cs 篇论文 | Gist.Science

本研究提出并验证了一种用于编程实践中早期成功预测的部分正确性与进度感知公式化方法，证明了该方法通过更有效地捕捉学习者进展并实现有针对性的教学支持，其表现显著优于传统的二元和序数方法。

这项对122项研究（2015–2025年）进行的系统综述表明，机器学习模型，特别是与无损检测技术相结合的集成和混合方法，通过在整个供应链中改善质量评估和减少损失，显著提升了易腐水果的采后管理水平，同时也强调了需要标准化数据集和现实世界验证以克服当前的部署挑战。

本文介绍了验证对齐核心集选择（Validation-Aligned Coreset Selection, VACS），这是一种通过在内部验证集上评估投资组合来选择最优类平衡子集选择器的方法，证明了在极端预算限制下，重复验证可以显著提高少样本分类准确率，尽管它并不总是能普遍超越最佳的静态选择规则。

本文提出了一种轻量级的两阶段框架，利用 YOLO11s-seg 进行实例级候选生成，并利用 YOLOv8n-cls 进行难负样本与遮挡感知分类，在复杂的油棕种植园环境中实现了高采收决策准确率和零误采率。

本文提出了一种神经符号模糊规则框架，该框架将基于深度学习的皮肤镜属性估计与自动提取的临床规则相结合，旨在提高黑色素瘤分类的准确性与可解释性，并优于仅基于图像的深度学习方法。

本研究表明，分析论文发表时的参考文献结构特征——具体包括自引率、参考文献年份的分布以及引用文献的新近度——可以在任何发表后证据出现之前，显著提高对未来撤稿风险的早期检测能力。

本文提出了一种可解释的 TabNet 框架，该框架利用基于注意力的深度学习和 SHAP 值，通过大规模数据集对远程员工绩效进行准确、稳健且公平的预测，在确保人力资源决策透明与公正的同时，性能优于传统的基准模型。

本研究表明，先进的大型语言模型（特别是 BioClinicalBERT 和 BioGPT）在自动识别社交媒体和药物评论数据集中导致不良事件的致病药物方面达到了极高的准确率（F1 分数和准确率均为 98%），为药物安全性监测提供了一种极具前景的实时解决方案。

本文提出了一种分布式基于共识的 Sociocracy 3.0 治理框架，该框架将 S3 原则与 ROS 2 架构相结合，以增强自主多机器人系统中伦理、透明且可扩展的协调能力，并通过在 DROID 100 数据集上的评估，证明了其在减少冲突、提高可调试性和提升共识成功率方面的显著改进。

本文提出了 InvDec，一种混合多元时间序列预测架构，该架构通过倒置解码器和延迟变量嵌入，实现了时间编码与变量级解码之间的原则性分离，通过有效平衡时间模式与跨变量依赖关系，证明了其在高维数据集上的显著性能提升。