How Much Confidence Do We Have for GenAI-Based Reasoningƒ A Statistical Inference Perspective for Reliability Estimation
Notice bibliographique
Résumé
This paper investigates the confidence of using GenAI-based models in performing quantitative reliability reasoning, specifically focusing on estimating the shape and scale parameters of Weibull distributions. By using synthetic datasets generated from Weibull models, we design multiple experimental factors, including sample sizes, shape parameters, prompts, and five GenAI models (Claude, DeepSeek, Gemini, ChatGPT, and xAI) to see how various factors impact parameter estimations in the Weibull reliability model. The confidence levels and robustness of each GenAI model’s estimates are assessed through a factorial experimental design framework. Notably, the estimates of unknown parameters for Weibull model do not converge over increasing sample size as commonly observed in the traditional pure statistics-based inference. We also observe that ChatGPT and DeepSeek perform the best for both shape and scale parameters’ estimation compared with other GenAI models. ChatGPT and DeepSeek also show robustness in estimating parameters regardless of the types of prompts being used. The findings of this paper highlight the reliability and confidence of using GenAI models for unknown parameter estimation in quantitative reliability engineering analysis.
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 | 0,103 | 0,484 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,008 |
| 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 ».