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
Notice bibliographique
Résumé
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.
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 | 0,010 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».