3657 artigos
Este artigo apresenta o MUESCA, um corpus e esquema de anotação multigênero em espanhol que quantifica a subjetividade ao longo de um continuum por meio de recursos pragmáticos, demonstrando que a combinação desses recursos com modelos transformer melhora significativamente a detecção de subjetividade, particularmente para textos de notícias híbridos.
Este estudo revela que os agentes virtuais são percebidos como mais inteligentes e confiáveis quando sua aparência e fala se contradizem (por exemplo, parecendo inteligente mas falando de forma pouco inteligente, ou vice-versa) em vez de quando ambos os fatores transmitem inteligência de forma consistente.
Este artigo propõe o SAFE CHA, um framework híbrido de agente conversacional de saúde que integra grandes modelos de linguagem, lógica difusa e aprendizado por reforço guiados pela Teoria da Autodeterminação e otimização restrita para fornecer suporte de saúde mental seguro, empático e personalizado, equilibrando adaptabilidade com controles de segurança rigorosos.
Este artigo propõe o modelo X-WMHEA, um framework de aprendizado profundo interpretável que integra HSIC-LASSO para seleção de características, TabM para classificação e SHAP para explicabilidade para avaliar com precisão a saúde mental e o empoderamento das mulheres usando fatores psicossociais, alcançando alta acurácia em conjuntos de dados de depressão ao mesmo tempo em que fornece insights transparentes sobre as principais variáveis influenciadoras.
Este artigo propõe o RSDQ-Net, uma rede espaço-temporal consciente de referência que unifica dados de dança heterogêneos em um esqueleto canônico para modelar separadamente a execução espacial e os desvios de fase temporal, alcançando o estado da arte no desempenho da avaliação automática da qualidade do movimento de dança em múltiplos conjuntos de dados.
Este artigo introduz o "hiato de transferência de calibração" para demonstrar que, sob mudança de distribuição, os parâmetros ajustados de métodos de recalibração frequentemente falham em se transferir efetivamente para domínios alvo, um fenômeno impulsionado pelo desvio de parâmetros e por relações de confiança-acurácia não identificáveis que tornam o simples reajuste com pequenos orçamentos de rótulos no alvo frequentemente prejudicial.
Este artigo propõe um framework guiado por sensibilidade que combina quantização de precisão mista por blocos com adaptação de baixo posto adaptativa para comprimir eficientemente grandes modelos de linguagem enquanto preserva ou até melhora o desempenho e a perplexidade em tarefas subsequentes em comparação com baselines em FP16.
Este artigo apresenta o FOCUS, um framework de generalização de domínio que aumenta a robustez do modelo ao desmembrar características relevantes para a tarefa e específicas do domínio por meio de regularização de informação mútua, demonstrando que, embora tanto o estimador de limite superior (CLUB) quanto o de limite inferior (MINE) melhorem o desempenho de forma eficaz, o benefício principal advém da própria estratégia de desmembramento, e não da escolha do estimador específico.
Este artigo introduz o AgentDojo Trace Audit, uma camada Python reproduzível que valida um snapshot fixo do AgentDojo v1.2.1 ao reconstruir com sucesso todos os 11.624 registros, alcançando detecção e classificação perfeitas de mutações em testes pós-reparo e garantindo zero alarmes falsos em transformações benignas, estabelecendo, assim, um framework robusto para auditar alegações de benchmarks de agentes interativos.
Um estudo pré-registrado de 14.400 ensaios envolvendo equipes de agentes locais Gemma revela que eles permanecem surpreendentemente resistentes em deferir a uma figura de autoridade falível, com a conformidade pública a erros ocorrendo apenas quando essa autoridade contradiz um consenso unânime e correto de pares.