A Sketch of DSL and Code Generator for Accelerating Chatbot Development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In today’s world, chatbots have become a significant advancement in Artificial Intelligence (AI). They are extensively utilized to provide users convenient access to 24/7 services using natural language. The development of these conversational applications is evolving rapidly and necessitating specific knowledge and practical experience to successfully exploit all the functionalities of chatbot development platforms and frameworks. The heterogeneity of chatbot development tools and their need for NLP services makes it challenging to build chatbots. Thus, one possible solution to these problems is to construct a domain-specific language (DSL) to accelerate the development of Chatbots. A Domain Specific Language (DSL) is a programming language that provides expressive power within a specific problem domain by using appropriate abstraction notations. Abstract syntax, concrete syntax, and semantics are the three components that describe it. Furthermore, it is necessary to utilize generation templates to construct a chatbot for an already established platform. Through the use of a Model-Driven Architecture (MDA), which is an approach that focuses on modeling software systems at different levels of abstraction, from high-level requirements to platform-independent designs, this work aims to define a sketch of an independent language of the chatbot development platform by providing the components needed for our DSL, like metamodel for modeling conversations and developing transformations between models to generate the source code for a chatbot conforming to a specific implementation platform. This will facilitate the automatic generation of code.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle