Systeme, die bei der Suche nach Experten oder der Beantwortung technischer Fragen helfen, erleben eine erneute Aktivitätswelle.
Über vier Wochen hinweg wurden 62 Artikel zu Expertensuche und Fragen-Antwort-Systemen (Expert finding and Q&A systems) veröffentlicht, gegenüber 25 vier Wochen zuvor. Dieser Anstieg zeigt sich vor allem in der Bewertung von Modellen und der Aufgabenverteilung zwischen Menschen und Maschinen.
Drei aktuelle Artikel veranschaulichen diesen Trend:
- JEV vs. LLMs as Rubric Judges: Cheaper, Faster, and Wrong in the Same Places
- How Much Were You Told? Measuring External Information in Peer Reviews
- Experts Rise Where LLMs Disagree: Using Cross-Model Disagreement to Target Expert Effort in LLM Codebook Revision for Large-Scale Annotation
Der Begriff training seeds (19 Artikel über vier Wochen, gegenüber 7 zuvor) taucht in Arbeiten auf, die die Robustheit von Modellen gegenüber verzerrten oder unvollständigen Ausgangsdaten testen. Er bezeichnet die anfänglichen Beispiele, die zum Trainieren eines Systems verwendet werden, bevor es eigene Daten generiert.