социальные исследования в цифровых реалиях // ex какая-то библиотека

LaTeX и ИИ: тандем для эффективной верстки научных текстов. Проводим практическое занятие! На прошлом вебинаре с Андроником Арутюновым мы узнали, что такое LaTeX и кому он может быть полезен. С тех пор Андроник стал доктором физико-математических наук и стал активно использовать ИИ для работы с LaTeXом. Поэтому есть о чем провести еще один семинар. ⭐️ Занятие будет прикладное. Андроник в прямом эфире будет верстать научную статью в LaTeX, используя для написания кода искусственный интеллект! Причем статью он впервые увидит только на семинаре. Что будем делать на семинаре? 🔘Практически писать код в LaTeX с помощью ИИ. 🔘Верстать текст научной статьи. 🔘Создавать презентацию на основе статьи. Что узнаем? 🟣 Узнаем, насколько легко и быстро можно сверстать текст в LaTeX с помощью ИИ. 🟣Разберемся, как задать правильный промт для ИИ. 🟣Выясним, что все-таки нужно знать о LaTeX, чтобы эффективно использовать ИИ для написания кода. Когда? 15 июня Во сколько? В 12:00 (MSK) Где? https://meet.google.com/etw-kwfv-nfa

🖥 Анонсирован новый ChatGPT Edu, созданный для образовательных учереждений. Модель основана на GPT-4o, она может работать с текстовой и визуальной информациией, поддерживает передовые инструменты анализа данных. ChatGPT Edu включает в себя средства безопасности и контроля корпоративного уровня для образовательных учреждений. Новая модель дает возможность создавать пользовательские версии ChatGPT, и делиться ими для совместных исследований и обучения. - Значительно более высокие лимиты на количество сообщений, чем в бесплатной версии ChatGPT - Улучшены языковые возможности по качеству и скорости работы, поддерживается более 50 языков - Надежная защита информации,конфиденциальность данных и продвинутые административные средства управления ИИ. ChatGPT Edu призван заменить репетиторов и предоставляет: * Обратную связь и поддержку * Обучение и выставление оценок * Интеграцию с образовательными ресурсами openai.com/index/introducing-chatgpt-edu/ @ai_machinelearning_big_data

Если хочешь ИИ, иди-и-и… ...в канал HR2HR, который покажет, как делать привычные рабочие задачи в разы быстрее 🤝 Главное, использовать подходящие Нейросети. Список ИИ из поста: hat GPT — @chatsgpts_bot Notion.AI Yandex.GPT Gerwin AI You.com Retext AI Slider AI MagicSlides Parsio Audioread Youtube с ChatGPT и Claude На последней карточке мы рассказали про наш курс по ИИ для LMS- все подробности здесь💎

Понимают ли большие нейронные языковые модели (LMs) смыслы? 👾 В мире, где ИИ всё больше проникает в нашу жизнь, особенно в сферу социальных исследований, возникает вопрос: способны ли большие нейронные языковые модели (LMs) понимать смыслы? Что такое большие нейронные языковые модели (LMs)? LMs - это алгоритмы машинного обучения, которые обучаются предсказывать следующий элемент последовательности, будь то символ, слово или предложение. Благодаря огромному количеству данных, на которых они обучаются, LMs демонстрируют впечатляющие результаты в различных задачах, включая перевод, создание текста и ответов на вопросы. Но понимают ли они смыслы? Чтобы ответить на этот вопрос, нужно определиться, что мы подразумеваем под "смыслом". Эмили М. Бендер и Александр Коллер предлагают рассматривать смысл как связь между языковой формой и коммуникативным намерением. Проще говоря, смысл - это то, что мы хотим выразить с помощью слов, а также то, что другой человек понимает из нашего высказывания. Авторы статьи "Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data" аргументируют, что LMs, обучаясь только на языковой форме, не могут в принципе понимать смыслы. Они приводят следующие аргументы: 🖇 Отсутствие коммуникативного намерения: LMs обучаются на текстах, которые не связаны с конкретным контекстом или намерением говорящего. Они не знают, что хотел сказать автор текста, и не могут понять, что хочет выразить человек, используя эти слова. 🖇 Проблема основания: LMs не имеют доступа к реальному миру и не могут связать слова с конкретными объектами или явлениями. Например, LM может знать, что "собака" - это животное, но она не сможет узнать, что это за собака, если ей не показать фотографию. 🖇Активное участие слушателя: Понимание смысла требует не только знания слов, но и активного участия слушателя. Слушатель должен учитывать контекст, тон голоса говорящего, его невербальные сигналы и многое другое. LMs не способны к такому активному участию. Пример "Испытание осьминогом" Чтобы иллюстрировать свою точку зрения, авторы представляют мысленный эксперимент с "осьминогом". Представьте, что два человека, говорящих на одном языке, оказались на отдельных островах и могут общаться только с помощью телеграфа. "Осьминог", который не может видеть эти острова и не знает их язык, подключается к телеграфу и начинает анализировать их переписку. "Осьминог" может научиться предсказывать ответы одного человека на слова другого, но он не сможет понять смысл их общения. Если один из людей начнет говорить о чем-то конкретном, например, о строительстве ловушки для рыбы, "осьминог" не сможет понять инструкции и дать осмысленный ответ. Он может только повторять слова, которые он уже слышал в похожих контекстах. Так что же мы можем сказать о LMs и понимании смыслов? LMs способны выполнять многие задачи, которые требуют обработки языка, но они не понимают смыслы в том же смысле, что и люди. Они могут использовать слова в соответствии с установленными правилами, но они не могут понять их истинное значение и не могут связать их с реальным миром.

Bender, Emily M., и Alexander Koller. 2020. «Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data». Сс. 5185–98 в Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Online: Association for Computational Linguistics.

Люблю делать методички. Буду пополнять и расширять методичку "Советы по ИИ-промтам для социологов". https://docs.google.com/document/d/1Nr81qRq8WqIobgdYJ8IEIZKMZswE0ZMZBNI5ZPnQgng/edit?usp=sharing #промты_для_исследований

Промты для учебы, исследований и работы: текст для презентаций Я обожаю создавать презентации: подбирать фон, рисовать графики. Это меня успокаивает и увлекает. Но вот писать тексты к ним – совсем другое дело. Не люблю я это, потому что получаются либо слишком длинные и нудные, либо полные ошибок и опечаток. Описать суть работы могу, но текст будет ужасным. Поэтому я с радостью доверяю написание, оформление, пересказ, перефразирование и редактирование текстов искусственному интеллекту. Я работаю над содержанием, а Чад-Пити или Джемини превращают его в удобочитаемый и понятный текст. Задача: Я написала магистерскую диссертацию в ИТМО по теме климатической политики. Теперь мне нужно сделать презентацию. Требования: Четкая и структурированная информация. Отражение основных моментов диссертации. Лаконичность (с чем у меня, к сожалению, проблемы). Решение: Я составила подробный промпт для Gemini, чтобы он на основе 90 страниц диплома сделал презентацию и речь. Результат: В итоге я получила текст для презентации и речь. Вот ссылка на промт и результат. Ссылка на промпт и результат: [Вставьте сюда ссылку] #AI_Google_Studio_Gemini #промты_для_аналитиков

отдельный мой лайк Gemini за возможность голосового ввода. я в последнее время очень ленюсь печатать, поэтому записываю голос и расшифровываю. #Gemini_Google

Сегодня расскажу о моих опытах в Prompt Engineering для написания обзоров. На примере обзора статей о социотехнических воображаемых. В академических сервисах, которые я пробовала, часто встречается проблема с качеством цитат и негибкостью интерфейса. Например, в некоторых сервисах (Elicit) можно указать, какие данные выводить из таблиц, но никак нельзя повлиять на точность цитат и язык, на котором они будут. SciSpace, например, начинает глючить при попытке автоматического перевода страницы с английского на русский. Мне важно понимать, на основе каких инструкций были написаны данные, поэтому я стала использовать Google AI Studio с языковой моделью Gemini. Это бесплатный инструмент с множеством возможностей, включая подачу на вход около миллиона токенов, что позволяет загружать промты и несколько PDF-файлов. Теперь о моем опыте автоматизации создания литературного обзора. Прямолинейный подход - просто закинуть PDF-файлы в модель и ждать готовый обзор - не работает. Вместо этого я сначала извлекаю нужные данные из PDF-файлов. Я написала промт, который анализирует PDF и выводит данные в таблицу с определенной структурой, указывая, что должно быть в каждом столбце и на каком языке. Gemini справляется с этой задачей через интерфейс Google AI Studio. Получившаяся таблица удобна для навигации и помогает сравнивать тексты между собой. В дальнейшем я хочу составить такие таблицы с более точными цитатами. Плюс Gemini в том, что можно настраивать температуру модели, контролируя тем самым точность данных. Моя гипотеза заключается в том, что такой подход позволит добиться более высокого качества итогового обзора. Об этом расскажу на следующей неделе, когда закончу работу. Хочу ответить скептикам: такая работа с текстом не заменяет чтение самих статей, но помогает структурировать прочитанное и писать собственные тексты на основе этой структуры. Промт. Итог (таблица). #ИИ_для_аналитики