How Citizen Developers Changed the Game
Notice bibliographique
Résumé
Artificial Intelligence (AI) has come in with highly intelligent systems that continuously do ever more complex tasks. The proposed research relates to one of the newer paradigms in AI research, Agentic AI, which can be understood as autonomous, self-directed software agents that can execute goal-driven behavior via multimodal reasoning. This paper explores the design, construction, and deployment of Agentic Artificial Intelligence systems capable of synthesizing information across different modalities, including text, images, audio, and environment monitoring sensors, so as to generate intelligent autonomous choices. The main deliverable of the research is the development of a framework, which combines multimodal mechanisms of reasoning with agent-based architectures, and allows adaptive and context-sensitive behavior. To address this problem, we postulate a modular architecture that integrates the ability to learn fast and enough through reinforcement learning and profound associations throughout symbolic reasoning in this paper to effectuate decision-making in a real-time scenario and learning in a challenging arena. Our literature review is extensive and follows the development of autonomy in AI systems, the purpose of multimodal reasoning and issues in integration. The approach we use presents a layered model, which consists of perception, cognition, and action modules that accomplish specific tasks and communicate with each other using a common knowledge base. Our prototype system has been tested on various benchmarking scenarios, including navigation, task planning, and multi-agent coordination. Experience indicates a significant increase in task completion rate, awareness of context, and learning efficiency compared to unimodal and static AI agents. The paper concludes with a discussion of the ethical implications, limitations, and future trends of developing generalizable, safe, and socially agreeable autonomous agents. The study aims to develop agents that not only act intelligently but also learn and respond to new circumstances in intelligent ways
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,009 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,009 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».