Lessons From Two Roundtables on Artificial Intelligence and Signal Processing Education: Addressing the emergence of a new era and a new discipline [Special Issue on Artificial Intelligence for Education: A Signal Processing Perspective]
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
Recently, the Signal Processing Society Education Board launched an initiative to host roundtables discussing the impact of machine learning and artificial intelligence advancements in signal processing education. The first of these events took place in October 2023. The panelists were Profs. Alan Bovik (The University of Texas at Austin), Edward J. Delp (Purdue University), Aggelos K. Katsaggelos (Northwestern University), Anna Scaglione (Cornell University and Cornell Tech.), Sharon Gannot (Bar-Ilan University), and Andreas Spanias (Arizona State University). The panel was moderated by Profs. Marios Pattichis (University of New Mexico) and Andres Kwasinski (Rochester Institute of Technology). The second panel, which was organized during ICASSP 2024, had as panelists Profs. Gene Cheung (York University), Danilo Mandic (Imperial College London), Martin Haardt (Ilmenau University of Technology), and José M. F. Moura (Carnegie Mellon University). This panel was moderated by Prof. Andres Kwasinski. This article summarizes the roundtable discussions, distills key lessons, and offers additional insights. A key consensus among the panels was that we are at a pivotal moment when we are witnessing the emergence of a new discipline that combines the model-based approach from traditional signal processing with the data-driven approach from ML and Data Science. The emergence of this new discipline calls for new pedagogical methods and brings new tools that will reshape how we do research.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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