Wooden alphabet letters in educational kit

本研究探讨了177名人类参与者与177名GPT-3.5模拟的人工人类在STEM思维模式上的差异。通过行为形式思维网络(BFMNs)，研究发现人类的思维网络在概念关联的聚类系数上显著高于GPT-3.5，显示出人类在回忆STEM概念时更倾向于形成紧密的概念三元组，这一发现为理解思维结构及其对记忆的影响提供了重要的认知视角。

本研究针对教育场景中的模糊性问题，提出了多样化表达检索任务，并引入了包含24000对查询的STEM教育检索数据集（SER）。Uni-Retrieval在检索任务中表现出色，提供了可扩展且精确的解决方案。

本研究提出了一种新工具STEMS，优化脉冲神经网络的映射设计，显著减少数据移动和能量消耗，最高可降低12倍和5倍，同时保持准确性。

本研究针对现有大型语言模型（LLMs）在知识评估方面过于侧重英语的问题，提出了一种新的阿拉伯语多选题数据集AraSTEM，旨在全面评估这些模型在STEM学科的知识。研究发现，许多现有模型在该数据集上表现不佳，强调了开发更本地化语言模型的必要性。

本研究针对大模型在物理问题回答任务中面临的数学能力不足和幻觉现象的局限，提出了一种混合专家模型与类比提示的方法，显著提高了模型在标准大模型上的表现。同时，研究调查了这些提示技术的局限性及其对模型性能的影响，并提出了类比链式思路提示技术，以帮助小型开源模型更好地利用类比提示。

本研究分析了大学生在STEM课程中使用生成性人工智能工具的方式及原因，发现虽然这些工具能节省时间，但未能有效提升学生的问题解决能力，揭示了教育应用中的风险与机遇。

本研究解决了聋人和听力受损学生在科学、技术、工程和数学(STEM)教育中面临的资源匮乏问题，特别是在手语资源方面。我们推出的ASL STEM Wiki是第一个专注于STEM的连续手语数据集，提供超过300小时的美国手语(ASL)解释，有助于开发用于STEM教育的人工智能资源，显著提升DHH学生的学习体验。

本研究针对视觉模仿学习中存在的在视觉输入扰动（如光照和纹理变化）下缺乏泛化能力的问题。我们提出了一种新方法Stem-OB，利用预训练的图像扩散模型来抑制低级视觉差异，同时保持高级场景结构。实验结果表明，Stem-OB在真实世界应用中成功率平均提升22.2%，展示了其显著的实用价值。

研究评估了K-12 STEM教育中大语言模型的应用，特别是提示工程。分析2021至2024年30项研究，发现高级提示技术在教育任务中效果更好，小型和微调模型在特定情境下可超越大型模型。

本文研究了自监督通用音频表示学习的问题，使用联合嵌入预测架构（JEPA），通过分割mel频谱图为上下文和目标两部分，训练神经网络从上下文表示中预测目标表示。研究发现图像领域的设计选择会导致音频上的性能下降，凸显了两种模态之间的重要差异。