生成人工智能（GAI）已成为内容生成，推理和决策的关键技术，使其成为以开放性，连接的情报和服务民主化为特征的6G阶段的有前途的解决方案。本文探讨了将未来的6G网络中的GAI集成和货币化的策略，主要是从移动网络运营商（MNOS）的角度来看。我们提出了一个新颖的以API为中心的电信GAI市场平台，旨在作为直接在网络内部部署，管理和货币化的中央枢纽 ...
大型语言模型（LLM）的最新进展已在零击文本到语音（TTS）综合方面取得了重大进展。但是，现有的基础模型依靠多阶段处理或复杂的体系结构来预测多个代码簿，限制效率和集成灵活性。为了克服这些挑战，我们介绍了由Bicodec提供支持的新型系统Spark-TT，这是一种单流语音编解码器，将语音分解为两种互补的 Token 类型：低 - 抑制语言语言 Token ，用于语言内容和固定的扬声器全球 Token ...
知识追踪（KT）任务着重于根据历史互动来预测学习者的未来表现。知识状态在学习过程中起着关键作用。但是，考虑到知识状态受到互动过程中各种学习因素的影响，例如练习相似性，回答可靠性和学习者的学习状态 ...
新兴的知识追踪（KT）模型，尤其是深度学习和基于注意力的知识追踪，通过根据他们过去的互动来预测学生的未来表现，在实现个性化学习分析方面表现出了巨大的潜力。现有方法主要集中于过去的互动或单个概念，而没有考虑知识概念之间的依赖性（称为知识概念路线，这对于促进理解学生的学习成果至关重要。为了解决这个问题，在本文中，我们通过有效地将知识概念路线的领域知识途径纳入给定课程中提出了一种创新的基于注意力的方法 ...
知识追踪（KT）是智能辅导系统（ITS）的基本组成部分，使学生的知识状态可以预测未来的表现。深度知识追踪（DKT）的引入是第一个基于深度学习的KT（DLKT）模型，在适用性和全面性方面带来了很大的优势。但是，最近的DLKT模型（例如专注知识跟踪（AKT））经常以这些收益为代价对预测性能进行了优先排序 ...
知识跟踪（KT）问题是个性化教育中极为重要的话题，该问题旨在预测学生是否可以根据他们过去的问答记录正确回答下一个问题。此任务的先前工作主要集中于根据ID或文本信息学习行为顺序。但是，这些研究通常无法捕获学生的足够行为模式，而没有对问题的丰富知识来推理 ...
知识追踪（KT）通过建模学生的历史互动来预测未来的表现，并了解学生的情感状态可以提高KT的有效性，从而提高教育质量。尽管传统的KT重视学生的认知和学习行为，但由于数据和预算约束的非影响力性质，对学生的情感状态及其在KT中的应用仍需要进一步探索。为了解决这个问题，我们提出了一种计算驱动的方法，动态影响模拟知识追踪（DASKT），以探索各种学生情感状态（例如挫败感，集中，无聊和困惑）对其知识状态的影响 ...
由于编码任务的复杂性以及学生用来解决问题的各种方法，因此在编程教育中的知识追踪（KT）提出了独特的挑战。尽管学生的问题通常包含有关他们的理解和误解的宝贵信号，但传统的KT模型经常忽略将这些问题纳入解决这些挑战的投入。本文介绍了SQKT（学生基于问题的知识跟踪），这是一种知识追踪模型，利用学生的问题并自动提取技能信息，以提高预测学生在随后的编程教育问题上的表现的准确性 ...
