一篇新论文探讨了自动化审计在验证科学代码和数据方面的有效性。研究发现,虽然审计模型在通用代码上可以达到很高的召回率,但随着阅读次数的增加,其性能会下降,并且在处理规范中未明确定义的行为时会遇到困难。在科学背景下,该模型在识别不一致的数字报告和错误数据方面显示出潜力,尽管其性能取决于具体任务和验证方法。该研究强调了当前自动化审计的局限性,特别是在区分真实错误和新颖但正确的科学方法方面。 AI
影响 这项研究为人工智能在验证科学完整性方面的能力和局限性提供了见解,可能影响审计工具的未来发展。
排序理由 该条目是发表在arXiv上的研究论文,详细介绍了实证结果和分析。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- Connected Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- Litmaps
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →