論文の概要: Design and implementation of a scalable authentic-research education
program for Artificial Intelligence and Science
- arxiv url: http://arxiv.org/abs/2210.08966v1
- Date: Mon, 19 Sep 2022 16:50:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 11:45:48.683381
- Title: Design and implementation of a scalable authentic-research education
program for Artificial Intelligence and Science
- Title（参考訳）: 人工知能と科学のためのスケーラブルな真正研究教育プログラムの設計と実装
- Authors: Sergey V Samsonau, Aziza Kurbonova, Lu Jiang, Hazem Lashen, Jiamu Bai,
Theresa Merchant
- Abstract要約: 本稿では,機械学習と理科の学生を対象に,真正な研究体験を大規模に展開するプログラムを報告する。
我々の設計は、こうした取り組みに対する共通の障壁に対処し、他の大学の学生や教員が簡単に同様のプログラムを実施できるようにすべきである。
- 参考スコア（独自算出の注目度）: 5.937841372750041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We report a program designed to bring authentic research experience to
machine learning and science students at scale. Our design addresses common
barriers to such efforts and should allow students and faculty from other
universities to implement similar programs with ease. With support from a
faculty member, students form a group. The group contains several teams working
on independent projects in a consulting type of arrangement with research labs
in natural sciences. Each team comprises students with complementary skills (in
AI, science, and leadership). Labs provide the data, and the teams work on the
discovery, design, and development of an AI solution. A student leadership team
manages the student group. This team interviews applicants, forms other teams,
sets up standards for operations, fosters collaborations, and ensures the
continuity of multi-semester projects. To date, this group has run for three
consecutive semesters and has engaged more than forty students, ranging from
first-year college students to master's candidates. This effort has resulted in
over a dozen successful collaborations with academic and industry partners.
- Abstract（参考訳）: 機械学習と理科の学生に本格的な研究体験を提供するプログラムについて報告する。
我々の設計は、こうした取り組みに対する共通の障壁に対処し、他の大学の学生や教員が同様のプログラムを簡単に実施できるようにする。
教員の支持を得て、学生はグループを形成する。
このグループには、自然科学の研究所とのコンサルティングタイプのアレンジメントで、独立したプロジェクトに取り組んでいる複数のチームが含まれている。
各チームは、補完的なスキル(AI、科学、リーダーシップ)を持つ学生で構成されている。
Labsはデータを提供し、チームはAIソリューションの発見、設計、開発に取り組んでいる。
学生リーダーシップチームが学生グループを管理します。
このチームは応募者にインタビューを行い、他のチームを作り、オペレーションの標準を設定し、コラボレーションを育み、マルチシリーズプロジェクトの継続性を保証する。
現在までこのグループは3期連続で活動しており、1年生からマスター候補まで40人以上の学生を雇用している。
この取り組みは、学術や産業のパートナーと12以上のコラボレーションを成功させた。
関連論文リスト
- Two Heads Are Better Than One: A Multi-Agent System Has the Potential to Improve Scientific Idea Generation [48.29699224989952]
VirSciは研究のアイデアを共同で生成し、評価し、洗練するエージェントのチームを組織している。
このマルチエージェントアプローチは、新規で影響力のある科学的アイデアを生み出す上で、最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-12T07:16:22Z) - How Mature is Requirements Engineering for AI-based Systems? A Systematic Mapping Study on Practices, Challenges, and Future Research Directions [5.6818729232602205]
既存のREメソッドが十分かどうか、あるいはこれらの課題に対処するために新しいメソッドが必要であるかどうかは不明だ。
既存のRE4AI研究は主に要件分析と導入に重点を置いており、ほとんどの実践はこれらの分野に適用されている。
私たちは、最も一般的な課題として、要件仕様、説明可能性、マシンラーニングエンジニアとエンドユーザのギャップを特定しました。
論文 参考訳（メタデータ） (2024-09-11T11:28:16Z) - Can LLMs Generate Novel Research Ideas? A Large-Scale Human Study with 100+ NLP Researchers [90.26363107905344]
大型言語モデル(LLM)は、科学的な発見を加速する可能性についての楽観主義を喚起した。
LLMシステムは、新しい専門家レベルのアイデアを生み出すための第一歩を踏み出すことができるという評価はない。
論文 参考訳（メタデータ） (2024-09-06T08:25:03Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - Promoting Research Collaboration with Open Data Driven Team
Recommendation in Response to Call for Proposals [10.732914229005903]
さまざまなAI手法を用いてチームを推薦する新しいシステムについて述べる。
短期と長期の目標のバランスをとるメトリクスに沿って、良さを最大化するためにチームを作ります。
論文 参考訳（メタデータ） (2023-09-18T00:04:08Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - ARDIAS: AI-Enhanced Research Management, Discovery, and Advisory System [24.42822218256954]
ARDIASはWebベースのアプリケーションで、研究者に完全な発見とコラボレーションツールを提供することを目的としている。
ARDIASは現在、著者や論文を名前で検索し、特定の研究者の研究トピックに関する洞察を得ることができる。
AIベースのツールの助けを借りて、ARDIASは潜在的な協力者やトピックを研究者に推奨することを目指している。
論文 参考訳（メタデータ） (2023-01-25T13:30:10Z) - Engaging with Researchers and Raising Awareness of FAIR and Open Science
through the FAIR+ Implementation Survey Tool (FAIRIST) [0.0]
FAIRに関する論文が発表されてから6年後、研究者はまだFAIRの実装方法を理解するのに苦労している。
FAIR+実装調査ツール(FAIRIST)は、研究要件と研究提案を体系的な方法で統合することで問題を緩和する。
論文 参考訳（メタデータ） (2023-01-17T22:38:30Z) - Distributed Deep Learning in Open Collaborations [49.240611132653456]
協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。
現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2021-06-18T16:23:13Z) - An Explanatory Query-Based Framework for Exploring Academic Expertise [10.887008988767061]
機関内の潜在的な協力者を見つけることは、偏見を伴う手動検索作業に時間を要する。
本研究では,研究専門知識の検索,評価,探索を行う新しいクエリベースのフレームワークを提案する。
提案手法は, 望ましい特性を満足し, 効率的であると同時に, 一致の同定に有効であることを示す。
論文 参考訳（メタデータ） (2021-05-28T10:48:08Z) - Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。
AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
論文 参考訳（メタデータ） (2021-01-15T10:43:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。