Symmetry,
Год журнала:
2024,
Номер
16(9), С. 1201 - 1201
Опубликована: Сен. 12, 2024
In
the
information
age,
semantic
parsing
technology
drives
efficiency
improvement
and
accelerates
process
of
intelligence.
However,
it
faces
complex
understanding,
data
inflation,
inappropriate
evaluation,
difficult
application
advanced
large
models.
This
study
analyses
current
challenges
looks
forward
to
development
trend
technology.
Specific
approaches
include:
this
adopts
a
systematic
review
method
strictly
follows
PRISMA
framework,
deeply
analyzes
key
ideas,
methods,
problems,
solutions
traditional
neural
network
explores
model
performance,
API
application,
dataset,
evaluation
mechanism.
Through
literature
analysis,
is
classified
according
its
scenarios.
Then,
practical
contributions
are
summarized,
limitations
such
as
size,
resource
requirements
analyzed,
future
directions
dataset
expansion,
real-time
performance
enhancement,
industrial
applications
envisioned.
The
results
show
significant
advances
in
with
far-reaching
impacts.
Traditional
methods
complement
each
other
promote
theoretical
innovation.
future,
continuous
progress
in-depth
machine
learning
technology,
needs
further
deepen
research
on
logical
reasoning
better
cope
technical
lead
new
natural
language
processing
AI.
International Journal of Cognitive Research in Science Engineering and Education,
Год журнала:
2024,
Номер
12(3), С. 583 - 611
Опубликована: Дек. 30, 2024
This
study
explores
university
students’
attitudes
toward
generative
AI
technology
and
tools
in
two
European
countries.
Driven
by
the
increasing
integration
of
education
limited
research
on
student
perceptions,
particularly
contexts,
this
aimed
to
understand
how
students
view
GenAI
its
implications
for
higher
education.
The
employed
a
quantitative
approach,
using
surveys
collect
data
across
different
fields
study,
genders,
A
key
innovation
is
development
novel
“Attitude
AI”
scale,
designed
provide
robust
theoretically
grounded
instrument
measuring
perceptions
GenAI.
scale
offers
valuable
tool
evaluating
effectiveness
results
showed
that
differed
significantly
based
their
field
gender.
Male
technical
sciences
had
most
positive
adoption,
indicating
potential
drive
changes
implementation.
While
effect
size
was
small,
finding
underscores
importance
considering
individual
factors
when
designing
interventions
promote
acceptance.
underscored
prior
experience
shapes
attitudes,
highlighting
need
resources
familiarize
with
ethics.
significant
contribution
addressing
lack
reliable
instruments
assessing
GenAI,
enabling
deeper
understanding
influencing
informing
targeted
groups.
Further
needed
GenAI’s
long-term
impact.
En
la
era
actual,
los
contextos
sociales,
económicos,
culturales,
académicos
y
científicos
están
influenciados
por
evolución
de
las
tecnologías
digitales.
Estas
inciden
en
formas
expresión,
comunicación,
pensamiento,
comportamiento
general
interacción
personas
con
su
entorno.
Así
mismo,
son
evidentes
retos,
resistencias,
interrogantes
tensiones
que
han
acompañado
formación
ciudadanos
a
nuevas
alfabetización,
entre
cuales
se
destaca
inteligencia
artificial
(IA),
es
considerada
un
área
conocimiento
emergente
el
escenario
educativo.
La
IA
contexto
educación
usa
aspectos
relacionados
mejora
experiencia
aprendizaje,
asistencia
para
escritura,
enseñanza
conceptos,
desarrollo
habilidades
investigación
evaluación
del
aprendizaje.
El
presente
trabajo
tiene
como
objetivo
identificar
categorías
análisis
emergen
estudio
artículos
secundarios
abordan
educación.
metodología
fundamentó
protocolo
documental
síntesis
revisión
provenientes
bases
datos
Scopus
Science
Direct.
Se
incluyeron
solamente
revisiones
analizaban
uso
superior.
Los
hallazgos
muestran
relevancia
relacionadas
(1)
(2)
alfabetización
IA,
(3)
desafíos
mitos,
(4)
(5)
aplicaciones
herramientas
IA.
Cada
una
estas
pueden
dar
pautas
sobre
posibles
líneas
Foresight-Russia,
Год журнала:
2024,
Номер
18(4), С. 67 - 76
Опубликована: Дек. 9, 2024
Востребованность
генеративного
искусственного
интеллекта
(GenAI)
стремительно
растет
ввиду
способности
быстро
обрабатывать
масштабные
объемы
данных,
компилировать
их
и
транслировать
«общее
мнение».
Однако
дисбаланс
между
«компетенциями»
GenAI
препятствует
расширению
использования
этого
инструмента
для
решения
сложных
профессиональных
задач.
ИИ
работает
как
гигантский
накопитель
средство
воспроизводства
знаний,
однако
не
способен
интерпретировать
находить
правильное
применение
в
зависимости
от
контекста.
Сохраняется
критическая
вероятность
ошибки
при
генерации
ответов
даже
на
самые
простые
вопросы.
В
статье
оценивается
степень
значимости
ограничений,
присущих
GenAI.
Тестирование
лежащих
его
основе
языковых
моделей,
включая
новейшие
версии
—
GPT-4o1
GigaChat
MAX,
проводилось
с
помощью
авторского
набора
вопросов,
основанного
таксономии
Блума.
Установлено,
что
получения
правильного
ответа
практически
зависит
количества
параметров
настройки,
сложности
таксономии,
а
наличии
множественного
выбора
снижается.
Полученные
результаты
подтверждают
предположение
о
невозможности
применения
современных
инструментов
целях.
Предлагаются
опции,
способные
внести
значимый
вклад
достижение
минимум
квазипрофессионального
уровня.
Symmetry,
Год журнала:
2024,
Номер
16(9), С. 1201 - 1201
Опубликована: Сен. 12, 2024
In
the
information
age,
semantic
parsing
technology
drives
efficiency
improvement
and
accelerates
process
of
intelligence.
However,
it
faces
complex
understanding,
data
inflation,
inappropriate
evaluation,
difficult
application
advanced
large
models.
This
study
analyses
current
challenges
looks
forward
to
development
trend
technology.
Specific
approaches
include:
this
adopts
a
systematic
review
method
strictly
follows
PRISMA
framework,
deeply
analyzes
key
ideas,
methods,
problems,
solutions
traditional
neural
network
explores
model
performance,
API
application,
dataset,
evaluation
mechanism.
Through
literature
analysis,
is
classified
according
its
scenarios.
Then,
practical
contributions
are
summarized,
limitations
such
as
size,
resource
requirements
analyzed,
future
directions
dataset
expansion,
real-time
performance
enhancement,
industrial
applications
envisioned.
The
results
show
significant
advances
in
with
far-reaching
impacts.
Traditional
methods
complement
each
other
promote
theoretical
innovation.
future,
continuous
progress
in-depth
machine
learning
technology,
needs
further
deepen
research
on
logical
reasoning
better
cope
technical
lead
new
natural
language
processing
AI.
