Forwarded from Dsight
🚀 Хочешь влиять на развитие технологических рынков? Dsight ищет Junior аналитиков! 🚀
Чем предстоит заниматься:
- Участие в исследовательских проектах: поиск, обработка и анализ информации, составление скриптов для интервью.
- Готовить содержательную часть проектов в виде аналитических обзоров и презентаций.
- Мониторинг продуктов конкурентов и лидеров рынка.
- Участие во внутренних задачах отдела: помощь в подготовке контента для СМИ и соцсетей, помощь в сборе и анализе венчурных сделок, аналитическая поддержка коллег из других отделов.
Что для нас важно:
- Минимум 1 год опыта анализа рынков, трендов, конкурентов
- Возможность работать полный день (8 часов).
- Английский язык B2+.
- Внимательность, ответственность, проактивность, самостоятельность.
- Навыки визуализации данных (PPT).
- Интерес к инновациям и новым технологиям.
Что мы предлагаем:
- Доход: 50 000 - 65 000 рублей (оклад) + премия за участие в проектах.
- Удаленная работа или гибридный формат (офис у м. Калужская).
- Различные варианты трудоустройства.
👉 Отправляйте резюме и примеры работ (при наличии) @DashaZharkova 👈
🚀 Стань частью команды Dsight! 🚀
Чем предстоит заниматься:
- Участие в исследовательских проектах: поиск, обработка и анализ информации, составление скриптов для интервью.
- Готовить содержательную часть проектов в виде аналитических обзоров и презентаций.
- Мониторинг продуктов конкурентов и лидеров рынка.
- Участие во внутренних задачах отдела: помощь в подготовке контента для СМИ и соцсетей, помощь в сборе и анализе венчурных сделок, аналитическая поддержка коллег из других отделов.
Что для нас важно:
- Минимум 1 год опыта анализа рынков, трендов, конкурентов
- Возможность работать полный день (8 часов).
- Английский язык B2+.
- Внимательность, ответственность, проактивность, самостоятельность.
- Навыки визуализации данных (PPT).
- Интерес к инновациям и новым технологиям.
Что мы предлагаем:
- Доход: 50 000 - 65 000 рублей (оклад) + премия за участие в проектах.
- Удаленная работа или гибридный формат (офис у м. Калужская).
- Различные варианты трудоустройства.
👉 Отправляйте резюме и примеры работ (при наличии) @DashaZharkova 👈
🚀 Стань частью команды Dsight! 🚀
Кабинетные исследования, или desk research, - это важнейший первый шаг в любом UX-проекте. Прежде чем приступать к полевым исследованиям, разработке прототипов или юзабилити-тестированию, необходимо изучить существующие данные и исследования, связанные с областью вашего продукта.
Зачем проводить кабинетные исследования?
Как подойти к кабинетным исследованиям?
1. Изучите контекст использования вашего продукта.
2. Ищите исследования, которые пересекаются с контекстом использования.
3. Ищите информацию внутри вашей организации.
4. Ищите более общую информацию о ваших пользователях, среде и целях.
5. Используйте разные источники информации.
Кабинетные исследования - это не просто поиск информации в Google. Это систематический подход к изучению существующих данных, который поможет вам лучше понять ваших пользователей и создать более эффективный продукт.
Please open Telegram to view this post
VIEW IN TELEGRAM
Первичные или вторичные исследования? Чек-лист
Выбирайте первичные исследования, когда вам:
🖇 Нужна актуальная информация, которой нет в свободном доступе;
🖇 Изучаете конкретные вопросы или проблемы, не затронутые в существующих исследованиях;
🖇 Требуется подробная информация непосредственно от вашей целевой аудитории;
🖇 Стремитесь проверить новые идеи на реальных пользователях быстро.
Кабинетные исследования часто прокладывают путь для первичных исследований. Выбирайте этот подход, когда вам:
🖇 Нужен системный обзор темы или отрасли;
Хотите получить базовые знания и контекст для проработки дизайна полевого исследования;
🖇 Стремитесь изучить существующие тенденции и статистику;
🖇 Хотите сравнить разные точки зрения на одну и ту же тему;
🖇 Стремитесь сэкономить время и ресурсы.
Выбирайте первичные исследования, когда вам:
Кабинетные исследования часто прокладывают путь для первичных исследований. Выбирайте этот подход, когда вам:
Хотите получить базовые знания и контекст для проработки дизайна полевого исследования;
Please open Telegram to view this post
VIEW IN TELEGRAM
В контексте проекта с множеством файлов очень важно создать план файлов и следовать некоторым согласованным правилам именования файлов.
Основные советы по именованию файлов:
Please open Telegram to view this post
VIEW IN TELEGRAM
Искусственный интеллект как инструмент для моделирования социальных взаимодействий: возможности и риски
В последние годы большие языковые модели (LLM) стали неотъемлемой частью нашей жизни. Они используются в чат-ботах, переводчиках, поисковых системах и даже в качестве помощников по написанию текстов. Но что, если LLM можно использовать для моделирования социальных взаимодействий?
Авторы статьи "Моделирование субъектов: обещание и опасность использования ИИ в качестве заменителей социальных агентов и взаимодействий" исследуют потенциал LLM для моделирования социальных взаимодействий. Они утверждают, что LLM могут быть использованы для создания реалистичных цифровых двойников людей, которые могут участвовать в сложных социальных взаимодействиях.
Авторы статьи выделяют несколько преимуществ использования LLM для моделирования социальных взаимодействий:
Доступность: LLM легко доступны и могут быть использованы для проведения исследований с минимальными затратами.
Масштабируемость: LLM позволяют проводить исследования с большим количеством участников, что было бы невозможно с использованием реальных людей.
Изучение редких взаимодействий: LLM могут быть использованы для моделирования взаимодействий между людьми, которые в реальной жизни встречаются редко, например, между политическими лидерами или учеными из разных областей.
Однако авторы статьи также предупреждают о потенциальных рисках использования LLM для моделирования социальных взаимодействий:
Недостаточная реалистичность: LLM могут неточно моделировать человеческое поведение, так как они не обладают полным пониманием человеческого опыта.
Предвзятость: LLM могут быть предвзятыми, так как они обучаются на данных, которые отражают существующие социальные предрассудки.
Недостаток сенсорного опыта: LLM не обладают сенсорным опытом, который необходим для полного понимания человеческого поведения.
Авторы статьи предлагают несколько принципов для разработки исследований с использованием LLM, которые помогут минимизировать эти риски:
Использование правильных методов обучения: LLM можно обучать на данных, которые отражают реальный мир, а не только на текстовых данных.
Проверка результатов: Необходимо проверять результаты моделирования на реальных людях, чтобы убедиться в их точности.
Использование многомодальных данных: LLM можно обучать на данных, которые включают в себя не только текст, но и изображения, видео и аудио.
Авторы статьи также подчеркивают важность этических вопросов, связанных с использованием LLM для моделирования социальных взаимодействий. Они предупреждают о том, что LLM могут быть использованы для манипулирования людьми, а также о том, что необходимо учитывать моральные аспекты использования LLM в качестве цифровых двойников людей.
В заключение, авторы статьи утверждают, что LLM обладают огромным потенциалом для моделирования социальных взаимодействий, но необходимо использовать их с осторожностью и учитывать все потенциальные риски.
В последние годы большие языковые модели (LLM) стали неотъемлемой частью нашей жизни. Они используются в чат-ботах, переводчиках, поисковых системах и даже в качестве помощников по написанию текстов. Но что, если LLM можно использовать для моделирования социальных взаимодействий?
Авторы статьи "Моделирование субъектов: обещание и опасность использования ИИ в качестве заменителей социальных агентов и взаимодействий" исследуют потенциал LLM для моделирования социальных взаимодействий. Они утверждают, что LLM могут быть использованы для создания реалистичных цифровых двойников людей, которые могут участвовать в сложных социальных взаимодействиях.
Авторы статьи выделяют несколько преимуществ использования LLM для моделирования социальных взаимодействий:
Доступность: LLM легко доступны и могут быть использованы для проведения исследований с минимальными затратами.
Масштабируемость: LLM позволяют проводить исследования с большим количеством участников, что было бы невозможно с использованием реальных людей.
Изучение редких взаимодействий: LLM могут быть использованы для моделирования взаимодействий между людьми, которые в реальной жизни встречаются редко, например, между политическими лидерами или учеными из разных областей.
Однако авторы статьи также предупреждают о потенциальных рисках использования LLM для моделирования социальных взаимодействий:
Недостаточная реалистичность: LLM могут неточно моделировать человеческое поведение, так как они не обладают полным пониманием человеческого опыта.
Предвзятость: LLM могут быть предвзятыми, так как они обучаются на данных, которые отражают существующие социальные предрассудки.
Недостаток сенсорного опыта: LLM не обладают сенсорным опытом, который необходим для полного понимания человеческого поведения.
Авторы статьи предлагают несколько принципов для разработки исследований с использованием LLM, которые помогут минимизировать эти риски:
Использование правильных методов обучения: LLM можно обучать на данных, которые отражают реальный мир, а не только на текстовых данных.
Проверка результатов: Необходимо проверять результаты моделирования на реальных людях, чтобы убедиться в их точности.
Использование многомодальных данных: LLM можно обучать на данных, которые включают в себя не только текст, но и изображения, видео и аудио.
Авторы статьи также подчеркивают важность этических вопросов, связанных с использованием LLM для моделирования социальных взаимодействий. Они предупреждают о том, что LLM могут быть использованы для манипулирования людьми, а также о том, что необходимо учитывать моральные аспекты использования LLM в качестве цифровых двойников людей.
В заключение, авторы статьи утверждают, что LLM обладают огромным потенциалом для моделирования социальных взаимодействий, но необходимо использовать их с осторожностью и учитывать все потенциальные риски.
коллеги, у меня куча статей и гайдов по библографии было на ноушне. а ноушн всё.
куда перебираться? принимаю советы👀
куда перебираться? принимаю советы
Please open Telegram to view this post
VIEW IN TELEGRAM
В связи с переездом из ноушна дублирую ссылки на методички и сборники статей.
✨ Методичка по академической библиографии, поиску научной литературы и Zotero: ссылка
✨ Методичка по промт-инжинирингу: ссылка
✨ Сборник промтов для кабинетных исследований и социальных наук: ссылка
❤️ Ютуб-канал какой-то библиотеки: ссылка
❤️ Нельзяграм мой личный (кофе, книжки, мемы, депрессия): ссылка
⭐️ Поддержать канал: https://taplink.cc/ekaganova ⭐️
Please open Telegram to view this post
VIEW IN TELEGRAM
какая-то библиотека pinned «В связи с переездом из ноушна дублирую ссылки на методички и сборники статей. ✨ Методичка по академической библиографии, поиску научной литературы и Zotero: ссылка ✨ Методичка по промт-инжинирингу: ссылка ✨ Сборник промтов для кабинетных исследований и социальных…»
Научно обоснованная политика: создание "банков доказательств"
В настоящее время правительства сталкиваются с необходимостью принимать решения по сложным вопросам, таким как изменение климата, здравоохранение и образование, опираясь на научные данные. Однако объем исследований огромен, и синтез информации для принятия обоснованных решений зачастую затруднен.
Проблема
Традиционно синтез научных данных – процесс трудоемкий и длительный. Исследователям приходится вручную просматривать множество публикаций, оценивать их качество, извлекать данные и обобщать результаты. Это может занимать месяцы или даже годы, что делает информацию устаревшей к моменту ее использования. Кроме того, в разных областях науки количество доступных синтезов сильно различается. Например, в медицине широко используются систематические обзоры, обобщающие результаты клинических испытаний, в то время как в социальных науках таких обзоров значительно меньше.
Решение
"Банки доказательств" представляют собой базы данных, содержащие предварительно отобранные и проанализированные исследования, помеченные метаданными, такими как методология, географическое положение и другие. Это позволяет исследователям и политикам быстро находить нужную информацию и проводить синтез данных с помощью специальных инструментов.
Преимущества
Ускорение процесса синтеза: Использование "банков доказательств" и инструментов на основе искусственного интеллекта (ИИ) позволяет значительно сократить время, необходимое для обобщения научных данных.
Повышение качества синтеза: Стандартизация данных и использование проверенных методов анализа повышают надежность и достоверность результатов.
Доступность информации: "Банки доказательств" делают научную информацию доступной для широкого круга пользователей, включая политиков, исследователей и общественность.
Постоянное обновление: "Живые" синтезы, которые постоянно обновляются по мере появления новых данных, позволяют политикам принимать решения на основе самой актуальной информации.
Примеры
Образование: Фонд Education Endowment Foundation (EEF) в Лондоне создал базу данных, содержащую более 3500 исследований в области образования. На основе этой базы были разработаны систематические обзоры, показывающие влияние различных факторов, таких как репетиторство, домашние задания и размер класса, на успеваемость учащихся.
Здравоохранение: В период пандемии COVID-19 возникла острая необходимость в быстрых синтезах данных для принятия решений о лекарствах, масках и карантинных мерах. Это привело к развитию инструментов и методов для ускорения процесса синтеза.
Перспективы
В настоящее время фонды, такие как Wellcome и ESRC, инвестируют значительные средства в разработку "банков доказательств" и инструментов для синтеза данных. Цель – создать систему, которая позволит политикам во всем мире получать быстрый доступ к актуальной научной информации и принимать обоснованные решения по важнейшим вопросам.
В настоящее время правительства сталкиваются с необходимостью принимать решения по сложным вопросам, таким как изменение климата, здравоохранение и образование, опираясь на научные данные. Однако объем исследований огромен, и синтез информации для принятия обоснованных решений зачастую затруднен.
Проблема
Традиционно синтез научных данных – процесс трудоемкий и длительный. Исследователям приходится вручную просматривать множество публикаций, оценивать их качество, извлекать данные и обобщать результаты. Это может занимать месяцы или даже годы, что делает информацию устаревшей к моменту ее использования. Кроме того, в разных областях науки количество доступных синтезов сильно различается. Например, в медицине широко используются систематические обзоры, обобщающие результаты клинических испытаний, в то время как в социальных науках таких обзоров значительно меньше.
Решение
"Банки доказательств" представляют собой базы данных, содержащие предварительно отобранные и проанализированные исследования, помеченные метаданными, такими как методология, географическое положение и другие. Это позволяет исследователям и политикам быстро находить нужную информацию и проводить синтез данных с помощью специальных инструментов.
Преимущества
Ускорение процесса синтеза: Использование "банков доказательств" и инструментов на основе искусственного интеллекта (ИИ) позволяет значительно сократить время, необходимое для обобщения научных данных.
Повышение качества синтеза: Стандартизация данных и использование проверенных методов анализа повышают надежность и достоверность результатов.
Доступность информации: "Банки доказательств" делают научную информацию доступной для широкого круга пользователей, включая политиков, исследователей и общественность.
Постоянное обновление: "Живые" синтезы, которые постоянно обновляются по мере появления новых данных, позволяют политикам принимать решения на основе самой актуальной информации.
Примеры
Образование: Фонд Education Endowment Foundation (EEF) в Лондоне создал базу данных, содержащую более 3500 исследований в области образования. На основе этой базы были разработаны систематические обзоры, показывающие влияние различных факторов, таких как репетиторство, домашние задания и размер класса, на успеваемость учащихся.
Здравоохранение: В период пандемии COVID-19 возникла острая необходимость в быстрых синтезах данных для принятия решений о лекарствах, масках и карантинных мерах. Это привело к развитию инструментов и методов для ускорения процесса синтеза.
Перспективы
В настоящее время фонды, такие как Wellcome и ESRC, инвестируют значительные средства в разработку "банков доказательств" и инструментов для синтеза данных. Цель – создать систему, которая позволит политикам во всем мире получать быстрый доступ к актуальной научной информации и принимать обоснованные решения по важнейшим вопросам.
Nature
Scientists are building giant ‘evidence banks’ to create policies that actually work
Nature - Funders launch projects with US$70 million to develop tools that make rapid syntheses of the world’s science.
Автоматизация научных обзоров с помощью больших языковых моделей: систематический обзор
Большие языковые модели (LLM) недавно стали одним из самых мощных инструментов обработки естественного языка (NLP) для решения различных задач. В этом систематическом обзоре мы стремились оценить естественное расширение использования LLM для управления и направления процесса обзора.
Методы
Исследование проводилось в июне 2024 года в базах данных PubMed, Scopus, Dimensions и Google Scholar. В обзор были включены только англоязычные публикации, посвященные использованию LLM для автоматизации различных этапов систематического обзора.
Скрининг и извлечение данных проводились в Covidence с помощью разработанного командой плагина LLM для Covidence. Этот плагин использует модель OpenAI gpt-4o и автоматизирует действия в Covidence, такие как нажатие кнопок «Включить/Исключить» или оставление заметок.
Результаты
В общей сложности было найдено 3788 статей, из которых 172 были признаны подходящими для окончательного обзора. ChatGPT и LLM на основе GPT стали наиболее распространенной архитектурой для автоматизации обзора (n=126, 73,2%). Значительное количество проектов по автоматизации обзора было найдено, но лишь ограниченное число статей (n=26, 15,1%) представляли собой фактические обзоры, в которых LLM использовались при их создании.
Большинство статей были сосредоточены на автоматизации определенного этапа обзора, например, на поиске публикаций (n=60, 34,9%) и извлечении данных (n=54, 31,4%). При сравнении совокупной производительности моделей на основе GPT и BERT первые показали лучшие результаты в извлечении данных со средней точностью 83,0% (SD=10,4) и полнотой 86,0% (SD=9,8), в то время как вторые были немного менее точными на этапе скрининга заголовков и рефератов (Maccuracy=77,3%, SD=13,0 против Maccuracy=80,9% SD=11,8).
Примеры использования LLM
- Поиск публикаций: LLM могут использоваться для автоматического поиска релевантных публикаций в базах данных, таких как PubMed, Scopus и Web of Science.
- Скрининг заголовков и рефератов: LLM могут использоваться для автоматического скрининга заголовков и рефератов на предмет релевантности, что позволяет рецензентам сосредоточиться на полнотекстовом скрининге.
- Извлечение данных: LLM могут использоваться для автоматического извлечения данных из полнотекстовых статей, таких как характеристики участников, вмешательства и результаты.
- Синтез данных: LLM могут использоваться для автоматического синтеза данных из нескольких статей, что позволяет рецензентам получить более полное представление о состоянии исследований.
Ограничения
- Точность: Хотя LLM достигли значительных успехов в точности, они все еще могут допускать ошибки, особенно при извлечении данных из сложных или неоднозначных текстов.
- Предвзятость: LLM могут быть подвержены предвзятости, основанной на данных, на которых они были обучены.
- Этика: Использование LLM в автоматизации обзора поднимает этические вопросы, такие как прозрачность, подотчетность и потенциальное смещение.
Большие языковые модели (LLM) недавно стали одним из самых мощных инструментов обработки естественного языка (NLP) для решения различных задач. В этом систематическом обзоре мы стремились оценить естественное расширение использования LLM для управления и направления процесса обзора.
Методы
Исследование проводилось в июне 2024 года в базах данных PubMed, Scopus, Dimensions и Google Scholar. В обзор были включены только англоязычные публикации, посвященные использованию LLM для автоматизации различных этапов систематического обзора.
Скрининг и извлечение данных проводились в Covidence с помощью разработанного командой плагина LLM для Covidence. Этот плагин использует модель OpenAI gpt-4o и автоматизирует действия в Covidence, такие как нажатие кнопок «Включить/Исключить» или оставление заметок.
Результаты
В общей сложности было найдено 3788 статей, из которых 172 были признаны подходящими для окончательного обзора. ChatGPT и LLM на основе GPT стали наиболее распространенной архитектурой для автоматизации обзора (n=126, 73,2%). Значительное количество проектов по автоматизации обзора было найдено, но лишь ограниченное число статей (n=26, 15,1%) представляли собой фактические обзоры, в которых LLM использовались при их создании.
Большинство статей были сосредоточены на автоматизации определенного этапа обзора, например, на поиске публикаций (n=60, 34,9%) и извлечении данных (n=54, 31,4%). При сравнении совокупной производительности моделей на основе GPT и BERT первые показали лучшие результаты в извлечении данных со средней точностью 83,0% (SD=10,4) и полнотой 86,0% (SD=9,8), в то время как вторые были немного менее точными на этапе скрининга заголовков и рефератов (Maccuracy=77,3%, SD=13,0 против Maccuracy=80,9% SD=11,8).
Примеры использования LLM
- Поиск публикаций: LLM могут использоваться для автоматического поиска релевантных публикаций в базах данных, таких как PubMed, Scopus и Web of Science.
- Скрининг заголовков и рефератов: LLM могут использоваться для автоматического скрининга заголовков и рефератов на предмет релевантности, что позволяет рецензентам сосредоточиться на полнотекстовом скрининге.
- Извлечение данных: LLM могут использоваться для автоматического извлечения данных из полнотекстовых статей, таких как характеристики участников, вмешательства и результаты.
- Синтез данных: LLM могут использоваться для автоматического синтеза данных из нескольких статей, что позволяет рецензентам получить более полное представление о состоянии исследований.
Ограничения
- Точность: Хотя LLM достигли значительных успехов в точности, они все еще могут допускать ошибки, особенно при извлечении данных из сложных или неоднозначных текстов.
- Предвзятость: LLM могут быть подвержены предвзятости, основанной на данных, на которых они были обучены.
- Этика: Использование LLM в автоматизации обзора поднимает этические вопросы, такие как прозрачность, подотчетность и потенциальное смещение.
arXiv.org
The emergence of Large Language Models (LLM) as a tool in...
Objective: This study aims to summarize the usage of Large Language Models (LLMs) in the process of creating a scientific review. We look at the range of stages in a review that can be automated...
коллеги
в чате высказали пожелание провести какой-то курс про научные источники и автоматизацию (т.е. ИИ, хотя, пожалуй, и не только).
давайте так — если в комментариях откликнется хотя бы 10 желающих, я организую набор на закрытый курс. он будет бесплатный, приму всех, но все-таки это не будут изначально открытые вебинары. мне кажется, так больше пользы, мотивации и общения.
обсудим поиск (научный и не очень), хранение статей, промты, ИИ и что-нибудь еще по желанию аудитории.
в чате высказали пожелание провести какой-то курс про научные источники и автоматизацию (т.е. ИИ, хотя, пожалуй, и не только).
давайте так — если в комментариях откликнется хотя бы 10 желающих, я организую набор на закрытый курс. он будет бесплатный, приму всех, но все-таки это не будут изначально открытые вебинары. мне кажется, так больше пользы, мотивации и общения.
обсудим поиск (научный и не очень), хранение статей, промты, ИИ и что-нибудь еще по желанию аудитории.
какая-то библиотека
коллеги в чате высказали пожелание провести какой-то курс про научные источники и автоматизацию (т.е. ИИ, хотя, пожалуй, и не только). давайте так — если в комментариях откликнется хотя бы 10 желающих, я организую набор на закрытый курс. он будет бесплатный…
коллеги, спасибо, делаем! спрос есть — я обязана дать предложение.
завтра сделаю анонс с регистрацией и начнем. не буду долго готовиться и страдать перфекционизмом. думаю, так полезнее и приятнее нам всем.
спасибо за интерес с вашей стороны ❤️
поддержать канал: https://taplink.cc/ekaganova
завтра сделаю анонс с регистрацией и начнем. не буду долго готовиться и страдать перфекционизмом. думаю, так полезнее и приятнее нам всем.
спасибо за интерес с вашей стороны ❤️
поддержать канал: https://taplink.cc/ekaganova
Taplink
Ekaganova at Taplink
Пошли учиться
С 10 октября я запускаю серию семинаров и лекций, посвящённых поиску научной информации и применению искусственного интеллекта в исследованиях. Этот курс — это скорее эксперимент, посвящённый кабинетным исследованиям, так как я отошла от академической науки. Тем не менее, мы будем объединять научные знания, полученные в университете, с их практическим применением — в работе, активизме или для личных целей.
👍 Примерная программа курса
- Основы поиска информации: научный и прикладной подходы.
- Практика использования библиографических менеджеров: регистрация, настройка, работа с инструментами.
- Искусственный интеллект в научных исследованиях:
- Автоматизация поиска и анализ документов.
- Реферирование текстов вручную и с помощью ИИ.
- Создание своего "инженера" ИИ, варианты применения.
- Разбор кейсов: удачные и неудачные примеры использования ИИ.
Это примерная программа, и в процессе курса мы будем корректировать её в зависимости от ваших интересов и запросов.
❔ Детали проведения
- Старт курса — 10 октября.
- Занятия проходят по четвергам с 20:00 до 21:00 (по московскому времени).
- Для участия необходимо вступить в чат. Доступ можно получить за любой донат от 10 рублей через Boosty. Поддержка помогает мне регулярно вести блог и создавать новый контент.
👾 Ссылка на подписку, через которую вы получите доступ к чату с курсом.
🙂 А будет ли запись?
Онлайн занятия проходят в живом формате, что даёт возможность свободного общения и обсуждения тем. Если вы не сможете присутствовать, все записи будут доступны по подписке. Их можно будет просматривать и сохранять для дальнейшего использования. Стоимость подписки на записи немного выше, так как для меня приоритетны живые встречи, а не монтаж и обработка видео.
Кроме видео, на Бусти также будут размещаться конспекты и методические материалы. У вас не будет доступа к чату, но записи — на руках.
Ссылка для подписки "А запись будет?"
Если возникнут вопросы или проблемы с доступом, пишите в комментариях или в личные сообщения @eak_ka
С 10 октября я запускаю серию семинаров и лекций, посвящённых поиску научной информации и применению искусственного интеллекта в исследованиях. Этот курс — это скорее эксперимент, посвящённый кабинетным исследованиям, так как я отошла от академической науки. Тем не менее, мы будем объединять научные знания, полученные в университете, с их практическим применением — в работе, активизме или для личных целей.
- Основы поиска информации: научный и прикладной подходы.
- Практика использования библиографических менеджеров: регистрация, настройка, работа с инструментами.
- Искусственный интеллект в научных исследованиях:
- Автоматизация поиска и анализ документов.
- Реферирование текстов вручную и с помощью ИИ.
- Создание своего "инженера" ИИ, варианты применения.
- Разбор кейсов: удачные и неудачные примеры использования ИИ.
Это примерная программа, и в процессе курса мы будем корректировать её в зависимости от ваших интересов и запросов.
- Старт курса — 10 октября.
- Занятия проходят по четвергам с 20:00 до 21:00 (по московскому времени).
- Для участия необходимо вступить в чат. Доступ можно получить за любой донат от 10 рублей через Boosty. Поддержка помогает мне регулярно вести блог и создавать новый контент.
👾 Ссылка на подписку, через которую вы получите доступ к чату с курсом.
Онлайн занятия проходят в живом формате, что даёт возможность свободного общения и обсуждения тем. Если вы не сможете присутствовать, все записи будут доступны по подписке. Их можно будет просматривать и сохранять для дальнейшего использования. Стоимость подписки на записи немного выше, так как для меня приоритетны живые встречи, а не монтаж и обработка видео.
Кроме видео, на Бусти также будут размещаться конспекты и методические материалы. У вас не будет доступа к чату, но записи — на руках.
Ссылка для подписки "А запись будет?"
Если возникнут вопросы или проблемы с доступом, пишите в комментариях или в личные сообщения @eak_ka
Please open Telegram to view this post
VIEW IN TELEGRAM
boosty.to
какая-то библиотека - Кабинетные исследования, библиография, ИИ
какая-то библиотека Кабинетные исследования, библиография, ИИ @eak_ka — рисёрчерка ytb: https://www.youtube.com/@selfmadeLibrary/videos inst: https://instagram.com/bestoloch.innovation?igshid=MzMyNGUyNmU2YQ== поддержать канал: https://taplink.cc/ekaganova
какая-то библиотека
Пошли учиться С 10 октября я запускаю серию семинаров и лекций, посвящённых поиску научной информации и применению искусственного интеллекта в исследованиях. Этот курс — это скорее эксперимент, посвящённый кабинетным исследованиям, так как я отошла от академической…
Если возникли проблемы со ссылками и доступами — пишите мне @eak_ka
Курс какой-то библиотеки стартует с темы "Логика поиска в интернете"
📍 10 октября в 20:00 по Москве
📍Ссылка доступна в чате курса. Попасть на курс можно тут за символический донат (придется ходить на занятия, да!).
✨ Запись урока будет опубликована на Бусти . На занятия можно не ходить, а записи будут в доступе по мере выхода семинаров.
О чем занятие?
Вместе разберем, как строить запросы так, чтобы получать нужную информацию быстро и точно. Я расскажу, с чего лучше начинать поиск, когда стоит остановиться, и что делать, если ничего не находится.
Это не будет сухой инструктаж по операторам поиска — мы поговорим о логике и подходах, которые помогут вам ориентироваться в интернете осознанно.
Лекция пройдет в формате размышлений и обмена опытом. Поделюсь байками, опытом и лайфхаками на примере кабинетных исследований, которые провожу.
🍽
📍 10 октября в 20:00 по Москве
📍Ссылка доступна в чате курса. Попасть на курс можно тут за символический донат (придется ходить на занятия, да!).
О чем занятие?
Вместе разберем, как строить запросы так, чтобы получать нужную информацию быстро и точно. Я расскажу, с чего лучше начинать поиск, когда стоит остановиться, и что делать, если ничего не находится.
Это не будет сухой инструктаж по операторам поиска — мы поговорим о логике и подходах, которые помогут вам ориентироваться в интернете осознанно.
Лекция пройдет в формате размышлений и обмена опытом. Поделюсь байками, опытом и лайфхаками на примере кабинетных исследований, которые провожу.
Please open Telegram to view this post
VIEW IN TELEGRAM
https://boosty.to/newsinserity/posts/729748b8-a09f-4159-addc-2caa1fbf7994?share=post_link
Please open Telegram to view this post
VIEW IN TELEGRAM
boosty.to
Видео занятия по теме "Логика поиска" - какая-то библиотека
Запись занятия