Nan Zheng, Qingtan Shen, Dilang Tan, Ye Lu2026-06-25
💻 computer science

Comparative Analysis of LLM-Based Conversational Agents as an Assistive Technology for Web Interaction

Deze studie evalueert de effectiviteit van vier vooraanstaande op LLM gebaseerde conversationele agenten als ondersteunende technologieën voor webnavigatie, waarbij wordt vastgesteld dat zij, hoewel ze een veelbelovend potentieel vertonen om de toegankelijkheid voor diverse gebruikersgroepen te verbeteren door paginastructuren te interpreteren en interacties te begeleiden, hun prestaties aanzienlijk variëren tussen verschillende tools.

Giuseppe Della Penna, Marina Buzzi, Barbara Leporini2026-06-25
💻 computer science

HE-CloudML: A Privacy-Preserving Framework for Secure Machine Learning Inference over Encrypted Cloud Data Using Homomorphic Encryption

Dit artikel introduceert HE-CloudML, een privacy-bewarend framework dat veilige en efficiënte inferentie van diepe neurale netwerken op versleutelde cloudgegevens mogelijk maakt met behulp van Homomorfe Encryptie, waarbij een nauwkeurigheid die bijna gelijk is aan die van onversleutelde gegevens wordt bereikt met significante verbeteringen in latentie ten opzichte van bestaande oplossingen, terwijl een robuuste weerstand tegen diverse privacy-aanvallen wordt gewaarborgd.

Abdullahi Ahmed Abdirahman, Abdirahman Osman Hashi, Ubaid Mohamed Dahir, Mohamed Abdirahman Elmi2026-06-25
💻 computer science

WSymBert: A Weighted Neuro-Symbolic Attention Model for Interpretable CVSS Prediction

Dit artikel introduceert WSymBERT, een gewogen neuro-symbolisch aandachtmodel dat contextueel taalbegrip combineert met gestructureerde deskundige kennis om een zeer nauwkeurige en interpreteerbare automatische voorspelling van CVSS v3.1 Base-metrieken te bereiken, waarbij het bestaande transformer-baselines overtreft terwijl het nauwer aansluit bij de redenering van experts.

Seyedeh Leili Mirtaheri, Amirhossein Majd, Reza Shahbazian, Georgios Spathoulas, Aida Akbarzadeh, Andrea Pugliese2026-06-25
💻 computer science

MAP-RAG: A Multi-View Adaptive Pattern-Aware Medical Retrieval-Augmented Generation Diagnostic Framework

MAP-RAG is een nieuw multi-view adaptief framework dat de klinische diagnostische nauwkeurigheid en efficiëntie verbetert door de decompositie van gestructureerde elektronische medische dossiers te integreren met hybride retrieval en dynamische vertrouwensrouting, waarmee het een superieure prestatie over meerdere medische afdelingen aantoont vergeleken met baseline-modellen.

Zhaolin Lu, Xulin Liu, Hongliang Bi, Feilong Tan, Caiying Zhang2026-06-25
💻 computer science

OrganSegBench: Bridging the Translational Gap for Medical Segmentation Foundation Models Through Principled Model Synergy

Om de translationele kloof in medische segmentatie-fundamentmodellen aan te pakken, die wordt veroorzaakt door overoptimistische benchmarks en de trade-off tussen nauwkeurigheid en rechtvaardigheid, introduceert dit artikel OrganSegBench, een rigoureus multidimensionaal evaluatiekader dat aantoont hoe principiële model-synergie door middel van ensemble-strategieën monolithische modellen overtreft in het bereiken van veilige, evenredige en klinisch betrouwbare AI.

Qing Li, Yizhe Zhang, Xin Guo, Haosen Zhang, Mo Yang, Mengting Sun, Longyu Sun, Haoyang Zhang, Junhong Liu, Yan Li, Yaji (…)2026-06-25
💻 computer science

A Hybrid Retrieval Augmented Generation Approach for Explainable Clinical Decision Support Using Vector Databases and Best Matching 25

Dit artikel presenteert een hybride Retrieval Augmented Generation-framework dat BM25 en op BioBERT gebaseerde semantische zoekopdrachten integreert met Reciprocal Rank Fusion om uitlegbare, gepersonaliseerde klinische besluitvormingsondersteuning en vroege ziekterisicovoorspelling te verbeteren, waarbij een superieure retrieval-prestatie wordt bereikt op een dataset van 182.000 medische dossiers vergeleken met traditionele baselines.

Bodireddy Mahalakshmi, Smita Khairnar, Shilpa Gite, Anurag Lengure, Anuj Loharkar, Swaraj Mahadik, Soham Mahajan2026-06-25
💻 computer science

An Explainable Hybrid of Classical and Quantum Support Vector Machine Models for Maternal Mental Health Risk Prediction Using Multicountry Data

Deze studie stelt een uitlegbare hybride klassiek-kwantum Support Vector Machine-model voor dat gebruikmaakt van gegevens uit meerdere landen om een superieure prestatie te behalen bij de voorspelling van het risico op mentale gezondheid bij moeders (99,86% nauwkeurigheid), terwijl het via SHAP-analyse de belangrijkste klinische voorspellers identificeert.

Shallon Ahimbisibwe, Emmanuel Ahishakiye, Samuel Maling, Simon Kawuma, Richard Ntwari, Boaz Twinamasiko, Fred Kaggwa2026-06-25
💻 computer science

Runtime Detection of Attacks and Misconfigurations in Cloud-Native Kubernetes Environments Using eBPF Network Telemetry

Dit artikel demonstreert dat Hubble/eBPF netwerktelemetrie, wanneer gecombineerd met zorgvuldig geconstrueerde ground-truth labels, effectief runtime-aanvallen en misconfiguraties in Kubernetes-omgevingen kan detecteren, waarbij wordt onthuld dat identiteitsattributen aan de bestemmingszijde de sterkste indicatoren van dreigingen zijn, ondanks een afweging tussen de hoge precisie van regelgebaseerde detectoren en de hogere recall van Random Forest-classificators.

Andrew Oppong-Asante, Bernard Kyiewu, Clinton Amponsah, Linda Bessa-Simons, Caleb Boakye Yiadom2026-06-25
💻 computer science

ST-HAE: Spatio-Temporal Anomaly Detection inHeterogeneous IoT Networks Under Realistic Class Imbalance

Dit artikel introduceert ST-HAE, een unsupervised spatio-temporele hybride autoencoder die met hoge precisie anomaliedetectie realiseert in heterogene IoT-netwerken onder realistische klasse-onbalans door uitsluitend te trainen op legitiem verkeer en gebruik te maken van bidirectionele temporele codering om de foutalarmpercentages en variantie aanzienlijk te verminderen in vergelijking met bestaande methoden.

Vamsi Krishna Reddy, Nageswara Rao kuda2026-06-25