Fugu-MT 論文翻訳(概要): Scalable authentic research education framework

論文の概要: Scalable authentic research education framework

arxiv url: http://arxiv.org/abs/2210.08966v4
Date: Sat, 30 Dec 2023 04:21:55 GMT
ステータス: 処理完了
システム内更新日: 2024-01-03 03:08:25.359209
Title: Scalable authentic research education framework
Title（参考訳）: スケーラブルな真正研究教育の枠組み
Authors: Sergey V Samsonau, Aziza Kurbonova, Lu Jiang, Hazem Lashen, Jiamu Bai, Theresa Merchant, Ruoxi Wang, Laiba Mehnaz, Zecheng Wang, Ishita Patil
Abstract要約: 本稿では,様々な学校において,真正研究の方法論を広く採用するための枠組みについて報告する。我々は、既存の多くの研究教育プログラムに現れる共通の障壁を列挙し、対処する。当社のアプローチは、特定のニーズに対して機械学習の有用性を評価する機会を得る科学者に直接利益をもたらす。
参考スコア（独自算出の注目度）: 6.99768150961445
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We report a framework that enables the broad adoption of authentic research educational methodology at various schools. We list and address common barriers that appear in many existing authentic research education programs. In our program, teams of students with complementary skills develop useful artificial intelligence (AI) solutions for researchers in natural sciences. To accomplish this, we work with research laboratories that reveal/specify their needs, and then our student teams work on the discovery, design, and development of an AI solution for unique problems using a consulting-like arrangement. To date, our group has been operating at New York University (NYU) for six consecutive semesters, has engaged more than eighty students, ranging from first-year college students to master's candidates, and has worked with around twenty projects and collaborators. While creating education benefits for students, our approach also directly benefits scientists, who get an opportunity to evaluate the usefulness of machine learning for their specific needs.
Abstract（参考訳）: 我々は,様々な学校で真正な研究教育方法論を広範に採用できる枠組みについて報告する。我々は、既存の多くの研究教育プログラムに現れる共通の障壁をリストし、対処する。本プログラムでは,補完的な技術を持つ学生のチームが,自然科学研究者のための有用な人工知能(AI)ソリューションを開発した。これを実現するために、私たちは研究所と協力してニーズを明らかにし、特定し、学生チームはコンサルティングのようなアレンジメントを使って、ユニークな問題に対するaiソリューションの発見、設計、開発に取り組んでいます。これまでのところ、このグループはニューヨーク大学(NYU)で6学期連続で活動しており、1年生から修士候補まで80人以上の学生を雇い、約20のプロジェクトや協力者と協力してきた。学生に教育的利益をもたらす一方で、我々のアプローチは、特定のニーズに対する機械学習の有用性を評価する機会を得た科学者に直接利益をもたらします。

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。