University of Michigan（密歇根大学安娜堡分校）

Transforming GenAI Policy to Prompting Instruction: An RCT of Scalable Prompting Interventions in a CS1 Course

将生成式AI政策转化为提示指令：一项在CS1课程中可扩展的提示干预随机对照试验

Ruiwei Xiao, Runlong Ye, Xinying Hou, Jessica Wen, Harsh Kumar, Michael Liut, John Stamper

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； University of Toronto Mississauga（多伦多大学滑铁卢分校） 纠错

AI总结 本研究通过随机对照试验验证了基于ICAP框架的提示干预在提升学生提示技能和考试成绩方面的有效性，为生成式AI教育政策的改进提供了理论和实践指导。

Comments 11 pages, 3 figures

Adaptive Semi-Supervised Training of P300 ERP-BCI Speller System with Minimum Calibration Effort

自适应半监督训练的P300 ERP-BCI拼写系统：最小校准努力

Shumeng Chen, Jane E. Huggins, Tianwen Ma

机构 * Department of Biostatistics and Bioinformatics（生物统计学与生物信息学系） ； Rollins School of Public Health, Emory University（埃默里大学罗林斯公共卫生学院） ； Department of Physical Medicine and Rehabilitation（物理医学与康复系） ； Department of Biomedical Engineering（生物医学工程系） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出了一种自适应半监督学习框架，通过最小化校准努力提升P300 ERP-BCI拼写系统的实时拼写效率。

Comments 8 pages, 8 figures

From Collapse to Improvement: Statistical Perspectives on the Evolutionary Dynamics of Iterative Training on Contaminated Sources

从崩溃到改进：对迭代训练在受污染源上演变动力学的统计视角

Soham Bakshi, Sunrit Chakraborty

机构 * Department of Statistics, University of Michigan, Ann Arbor（统计系，密歇根大学，安娜堡） ； Department of Statistical Science, Duke University（统计科学系，杜克大学） 纠错

AI总结 本文从统计学角度研究了在受污染数据上迭代训练生成模型的演变动力学，发现通过适当样本量训练可避免崩溃并恢复真实分布。