MétaCan
Menu
Retour à la cohorte
Enregistrement W6925318726 · doi:10.18130/ratx-m959

LLM Threat Query - Improving LLM KQL Generation; Bridging Actors And Accountability In AI Driven Misinformation Using Actor Network Theory; Earthquake Analysis And Prediction: Comparing ETAS And USGS Earthquake Data

2025· article· en· W6925318726 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueLibra · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeological formations and processes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProspectusMisinformationAccountabilityStakeholderWorkflowBridging (networking)NIST

Résumé

récupéré en direct d'OpenAlex

Technical Report Earthquakes pose a significant threat to human lives and infrastructure, providing a need for accurate earthquake forecasting models to help mitigate risk. My capstone research project presents a comprehensive analysis comparing synthetic earthquake simulations generated by the Epidemic-Type Aftershock Sequence (ETAS) model with historical earthquake records from the United States Geological Survey (USGS) spanning 1960 to 2023. I found discrepancies between modeled and observed data by analyzing patterns and energy related to significant earthquakes (magnitude ≥ 6.5). Notably, ETAS simulated data shows higher average energy levels before and after major earthquakes, while USGS data indicates a considerable energy spike just before the main event, which is not observed in ETAS data. STS Prospectus & Research Paper My STS research paper examines Air Canada’s 2024 chatbot failure through ANT and argues that the chatbot’s failure was a result of its actor-network rather than an isolated technical error. It examined several factors within Air Canada’s network that contributed to this failure including corporate strategy, industry trends, cheaper GPU access, and legal ambiguities and accountability. The technical project presented in the Prospectus develops a framework to improve the accuracy of Large Language Model (LLM) queries in generating Kusto Query Language (KQL) queries. Working on both projects simultaneously enhanced my understanding of AI products and failures in their implementation. The technical project allowed me to focus on combating AI hallucinations from a technical perspective, enriched by insights from STS research, which shows how socio-technical dynamics shape technical design. Note: technical project referenced is LLM Threat Query that I have been working on during fall 2024 - spr 2025 which is unrelated to my capstone research - Earthquake Analysis And Prediction, that I completed during spr 2024.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,418
Score d'incertitude au seuil0,500

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,003
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,253
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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