Science Technology Engineering Mathematics
PulseAugur coverage of Science Technology Engineering Mathematics — every cluster mentioning Science Technology Engineering Mathematics across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
人工智能兴起，人文学科教育愈发重要
人工智能日益融入就业和决策等各个领域，这要求我们重新评估教育重点。虽然STEM和机器学习至关重要，但仅关注这些领域是不足够的。人文学科，包括文学、历史和哲学等学科，对于培养人工智能无法复制的独特人类技能至关重要，从而使个人能够在一个人工智能增强的未来蓬勃发展。
-
新的Sci-Rho基准测试VLM在多语言STEM问题上的鲁棒性
研究人员推出了Sci-Rho，一个旨在测试视觉语言模型（VLM）在STEM问题上鲁棒性的新多语言基准。该基准包含五个学科和七种语言的4200多个问题模板，生成了超过42000个独特实例。对17个最先进VLM的评估显示，平均准确率和最差情况准确率之间存在显著差距，与大型专有模型相比，小型模型在跨语言性能下降方面表现更明显。
-
Peter Thiel：人工智能对STEM岗位的威胁大于对创意岗位的威胁
亿万富翁Peter Thiel认为，人工智能对技术岗位的威胁比对创意或沟通岗位的威胁更大。他认为，讲故事和强大的沟通能力等技能在就业市场上的价值越来越高，一些公司为这些职位提供丰厚的薪水。虽然人工智能提示工程等技术技能仍然很受欢迎，但它们通常需要语言和创意能力来优化人工智能的输出，这表明最受欢迎的熟练程度正在发生转变。
-
中国STEM博士创办讽刺期刊以发泄学术不满
中国STEM领域的初级研究人员正在创建讽刺期刊来应对学术压力。这些出版物通常以《Science》和《Nature》等著名科学期刊的名字幽默命名，作为“不发表就出局”的文化和激烈竞争所带来的挫败感的发泄渠道。研究人员认为，他们的工作往往是出于对物质利益的外部需求，而不是真正的科学探究，导致产出质量低下和枯燥乏味的感觉。
-
阿联酋学校整合人工智能驱动的STEM学习系统
阿联酋的学校正在采用人工智能驱动的STEM教育平台，重点关注机器人、编码和自动化。这些项目旨在提高学生的创造力、技术技能和分析能力。该举措旨在为学生未来在受人工智能影响的行业中就业做好准备。
-
CodePercept 利用代码而非仅靠推理来提升 LLM 的视觉感知能力
上海交通大学和 Qwen 团队的研究人员推出了一种名为 CodePercept 的新方法，旨在增强大型语言模型在 STEM 任务中的视觉感知能力。他们的研究表明，提升视觉感知能力，而非仅仅是推理能力，是模型解决科学和数学问题的关键瓶颈。CodePercept 利用代码作为精确的视觉理解语言，使模型能够生成准确表示图像内容的、可执行的代码，从而克服自然语言描述的固有歧义。
-
人工智能分析城市交通，对STEM论文评分，中国AI实验室进行创新
俄勒冈州立大学开发了LaTA，一个符合FERPA的本地LLM自动评分器，旨在简化STEM教育。该系统允许在校园硬件上进行安全、零成本的评分，且不改变现有的LaTeX工作流程，显著减少了评分时间。此外，利用人工智能的智能闭路电视系统在城市安全方面显示出潜力，一项研究表明明尼阿波利斯的车速降低了23%。与此同时，中国的AI生态系统正受到关注，DeepSeek因其协作方法而受到赞扬，这与西方模型形成了对比。
-
生成式AI工具MAIC-UI和TeachMaster简化教育内容创作
研究人员开发了MAIC-UI，一个旨在简化STEM课程互动内容创作的系统。该零代码平台允许教育工作者从现有文档（如教科书和PDF）生成并快速编辑教育材料。MAIC-UI利用结构化知识分析和生成-验证-优化流程，以确保教学准确性，并提供10秒以内的编辑周期。一项涉及高中生的研究表明，与传统方法相比，MAIC-UI提高了学习成果并缩小了差距。
-
STEM框架通过结构追踪证据挖掘增强知识图谱推理
研究人员推出STEM，一个旨在增强基于知识图谱的问答的新框架。该方法解决了知识图谱的结构异质性以及现有推理路径检索方法缺乏全局视角的问题。STEM将多跳推理重构为模式引导的图搜索，提高了检索任务的准确性和证据完整性。
-
可解释的机器学习模型帮助STEM教育者在学生对话中发现机械推理
研究人员开发了一种可解释的机器学习模型，用于识别学生团队对话中的机械推理实例。该工具分析个人发言和团队贡献，输出学生随时间进行此类推理的概率。该模型包含一种特定的归纳偏置，旨在将概率动态与领域特定行为对齐，实验表明这能提高泛化能力和可解释性。
-
ArguAgent 使用 GPT-5.2 对 STEM 学生进行分组，以促进更好的课堂论证
研究人员开发了 ArguAgent，这是一个生成式人工智能系统，旨在改善 STEM 课堂中的协作学习。该系统利用人工智能根据学生的论证立场和质量进行实时分组，旨在促进更具包容性和成效的讨论。使用 GPT-4o-mini 和 GPT-5.2 等 OpenAI 模型进行的测试表明，提示工程显著提高了评分准确性，而模型升级带来的提升较小。模拟显示，ArguAgent 在 95.4% 的情况下达到了其分组标准，比随机分配有了显著改进。