cs
04-07 00:00
本文提出一个融合物联网（IoT）、人工智能（AI）与物理知识的创新框架，用于文化遗产的监测与预测性维护。该框架包含四个功能层，核心是科学机器学习方法——物理信息神经网络（PINNs），它将物理定律嵌入深度学习模型。为提高计算效率，框架还集成了降阶方法（ROMs，如本征正交分解POD），并与经典有限元（FE）方法兼容。此外，它提供自动处理3D数字模型以直接用于仿真的工具。实验在复杂真实几何上进行，验证了框架处理正反问题的有效性。
文化遗产保护物理信息神经网络物联网监测科学机器学习3d数字仿真降阶建模
cs
04-07 00:00
本研究针对经典NP难问题——最小集合覆盖问题（MSCP），提出了一种基于结构分解的预处理优化策略。核心思想是识别并利用问题实例中元素共现关系诱导出的连通分量，将原问题分解为多个独立的子问题。该方法采用并查集算法进行高效分解，然后使用GRASP元启发式算法并行求解子问题，最后合并部分解。实验表明，该策略能显著提升大规模、结构可分解实例的求解质量和可扩展性。
最小集合覆盖结构分解元启发式并查集组合优化grasp算法
cs
04-07 00:00
本研究提出了一种基于多源数据聚类的框架，旨在解决跨行业颜色命名不一致的问题。研究团队收集了来自20个不同来源的19,555个RGB值及其对应颜色名称，经过数据清洗和归一化后，将颜色转换至感知均匀的CIELAB色彩空间。使用CIEDE2000色差度量进行K-means聚类，确定了280个最优簇，并通过频率分析为每个簇分配了代表性标签。该系统反映了自然语言模式，并在服装数据集的自动标注和基于内容的图像检索中验证了其有效性，为生成式AI、视觉搜索和设计系统等应用提供了标准化的颜色标注方案。
颜色命名聚类分析多源数据色彩空间标准化计算机视觉
cs
04-07 00:00
针对大型语言模型（LLM）教育助手直接给出答案、阻碍学生主动探索的问题，本研究提出了BLADE系统。它采用检索增强生成（RAG）框架，基于课程内容库，在对话中引导学生查阅相关教学资源片段，而非直接提供解决方案。在一门本科计算机科学课程中的影响研究表明，与单纯提供全部课程资源相比，BLADE能有效改善学生对课程资源的利用，并提升其概念理解能力。这证明了基于内容的对话式AI在支持主动学习和循证推理方面的潜力。
教育人工智能检索增强生成对话式学习主动学习计算机科学教育
cs
04-07 00:00
研究发现，大语言模型（LLM）提供的流畅自然语言解释，虽然能显著提升用户对AI的信任和依赖，却未必能改善人机协作的任务准确率，甚至可能损害它。通过三项涵盖视觉推理（RAVEN矩阵）和语言逻辑推理（LSAT问题）的人因实验，研究揭示了“说服悖论”：在视觉推理任务中，LLM解释会抑制用户纠正模型错误的能力，而展示模型预测概率或采用选择性自动化策略效果更佳；但在语言逻辑任务中，LLM解释的表现则优于专家解释和概率支持。这表明解释的有效性高度依赖于任务认知模态，主观信任度并非团队绩效的可靠指标。
人机协作可解释ai大语言模型说服悖论认知模态校准依赖
cs
04-07 00:00
本研究针对检索增强生成（RAG）中标准相关性排序导致检索结果冗余、信息密度低的问题，提出了一种联合优化信息密度与覆盖多样性的新方法。核心贡献是ScalDPP，一个通过轻量级P-Adapter集成行列式点过程（DPPs）的多样性感知检索机制，可高效建模文档块间依赖关系并选择互补性上下文。此外，作者提出了一种新颖的集合级目标函数——多样性间隔损失（DML），在DPP几何空间下强制要求真实互补证据链优于任何同等规模的冗余替代方案。实验结果表明了ScalDPP的优越性。
检索增强生成行列式点过程多样性检索上下文选择大语言模型
cs
04-07 00:00
本文主张，建立严谨的AI评估科学必须依赖项目级基准数据。当前AI评估范式存在系统性效度问题，如设计选择不合理、指标错位等，而项目级分析能提供细粒度诊断和基准验证。作者通过剖析计算机科学和心理测量学中的评估范式，展示了项目级数据在分析项目属性和潜在构念方面的独特价值。为推动社区采纳，团队推出了OpenEval——一个不断增长的项目级基准数据仓库，旨在支持以证据为中心的AI评估。
ai评估基准测试项目级数据效度验证openeval评估科学
cs
04-07 00:00
针对大语言模型在将自然语言转换为形式化验证断言（NL-to-SVA）时面临的算子选择难题，本研究提出了FVRuleLearner框架。该框架基于创新的算子推理树（OP-Tree），将SVA生成建模为结构化、可解释的推理过程。它通过训练阶段构建细粒度的算子感知推理路径，并在测试阶段进行算子对齐检索以生成新规则。实验表明，FVRuleLearner在语法正确性上平均提升3.95%，在功能正确性上平均提升31.17%，并能将不同算子类别的SVA功能错误平均减少70.33%，为领域特定推理与规则学习提供了新范式。
形式化验证规则学习算子推理树大语言模型系统验证断言自动化验证
cs
04-07 00:00
本研究利用Campus AI平台的180万次学生互动数据，验证了学生在不同学习情境下进步速度具有一致性的发现。平台通过自动化生成知识组件与练习题，并应用加性因素模型进行分析，避免了复杂的人工认知建模。混合效应逻辑回归结果显示，学生初始知识水平差异显著，但进步速度却高度一致。使用该全自动系统的学生达到80%掌握度所需练习次数的中位数为7.22次，与专家设计课程的6.54次相当。这表明基于科学的自动化内容生成能够支持大规模有效个性化学习。
个性化学习教育人工智能学习分析知识组件加性因素模型大规模验证
cs
04-07 00:00
本研究依据“垃圾桶模型”理论，对美国参议员在Twitter上的168万条推文进行分析，旨在开发一种自动化方法，将推文内容分类为“问题导向”、“解决方案导向”或“其他”。研究团队邀请两位政策专家对3967条推文进行人工标注，并采用BERTweet Base模型进行监督学习训练。通过60/20/20的数据划分进行模型拟合、验证与测试，最终在三个类别的交叉验证中实现了加权平均F1分数超过0.8的分类性能。
社交媒体分析政策文本分类自然语言处理bertweet模型国会政治
cs
04-07 00:00
本文提出BLK-Assist，一个模块化框架，用于基于艺术家特定数据集高效微调扩散模型。该框架包含三个核心模块：BLK-Conceptor（基于LoRA的概念草图生成）、BLK-Stencil（基于LayerDiffuse的透明资产生成）和BLK-Upscale（混合Real-ESRGAN与纹理条件扩散的高分辨率输出）。研究通过一位专业艺术家的专有数据集进行案例实施，详细记录了数据处理、训练配置与推理流程，旨在提供一个可复现、保护隐私且基于同意的AI协同创作范式，在保持对源数据集风格保真度的同时，可适配于其他面临类似约束的艺术家。
ai协同创作扩散模型参数高效微调艺术生成风格保真隐私保护
cs
04-07 00:00
本研究探索利用大语言模型（LLMs）快速评估数字农业工具的包容性，以补充现有资源密集型的人工评估框架（MDII）。通过对比分析 Grok、Gemini、GPT-4o 和 GPT-5 等模型与专家评估结果，研究发现 LLMs 在某些维度上能生成接近专家判断的评估输出，但可靠性因模型和情境而异。这为在时间敏感或资源有限的环境中规模化开展包容性数字发展监测提供了早期证据。
数字包容性大语言模型农业技术评估方法人机对比
cs
04-07 00:00
本研究提出通过训练代码大语言模型逐步模拟程序执行过程，从而提升其在编程竞赛中的表现。方法结合了基于自然语言执行轨迹的监督微调与可验证奖励的强化学习，引入代码输入预测和基于真实/自预测执行反馈的任务求解两个互补目标。这使得模型能够对多个候选方案进行自我验证，并通过模拟测试执行实现迭代自我修复。在多个编程竞赛基准测试中，该方法相比标准推理方法取得了持续改进。
代码大语言模型程序执行模拟编程竞赛自我验证强化学习监督微调
cs
04-07 00:00
本文挑战了“准确性”是纯粹客观技术指标的观点，指出AI性能评估本质上是依赖于情境的规范性决策。以欧盟《AI法案》对高风险系统“适当准确性水平”的要求为案例，作者分析了塑造准确性定义、测量与评估的四个核心选择：1）指标选取；2）多指标权衡；3）基于代表性数据的测量；4）接受阈值的确定。研究表明，这些技术实现中嵌入了关于可接受风险、错误及权衡的隐含假设，对法案的实际执行、审计与开发具有重要指导意义。
ai治理性能评估欧盟ai法案技术规范风险评估模型准确性
cs
04-07 00:00
本报告由COST Action CA16226（Sheld-on）的三个工作组联合发布，系统梳理了支持老年人居家健康老龄化的三大领域现状：智能家具与居住环境、信息通信技术（ICT）以及医疗保健。报告旨在评估各领域的学科理解、技术进步、产品创新及成功案例，为后续跨领域专家共同制定“居家、社区及工作场所健康老龄化解决方案”提供关键输入。
智能养老健康老龄化居家环境信息通信技术跨学科研究
cs
04-07 00:00
本文提出IC3-Evolve，一种利用大型语言模型（LLM）对硬件安全模型验证算法IC3进行自动化离线代码演化的框架。该框架通过“证明/反例门控验证”机制确保正确性：每个由LLM生成的候选代码补丁，在SAFE情况下必须输出可独立验证的归纳不变式证书，在UNSAFE情况下必须输出可复现的反例轨迹，从而杜绝错误修改。由于LLM仅在离线阶段使用，最终部署的验证器是独立的，无需ML推理开销。实验在公开硬件模型验证竞赛（HWMCC）基准上进行，并在未见过的公开及工业基准上评估了其泛化能力，结果表明IC3-Evolve能在严格正确性约束下可靠地发现实用的启发式改进。
模型验证启发式演化llm驱动ic3算法硬件安全离线优化
cs
04-07 00:00
本文指出，强化学习人类反馈（RLHF）中一个核心假设——标注者的回答反映了其真实偏好——需要接受系统性质疑。作者借鉴行为科学六十年的研究，指出人们常在没有真实观点时给出回答、会根据情境线索即时构建偏好、并对相同问题做出不同解读。这些现象在关乎AI对齐的价值判断中尤为普遍。文章提出了一个分类法，用以区分真实偏好、非态度、构建性偏好和测量伪影，并提供了相应的诊断方法。其核心论点是：测量有效性在逻辑上应先于偏好聚合，当前RLHF实践可能正在系统性地将噪声建模为信号，或将诱导伪影误认为人类价值观。
rlhf人类偏好行为科学测量有效性ai对齐社会科学
cs
04-07 00:00
本文提出基于六鸟理论的智能体形式化定义，将智能体视为具有明确接口和约束的维持性理论对象，其可行策略能在保持存续的同时引导未来状态。研究通过四个可检验组件实现操作化：账本门控可行性、基于后继支持语义的最大不动点计算的鲁棒存续核、作为差异制造代理的可行赋能（信道容量），以及量化粗观测下对象性的幂等缺陷映射。在最小环形世界中的对照实验实现了四项分离：校准零赋能机制可阻断模型误设假阳性；修复功能降低幂等缺陷；协议仅在两步以上时增加赋能；学习重写算子使赋能中位数从0.73比特提升至1.34比特。该方法无需依赖目标、意识或生物体假设，提供了可哈希追踪的智能体性测试框架。
智能体理论形式化验证六鸟理论赋能度量存续分析可检验组件
cs
04-07 00:00
本研究提出“附带互动”新方法，将坐下、站起、提物等日常动作转化为可重复的力量训练，通过“做两次”原则及动作质量反馈，帮助老年人提升功能性力量。研究设计了集成传感器和压力感应垫的日常物品生态系统，提供实时反馈与进度追踪。初步部署（7名老人，2周及4周研究）验证了技术可行性，旨在将锻炼无缝融入生活，无需专用设备或改变日常习惯。
老年人健康力量训练人机交互日常动作传感器技术健康老龄化
cs
04-07 00:00
针对工具调用型LLM智能体在长交互轨迹中风险证据稀疏、传统二元监督难以进行信用分配的问题，本文提出了DRAFT框架。该框架将安全性判断解耦为两个可训练阶段：提取器将完整轨迹提炼为紧凑的连续潜在草稿，推理器则联合关注草稿与原始轨迹以预测安全性。通过在潜在空间进行证据聚合，DRAFT避免了显式“总结-判断”流程的信息损失，实现了端到端可微训练。在ASSEBench和R-Judge等基准测试中，DRAFT性能显著优于基线模型，平均准确率从63.27%提升至91.18%，并学习了更具可分性的表示。消融实验证实了提取器与推理器之间的协同作用。
智能体安全潜在推理任务解耦长上下文监督信用分配llm智能体
cs
04-07 00:00
本研究对过去十年间发表的19篇文献进行了系统性回顾，旨在评估针对高等教育阶段计算专业学生学术拖延行为的课程层面干预措施。证据表明，通过结构性、反馈性、动机性和自我调节性机制设计的干预能有效减少拖延。其中，引入清晰时间结构的干预能显著促进学生更早开始任务并更均匀地分配工作量，这是提升学业表现的关键中介。干预效果受任务结构影响，对长期、多步骤的复杂作业益处更大。支持性设计普遍优于惩罚性或限制性方案，而统一的干预措施对不同学生的效果存在差异。
学术拖延计算教育干预措施系统性回顾高等教育时间结构
cs
04-07 00:00
本文针对AI系统日益显现的欺骗性行为（如大语言模型战略性误导、安全训练后仍维持欺骗策略、多智能体协同欺骗等），提出了一个“欺骗研究等级”（DRL）框架。该框架仿照生物安全等级系统，根据风险特征而非研究者意图，从支柱影响、严重性、可逆性、规模、脆弱性五个维度对研究进行分类，并设定四个风险等级及相应的累积保障措施（从DRL-1的标准文档到DRL-4的监管通知与第三方审计）。框架要求在DRL-3及以上等级的研究必须同步开发检测与缓解方法。研究表明，欺骗机制的生态效度是分类等级的一致且非独立的指标。DRL框架旨在填补受监管部署与无结构研究之间的治理空白。
ai伦理欺骗行为风险治理研究框架安全等级
cs
04-07 00:00
本文指出AI伦理讨论中存在一个“算法盲点”：过度关注未来人工智能的道德地位与权利，却相对忽视了已嵌入社会、法律和经济制度中的算法系统所造成的、有据可查的现实伤害。文章将机器人权利文献与就业、刑事司法、监控及人脸识别等领域中算法偏见与伤害的实证证据进行对比，论证了对未来实体的伦理关注如何可能模糊现有不公、分散责任并阻碍问责与补救机制。文章主张，AI伦理应重新将评估中心置于人类影响、制度责任以及对现行算法系统的治理上，使伦理反思更贴近其直接的社会后果。
ai伦理算法偏见机器人权利算法治理社会影响责任分配
cs
04-07 00:00
本研究提出一种基于减害和自我调节学习理论的生成式AI使用契约，旨在帮助本科生在学习编程时进行有意识的决策。在为期11周的Python课程中，217名学生通过设定个人学习目标、制定使用指南并进行反思。结果显示，58%的学生认为该干预改变了他们的思考方式，并建立了有益的责任机制。然而，自我意识并不总能转化为持续的行为改变，许多学生在压力下仍会放弃自己制定的指南。研究探讨了在AI工具与学习目标产生张力时，如何更好地支持学生的自主性。
生成式ai编程教育自我调节学习减害策略学生自主性教育干预