От диалога к дисциплине_ Создание живой образовательной системы на основе анализа совместного опыта

[Audio] От диалога к дисциплине: Создание живой образовательной системы на основе анализа совместного опыта Архитектура Системы на Основе Модели Событий Разработка персонализированной учебной программы, основанной исключительно на истории диалогов, требует перехода от традиционных, периодически обновляемых моделей обучения к динамической, непрерывно адаптирующейся системе. Центральным элементом такой системы является архитектура, построенная на принципах обработки событий. Этот подход напрямую отвечает требованию пользователя о "автоматическом обновлении по событиям" и позволяет системе реагировать на изменения в реальном времени, 91 без необходимости запускать ресурсоемкие полные пересчеты . В рамках этой парадигмы каждое новое сообщение или существенная правка в истории чата рассматривается как событие, которое инициирует цепочку реакций внутри системы, приводя к актуализации и возможному изменению учебного контента. Ключевым преимуществом event-driven архитектуры является ее способность к масштабированию и гибкости. В отличие от монолитных систем, где весь процесс обработки и анализа выполняется в одном блоке, система, основанная на событиях, представляет собой сеть независимых модулей или сервисов, 99 которые общаются друг с другом через события . Например, при поступлении нового сообщения от пользователя, первичный модуль-триггер создает событие, содержащее отправителя, содержимое и метаданные. Это событие затем публикуется в системе очередей или потоков событий. Другие модули, подписанные на интересующие их типы событий (например, new_message от user), получают это сообщение и выполняют свои специфические задачи. Один модуль может быть ответственен за извлечение технических терминов, другой — за анализ структуры диалога, третий — за поиск связей в графе знаний. Такая модульность не только повышает производительность, но и упрощает отладку и развитие системы, так как каждый компонент имеет четко определенную функцию и не зависит от других..

[Audio] В контексте построения учебной программы, event-driven модель позволяет создать замкнутый цикл "информация → понимание → действие → обратная связь". Когда происходит событие (новый диалог), система преобразует его в структурированную информацию (знания). Эти знания, в свою очередь, могут инициировать новые действия, такие как предложение нового модуля для изучения, создание интерактивного задания на основе недавнего опыта или предоставление справочной информации. Этот цикл постоянно обновляется и адаптируется, что соответствует концепции долгосрочного обучения в 14 диалоговых системах и идеям построения автономных агентов, которые 20 активно взаимодействуют со своей средой . AWS, например, уже применяет подобный подход в своих паттернах для агентных систем, где каждый шаг LLM-процесса представляется как атомарное событие, которое может быть 99 обработано и проанализировано . Для реализации такого подхода можно использовать готовые фреймворки и библиотеки, предназначенные для создания таких систем. Amico — это пример модульной, основанной на событиях архитектуры для создания постоянных AI91 агентов . Она демонстрирует, как агент может непрерывно обрабатывать входящие данные, генерировать структурированные события и выбирать действия на основе моделирования рассуждений. Аналогично, Amazon Nova Sonic использует единый для понимания и генерации речи LLM для создания естественных диалоговых систем, что также предполагает внутреннюю 96 обработку событий в виде диалоговых шагов . Таким образом, базовая архитектурная схема будет состоять из нескольких уровней. На самом нижнем уровне находится слой сбора событий, который отслеживает историю чатов. Выше располагается слой маршрутизации событий, который направляет их в соответствующие обрабатывающие модули. Сердцем системы является ядро анализа и обновления, которое содержит логику для структурирования данных и обновления базы знаний. Верхний уровень — это слой представления, который формирует финальные учебные материалы для пользователя. Такая многоуровневая, основанная на событиях архитектура обеспечивает необходимую гибкость, масштабируемость и актуальность для создания динамической и персонализированной образовательной программы..

[Audio] Компонент Функция Пример Технологий/Подходов Архитектуры Слой Сбора Отслеживание новых сообщений и правок в истории чата. API для доступа к истории чатов, Webhooks, Polling механизм. Событий Message Broker (Kafka, RabbitMQ), Pub/Sub Слой Распределение событий по обработчикам в зависимости модели, Workflow Engines (AWS Step Маршрутизации от типа (новое сообщение, правка, команда Functions). пользователя). Large Language Models (LLMs), NLPЯдро Аналитики Извлечение знаний, анализ рабочих процессов, библиотеки (spaCy, NLTK), Custom Python построение графа знаний. scripts. Graph Database (Neo4j), Document-oriented База Знаний Хранение структурированных данных: граф знаний, DB (MongoDB), Knowledge Graph frameworks трассировки рассуждений, метрики диалога. 25 . Template engines (Jinja2), LLM-based content Слой Генерация учебных материалов в нужном формате: курс, generation, Frontend frameworks (React, справочник, задания. Представления Vue.js). Эта архитектурная модель позволяет не просто создать статическую программу, а построить живую экосистему, которая развивается вместе с опытом диалога. Она обеспечивает возможность глубокого анализа, высокой степени персонализации и бесшовной интеграции новых знаний в реальном времени, что полностью соответствует заявленным целям исследования. Структурирование Знаний через Графы и Онтологии Центральной задачей при создании учебной программы на основе диалогов является преобразование хаотичного набора текстовых сообщений в организованную, структурированную базу знаний. Наиболее мощным и гибким инструментом для решения этой задачи является построение графа знаний. Граф знаний представляет собой модель данных, состоящую из узлов (сущностей) и связей (рёбер) между ними, что позволяет наглядно и семантически корректно представлять сложные взаимосвязи между 25 различными концепциями, фактами и методами, извлеченными из диалогов 137 . Использование больших языковых моделей (LLM) значительно упрощает этот процесс, позволяя автоматически извлекать факты из 63 77 неструктурированных текстов . В данном проекте граф знаний станет ядром всей образовательной системы, служа основой для всех форматов учебных материалов..

[Audio] Процесс построения графа знаний начинается с извлечения сущностей и отношений из истории чатов. Сущностями в контексте данного проекта будут технические термины, программные концепции, проблемы, ошибки, кодовые фрагменты, инструменты и методы решения. Отношениями, связывающими эти сущности, могут быть семантические связи, такие как «решает проблему», «является частью», «используется для», «возвращает результат», «определяется как», «приводит к ошибке» и другие, которые отражают смысл диалога. Для этого можно применять методологию AGILE, которая предлагает структурированный подход к созданию онтологий, или использовать интегрированные векторные вложения для более глубокого понимания 28 семантики текста . Например, при анализе сообщения "При использовании функции pandas.read_csv со значением sep=';', возникает ошибка парсинга", LLM может извлечь три сущности: read_csv (функция), sep=';' (параметр), ошибка парсинга (проблема) и установить отношения: (read_csv) -> (используется_с) -> (sep=';') и (read_csv) -> (может_привести_к) -> (ошибка_парсинга). Онтология, являясь более строгой и формальной структурой, чем простой граф знаний, определяет домен знаний, включая классы сущностей (например, 22 Технология, Проблема, Решение), их свойства (слоты) и ограничения . Создание онтологии для области диалога поможет стандартизировать извлеченные данные и сделать их более машинно-читаемыми. Исследования показывают успешное применение LLM для автоматического построения 24 27 онтологий из текстов, что особенно важно для Big Data и ИИ-приложений . В нашем случае онтология будет описывать домен "Чат-взаимодействие и решение задач", определяя такие классы, как Пользователь, Ассистент, Задача, Шаг_решения, Концепция, Термин. Интеграция онтологии в систему, как это делает OntoSage, позволяет создать чатбота, который говорит на 29 "языке" своей базы данных, обеспечивая точность и согласованность . Обновление графа знаний должно быть непрерывным и происходить в ответ на события. При появлении нового сообщения система анализирует его, извлекает новые факты и добавляет их в граф, создавая новые узлы и ребра, или обновляя существующие. Этот процесс позволяет графу знаний эволюционировать вместе с опытом диалога, отражая развитие знаний обоих участников. Такой подход соответствует идеям построения агентных графовых систем, где граф знаний является живым, постоянно развивающимся ресурсом 68 . Например, если в ходе диалога выясняется, что использование sep=';' не всегда приводит к ошибке, а зависит от кодировки файла, система может.

[Audio] добавить новый узел Кодировка и связать его с этой зависимостью, обогатив свой граф знаний. Этот механизм позволяет системе не только хранить факты, но и активировать их, предлагая пользователю релевантные концепции и связи, что является ключевой идеей динамического обучения по учебному 10 плану . Ниже представлена таблица, иллюстрирующая процесс преобразования диалогового фрагмента в структурированные данные для графа знаний. Этап Необработанный текст из Извлеченные сущности и отношения (Факты) Представление в диалога графе знаний 1. Сообщение "Я пытаюсь загрузить CSV-файл - Сущности: CSV-файл, разделитель=точка_с_запятой, пользователя с разделителем-точкой с ошибка_несоответствия_колонок. запятой, но получаю ошибку 'Wrong number of columns'." - Отношения: (пользователь) -> (пытается_загрузить) -> (CSV-файл) (CSV-файл) -> (имеет_разделитель) -> (точка_с_запятой) (CSV-файл) -> (вызывает_ошибку) -> (ошибка_несоответствия_колонок). 2. Сообщение "Это часто происходит, когда в - Сущности: кавычки, параметр_engine, значение_python. ассистента данных есть поля, заключенные в кавычки. Попробуйте добавить - Отношения: (ошибка_несоответствия_колонок) -> параметр engine='python'." (возможно_причина) -> (кавычки) (предложение_решения) -> (предлагает_использовать) -> (параметр_engine) (параметр_engine) -> (с_значением) -> (значение_python). 3. Сообщение "Да, там были текстовые поля в - Сущности: текстовые_поля. пользователя кавычках. Использование - Отношения: (кавычки) -> (содержат) -> (текстовые_поля) engine='python' помогло, (подтверждение) (предложение_решения) -> спасибо!" (было_эффективным) -> (решено). Таким образом, извлечение знаний из диалогов путем построения графа знаний и онтологии позволяет создать прочный фундамент для всей учебной программы. Это не просто сборка фактов, а построение семантически связанной сети, которая отражает реальные пути мышления и решения проблем, делая обучение максимально релевантным и персонализированным для конкретных участников диалога..

[Audio] Анализ Процессов Решения Задач и Когнитивных Рабочих Процессов Помимо статических знаний, представленных в виде фактов и концепций, история диалогов содержит ценную информацию о динамических процессах — методах решения задач. Для создания действительно полезной учебной программы необходимо не только передавать знания, но и демонстрировать, как они применяются на практике. Это достигается через анализ когнитивных рабочих процессов, то есть последовательностей действий, мыслительных операций и стратегий, которые участники диалога используют для декомпозиции, решения и верификации проблем. Такой анализ позволяет реконструировать "трассы рассуждений" (reasoning traces), которые являются 85 115 основой для понимания сложных решений и обучения на примерах . Одним из ключевых паттернов в решении сложных задач является декомпозиция — разбиение большой, неконкретной проблемы на серию более 7 87 мелких и управляемых подзадач . Исследования показывают, что при эффективной декомпозиции улучшается как точность рассуждений модели, так 7 и способность человека решать задачи . В диалогах этот паттерн проявляется как последовательность вопросов и попыток, направленных на решение частных проблем. Например, столкнувшись с ошибкой в коде, пользователь и ассистент могут следовать логической цепочке: 1) "Получаю ошибку X". 2) "Возможно, проблема не в основном алгоритме, а во входных данных. Проверю их формат". 3) "Да, формат данных неверный. Проблема в колонке Y". 4) "Необходимо преобразовать данные в формат Z". 5) "Теперь исправлю вызов основной функции". 6) "Код работает!". Эта последовательность является искомым рабочим процессом. Система должна быть обучена распознавать такие паттерны декомпозиции, которые можно классифицировать по шести категориям, включая последовательность между 86 декомпозицией и выполнением . Не менее важным аспектом является процесс верификации и самопроверки. ИИ-системы, несмотря на их мощь, могут быть ненадежными и давать 82 непредсказуемые ошибки . Поэтому фиксация не только успешных, но и провальных попыток, а также процессов их исправления, имеет огромное образовательное значение. Система должна уметь отвечать на вопросы "Почему был выбран именно этот подход?" или "Как было проверено, что результат верен?". Для этого могут использоваться инструменты вроде ReTrace,.

[Audio] которые позволяют визуализировать трассировки рассуждений LLM, делая их 115 процесс мышления более прозрачным . Концепция ко-конструируемых объяснений также здесь применима: объяснение должно быть результатом совместной работы объясняющего и объясняемого, где система может задавать уточняющие вопросы, чтобы лучше понять запрос пользователя и предоставить 107 119 более релевантный ответ . Это усиливает доверие и понимание . Система для анализа рабочих процессов должна выполнять несколько функций. Во-первых, она должна идентифицировать начало и конец задачи в потоке диалога. Во-вторых, она должна реконструировать последовательность шагов, которые привели к решению. Этот процесс может быть автоматизирован с помощью LLM, которые способны анализировать последовательности 85 действий и выводов . В-третьих, система должна классифицировать каждый шаг по его характеру: это был шаг по сбору данных, шаг по тестированию гипотезы, шаг по написанию кода, шаг по отладке или шаг по проверке результата. Такая классификация позволит структурировать рабочий процесс и представить его в виде четкой инструкции. Например, на основе диалога можно сгенерировать шаблон рабочего процесса для решения подобных задач: 1. Идентификация проблемы: Анализ сообщения об ошибке. 2. Гипотеза: Формулирование предположений о возможной причине (например, формат данных). 3. Тестирование гипотезы: Проведение эксперимента для проверки (например, просмотр первых строк данных). 4. Разработка решения: Подбор и применение соответствующего инструмента или метода (например, использование параметра engine='python'). 5. Верификация: Проверка, что решение устранило проблему и не создало новых. Такой детальный анализ позволяет извлечь из диалога не просто рецепт решения, а целостную методологию. Интерактивные задания, основанные на этих рабочих процессах, могут предлагать пользователю не просто решить готовую задачу, а пройти через аналогичную последовательность шагов самостоятельно, получая подсказки на каждом этапе. Это значительно повышает качество обучения, поскольку пользователь учится не на готовых ответах, а на процессе мышления, который привел к этим ответам. Кроме того, анализ рабочих процессов помогает выявлять эффективные и неэффективные стратегии взаимодействия, что может быть использовано для дальнейшей оптимизации диалога и обучения..

[Audio] Деконструкция Диалоговой Структуры и Эпистемической Позиции Диалог, помимо передачи фактической информации и методов решения, является сложным коммуникативным актом, структура и стиль которого сами по себе несут ценную образовательную нагрузку. Для создания полноценной учебной программы необходимо деконструировать диалог не только по содержанию, но и по форме его организации. Это включает в себя анализ диалоговых актов, которые являются элементарными единицами коммуникации, и исследование эпистемической позиции, то есть способов, которыми участники выражают свое знание, уверенность и неуверенность. Эти аспекты позволяют понять стиль взаимодействия, уровень доверия и даже когнитивные стратегии, лежащие в основе диалога. Диалоговый акт (Dialogue Act, DA) — это минимальная единица коммуникации, выполняющая определенную функцию в диалоге, например, "задать вопрос", "дать ответ", "выразить удивление", "попросить уточнить" или "сформулировать 53 гипотезу" . Автоматическая классификация диалоговых актов позволяет системе анализировать, как участники взаимодействуют друг с другом на 57 микроуровне . Например, если ассистент часто использует DA типа "попросить уточнить" или "перефразировать вопрос", это может указывать на его стремление к точности и глубокому пониманию. Если же пользователь чаще всего отвечает односложно ("да", "нет", "ок"), это может свидетельствовать о стиле быстрой коммуникации, ориентированной на достижение цели, а не на обсуждение. Исследования показывают, что автоматизированная классификация DAs с помощью генеративных ИИ может значительно сократить 55 56 время и усилия, необходимые для анализа диалогов . Анализируя распределение различных DA в истории чата, система может строить профиль стиля диалога для каждого из участников и предлагать соответствующие форматы взаимодействия. Особое внимание следует уделить эпистемической позиции — способам выражения знания и уверенности. Анализ того, как участники говорят о своей информации ("Я думаю, что...", "Это точно известно", "Похоже, что...", "Не уверен, 45 но...") , дает глубокое понимание их когнитивного процесса. Это помогает отличить случайный удачный результат от продуманного вывода, основанного на имеющихся данных. Исследования показывают, что ИИ-генерируемый текст активно использует эпистемические маркеры (геджирование и усиление) для.

[Audio] 42 управления восприятием уверенности . Анализ этих маркеров (например, "я думаю", "вероятно", "это означает, что") может помочь системе понять, какие из ее предложений основаны на достоверной информации, а какие являются предположениями. Это особенно важно для построения доверия и обеспечения качества обучения. Фреймворк для анализа эпистемической позиции, включающий калибровку уровня обязательства и источника информации, может 43 стать основой для более надежного и прозрачного ИИ-ассистента . Еще одним критически важным аспектом является конверсационное соответствие — процесс совместного создания общего знания и 48 52 взаимопонимания между участниками диалога . Одной из главных проблем современных ИИ-ассистентов является плохое grounding: они слишком редко инициируют уточнения и задают меньше вопросов, чем люди, что 48 приводит к быстрой потере контакта и накоплению недопонимания . Исследование на трех наборах данных с участием людей-ассистентов показало, что LLM инициируют уточнениеClarification в три раза реже, чем люди, 48 и задают в шестнадцать раз меньше последующих вопросов . Более того, ранние неудачи в установлении контакта являются сильным предиктором 48 будущих сбоев в диалоге . Следовательно, анализ истории чатов должен включать выявление случаев успешного и неудачного grounding. Система может отметить моменты, когда недопонимание привело к ошибке, и использовать этот опыт для будущих диалогов, обучаясь задавать более качественные уточняющие вопросы. Например, если в прошлом пользователь имел в виду "максимальное количество" вместо "минимального", система может запомнить эту семантическую нюанс и в будущем уточнять формулировки, связанные с числами. Аспект Деконструкции Описание Методы Анализа Диалоговые Акты (DA) Элементарные коммуникативные функции Автоматическая классификация с помощью LLM («вопрос», «ответ», «уточнение»). 55 57 , использование шкал маркирования 123 диалога . Эпистемическая Позиция Способы выражения уверенности, Анализ геджирующих и бустирующих конструкций неуверенности, знания, незнания («я 42 45 , использование теоретической модели думаю», «это факт»). 43 анализа . Конверсационное Процесс установления и поддержания Анализ последовательности уточняющих Соответствие (Grounding) общего знания и взаимопонимания. вопросов и ответов, выявление точек 48 52 недопонимания . Эмоциональная Позиция Выражение эмоций («рад», «устал», «сбит с Анализ тональности текста, использование толку»). 144 моделей для распознавания эмоций ..

[Audio] Таким образом, деконструкция диалоговой структуры и аналитика эпистемической позиции позволяют создать многомерную картину взаимодействия. Они помогают понять не только что обсуждалось, но и как это обсуждалось, кто инициативнее, как участники управляют своей уверенностью и как они работают над созданием общего знания. Эта информация незаменима для создания адаптивного и социально осознанного учебного партнера, который не только обучает, но и помогает совершенствовать собственные навыки коммуникации и мышления. Реализация Многокомпонентного Образовательного Контента Основной целью проекта является создание учебной программы, поддерживающей несколько форматов: модульный курс, справочник и интерактивные задания. Ключ к реализации этой цели лежит в использовании единой, структурированной базы знаний, созданной на предыдущих этапах (графа знаний и трасс рассуждений), как основного "сырья" для генерации контента в разных представлениях. Это позволяет избежать дублирования данных и обеспечивает полную согласованность всех учебных материалов. Модульный курс является наиболее структурированным форматом. Его создание основано на принципах динамического обучения по учебному плану, 10 где сложность материала адаптируется к текущему состоянию знаний . Граф знаний становится картой курса. Узлы графа, представляющие ключевые концепции или технические термины, становятся отдельными темами или уроками. Ребра графа, отражающие зависимости и логические связи, определяют порядок прохождения этих тем. Например, если существует путь в графе Python -> Pandas -> DataFrame -> groupby, система может сгенерировать учебный модуль "Анализ данных с Pandas", который начинается с основ Python, затем вводит концепцию Pandas, объект DataFrame и завершается практическим применением метода groupby. Трассы рассуждений, извлеченные из диалогов, могут быть использованы для создания практических примеров и сценариев внутри этих модулей, показывая, как теоретические концепции применяются на практике для решения конкретных 67 задач . Система может предлагать пользователю пройти эти модули в.

[Audio] порядке возрастания сложности, создавая персонализированный учебный план, 12 основанный на реальном опыте взаимодействия . Интерактивный справочник представляет собой второе ключевое звено в экосистеме обучения. В отличие от модульного курса, который следует линейному пути, справочник предоставляет доступ к информации по требованию. Он является интерактивным отражением графа знаний. Пользователь может выбрать любой термин, концепцию или проблему (узел в графе), с которой он сталкивается, и получить исчерпывающую информацию. Эта информация будет включать: Формальное определение: Определение концепции. Контекст использования: Примеры из истории диалогов, где эта концепция была применена. Связанные концепции: Визуализация смежных узлов в графе знаний, показывающая, как данная тема связана с другими. История обсуждений: Прямые цитаты из диалога, где эта тема затрагивалась, включая вопросы, уточнения и различные точки зрения. Связанные рабочие процессы: Ссылки на трассы рассуждений, где эта концепция была ключевым элементом решения задачи. Такой справочник превращается из пассивного хранилища фактов в живой, динамический ресурс, который помогает не только найти информацию, но и понять ее глубинный контекст и применение. Интерактивные задания являются третьим, и, возможно, самым эффективным форматом для закрепления знаний. Идея состоит в том, чтобы превращать реальные жизненные ситуации из истории диалогов в практические задачи для самостоятельного решения. Система может автоматически идентифицировать в диалогах "провальные" попытки, моменты недопонимания или сложные задачи, которые требовали комплексного решения. Например, из диалога, где была исправлена сложная ошибка в коде, система может сгенерировать задание: "Вам предоставлен фрагмент кода, который вызывает ошибку. Ваша задача — воспроизвести ситуацию, проанализировать ошибку и написать исправленный код. Подсказки доступны, если вы застряли". Такой подход, основанный на реальных примерах, значительно повышает мотивацию.

[Audio] и релевантность обучения. Интерактивные задания могут быть основаны на разных аспектах диалога: Задачи на декомпозицию: Предложить пользователю разбить большую проблему, описанную в диалоге, на подзадачи. Задачи на верификацию: Представить результат, достигнутый в диалоге, и попросить пользователя проверить его корректность. Задачи на анализ диалога: Предложить проанализировать диалоговые акты или эпистемическую позицию одного из участников. Задачи на предотвращение отклонений: Использовать примеры, где диалог ушел в сторону (off-track), и попросить пользователя вернуть его на правильный путь. Все три формата — курс, справочник и задания — берут свое начало из одной и той же структурированной базы данных, что гарантирует их согласованность и полноту. Пользователь может начать с просмотра модуля в курсе, затем углубиться в справочник, чтобы узнать больше о конкретном термине, и в конце пройти интерактивное задание, чтобы закрепить полученные знания. Такой многокомпонентный подход позволяет удовлетворить различные стили обучения и потребности в разных ситуациях, создавая универсальный и эффективный инструмент для самообучения. Стратегия Непрерывного Обучения и Управления Качеством Создание учебной программы на основе диалогов — это не однократная задача, а начало непрерывного цикла обучения и совершенствования. Чтобы программа оставалась актуальной, релевантной и эффективной, необходимо внедрить стратегию, обеспечивающую постоянный мониторинг, оценку и улучшение качества как самого контента, так и процессов его генерации. Эта стратегия должна опираться на принцип "человек в цикле", где человек остается ключевым контролирующим звеном, и на механизмы самооценки и адаптации. Ключевым элементом стратегии является сохранение человека в цикле обратной связи. Несмотря на высокую степень автоматизации, компьютерные системы могут допускать ошибки, и их выводы не всегда будут иметь для.

[Audio] пользователя тот же смысл, что и для машины. Поэтому система должна предлагать свои выводы (например, "Я нашел три возможных пути решения этой задачи. Какой вам кажется наиболее интересным для изучения?"), но окончательное решение о значимости и качестве этого вывода должно 142 оставаться за пользователем . Этот принцип особенно важен при анализе сложных аспектов диалога, таких как эпистемическая позиция или качество установления контакта, где контекст и намерения играют решающую роль. Человек может быстро оценить, насколько правильно система поняла его намерение, и дать обратную связь, которая поможет скорректировать будущие анализы. Это также относится к оценке качества сгенерированных учебных материалов. Пользователь должен иметь возможность легко помечать модули, задания или записи в справочнике как "полезные" или "не очень", что даст системе ценную информацию для дальнейшего обучения. Управление качеством также включает в себя механизмы фильтрации "шума". Диалоги, особенно длительные, содержат большое количество информации, не относящейся к делу: личные сообщения, эмоциональные высказывания, повторы. Системе потребуется адаптировать методы анализа логов, чтобы 1 79 отличать релевантные для обучения данные от шума . Это можно сделать, обучая модель на примерах, где пользователь явно отмечает релевантные и нерелевантные части диалога. Также можно использовать семантическую релевантность: если сообщение не содержит ни одной сущности из ранее определенного набора технических терминов, оно может быть временно отложено на дополнительную проверку. Система должна быть способна к мета-анализу, то есть к анализу самого себя. Это означает, что она должна не только учиться на диалогах с пользователем, но и на собственных стилях диалога, типичных ошибках и паттернах поведения. Например, система может отслеживать, какие из ее предложений (например, уточняющих вопросов) чаще всего приводили к успеху, а какие — к недопониманию. Она может анализировать, какие типы вопросов от пользователя чаще всего приводят к необходимости декомпозиции задачи, и адаптировать свой стиль ответов. Такой подход, основанный на самоанализе, является перспективным направлением в области искусственного интеллекта и 11 может быть реализован через системы, нацеленные на саморефлексию . Это позволит системе не просто механически обрабатывать новые данные, а целенаправленно корректировать свои собственные "слабые стороны"..

[Audio] Наконец, вся деятельность системы должна сопровождаться метриками и отчетностью. Необходимо отслеживать такие показатели, как количество извлеченных фактов, количество реконструированных рабочих процессов, статистика диалоговых актов, частота успешного установления контакта. Эти метрики позволят оценить общее состояние и прогресс системы. Инструменты, такие как ChainForge, могут быть адаптированы для визуализации трасс 115 рассуждений и оценки качества работы системы . Кроме того, важно учитывать и стоимость такой системы. Исследования показывают, что обучение и использование больших моделей, особенно с применением таких техник, как аугментация данных и рассуждение по цепочке, может приводить к 54 значительному увеличению потребления энергии и выбросов CO2 . Поэтому стратегия развития должна включать поиск баланса между качеством и стоимостью, например, путем выбора оптимальных размеров моделей и применения техник обучения, которые минимизируют экологический след. Таким образом, стратегия непрерывного обучения и управления качеством превращает учебную программу из статичного набора материалов в живой, развивающийся организм. Она обеспечивает ее способность адаптироваться к новому опыту, учиться на собственных ошибках и оставаться полезной и точной, опираясь на непрерывный диалог с человеком. Справка 1. Seven simple steps for log analysis in AI systems - arXiv https://arxiv.org/html/ 2604.09563v1 2. Improving Steering and Verification in AI-Assisted Data Analysis with ... https:// dl.acm.org/doi/fullHtml/10.1145/3654777.3676345 3. [PDF] Improving Steering and Verification in AI-Assisted Data Analysis with ... https://austinhenley.com/pubs/Kazemitabaar2024UIST_LLMSteering.pdf 4. (PDF) Improving Steering and Verification in AI-Assisted Data ... https:// www.researchgate.net/publication/ 381960053_Improving_Steering_and_Verification_in_AIAssisted_Data_Analysis_with_Interactive_Task_Decomposition 5. A scientific-article key-insight extraction system based on multi-actor ... https:// pmc.ncbi.nlm.nih.gov/articles/PMC11724023/.

[Audio] 6. [PDF] A conversational AI Framework for Cognitive Process Analysis https:// theses.hal.science/tel-04419928/file/134115_KOBEISSI_2023_archivage_final.pdf 7. Toward Human-AI Complementarity Across Diverse Tasks - arXiv https://arxiv.org/ html/2605.04070v1 8. Agentic AI: The age of reasoning—A review - ScienceDirect https:// www.sciencedirect.com/science/article/pii/S2949855425000516 9. [PDF] arXiv:2503.05150v1 [cs.CL] 7 Mar 2025 https://arxiv.org/pdf/2503.05150 10. Dynamic curriculum learning for conversation response selection https:// www.sciencedirect.com/science/article/abs/pii/S0950705124003228 11. Long-term AI-Driven Dialogue Training To Promote Self-Reflection https:// dl.acm.org/doi/10.1145/3757616 12. [PDF] Curriculum-Driven Edubot: A Framework for Developing Language ... https:// aclanthology.org/2024.sigdial-1.35.pdf 13. Design of an english oral dialogue generation and interaction ... https:// link.springer.com/article/10.1007/s44163-025-00827-3 14. Lifelong Learning Dialogue Systems: Chatbots that Self-Learn On ... https:// www.researchgate.net/publication/ 344360120_Lifelong_Learning_Dialogue_Systems_Chatbots_that_SelfLearn_On_the_Job 15. Personalized Learning Path Planing through Goal-Driven Learner ... https://arxiv.org/ html/2510.13215v1 16. Research on AI-driven personalized learning path planning and ... https://dl.acm.org/ doi/10.1145/3746469.3746471 17. AI-based learning content generation and learning pathway ... https:// www.sciencedirect.com/science/article/pii/S2666920X22000650 18. Generation of a learning path in e-learning environments: literature ... https:// www.researchgate.net/publication/ 369959738_GENERATION_OF_A_LEARNING_PATH_IN_ELEARNING_ENVIRONMENTS_LITERATURE_REVIEW 19. Research on an intelligent tutoring system based on automatic ... https:// www.frontiersin.org/journals/computer-science/articles/10.3389/ fcomp.2026.1777749/full 20. [PDF] A Path Towards Autonomous Machine Intelligence Version 0.9.2 ... https:// openreview.net/pdf?id=BZ5a1r-kVsf 21. The Use of AI-Driven Automation to Enhance Student Learning ... https:// www.mdpi.com/2071-1050/16/14/5970.

[Audio] 22. [PDF] Ontology Construction for Task-oriented Dialogue - ACL Anthology https:// aclanthology.org/2024.yrrsds-1.20.pdf 23. [PDF] Domain Ontology Construction with Activity Logs and Sensors Data https:// hal.science/hal-03663353v1/document 24. Axiom Generation for Automated Ontology Construction from Texts ... https:// www.mdpi.com/2504-4990/8/2/29 25. LLM-Powered Knowledge Graphs for Enterprise Intelligence ... - arXiv https:// arxiv.org/html/2503.07993v1 26. Innovative agricultural ontology construction using NLP ... https:// www.sciencedirect.com/science/article/pii/S2215098624000612 27. Semi- Automated Ontology Construction and Visualization: A Case ... https:// www.researchgate.net/publication/ 395583647_Semantic_Enrichment_of_Educational_Domain-_Semi_Automated_Ontology_Construction_and_Visualization_A_Case_Study_in_Education 28. OLIVE: Ontology Learning With Integrated Vector Embeddings https:// journals.sagepub.com/doi/10.1177/15705838251329268 29. OntoSage: Intelligent Human-Building Smartbot for Semantic Smart ... https:// link.springer.com/article/10.1007/s11280-026-01403-0 30. An Ontology-Based Chatbot to Enhance Experiential Learning in a ... https:// pmc.ncbi.nlm.nih.gov/articles/PMC9083409/ 31. Extracting Training Dialogue Data from Large Language Model ... https://arxiv.org/ html/2603.01550v1 32. [PDF] Unsupervised Extraction of Dialogue Policies from Conversations https:// aclanthology.org/2024.emnlp-main.1060.pdf 33. Recursively summarizing enables long-term dialogue memory in ... https:// www.sciencedirect.com/science/article/abs/pii/S0925231225008653 34. I Fine-Tuned an LLM With My Telegram Chat History. Here's What I ... https:// hackernoon.com/i-fine-tuned-an-llm-with-my-telegram-chat-history-heres-what-ilearned 35. Structured information extraction from scientific text with large ... https:// www.nature.com/articles/s41467-024-45563-x 36. AI-driven formative assessment and adaptive learning in data ... - arXiv https:// arxiv.org/html/2509.20369v1 37. Research on the Design and Application of Learning Assistance ... https://dl.acm.org/ doi/10.1145/3775073.3775120 38. An LLM based learning framework for adaptive feedback ... https:// www.sciencedirect.com/science/article/pii/S2949678025000248.

[Audio] 39. A generative AI teaching assistant for personalized learning in ... https:// www.nature.com/articles/s41746-025-02022-1 40. Artificial Intelligence-Enabled Intelligent Assistant for Personalized ... https:// www.mdpi.com/2078-2489/15/10/596 41. (PDF) AI-driven formative assessment and adaptive learning in data ... https:// www.researchgate.net/publication/395849142_AIdriven_formative_assessment_and_adaptive_learning_in_datascience_education_Evaluating_an_LLM-powered_virtual_teaching_assistant 42. A Corpus-Based Analysis of Epistemic Stance in AI-Generated ... https:// www.researchgate.net/publication/398715984_A_CorpusBased_Analysis_of_Epistemic_Stance_in_AI-Generated_Instructional_Content 43. Epistemic, Emotional, and Effective Stance Strategies for the ... https:// www.sciencedirect.com/science/article/pii/S1871187125003025 44. A Description of its Interactional Functions, with a Focus on I think https:// www.academia.edu/31643258/ Epistemic_Stance_in_English_Conversation_A_Description_of_its_Interactional_Functi ons_with_a_Focus_on_I_think 45. Epistemic Stance in Dialogue: Knowing, Unknowing, Believing https:// www.researchgate.net/publication/ 316988997_Epistemic_Stance_in_Dialogue_Knowing_Unknowing_Believing 46. Epistemic Stance in Chinese L2 Spoken English: The Effect ... - MDPI https:// www.mdpi.com/2226-471X/8/1/15 47. [PDF] LLM-Human Pipeline for Cultural Grounding of Conversations https:// aclanthology.org/2025.naacl-long.48.pdf 48. LLMs Struggle with Conversational Grounding: Study Reveals Key ... https:// www.linkedin.com/posts/vam-nexus_we-recently-hosted-an-ai-reading-group-sessionactivity-7424305368584949760-u5mw 49. Conversational Grounding in Multimodal Dialog Systems https://dl.acm.org/doi/ fullHtml/10.1145/3577190.3614226 50. Empathic Grounding: Explorations using Multimodal Interaction and ... https:// arxiv.org/html/2407.01824v1 51. [PDF] Conversational Grounding in Multimodal Dialog Systems - HAL https:// hal.science/hal-04268148/document 52. (PDF) Towards Harnessing Large Language Models for ... https:// www.researchgate.net/publication/ 377748398_Towards_Harnessing_Large_Language_Models_for_Comprehension_of_C onversational_Grounding.

[Audio] 53. A Dialogue-Act Taxonomy for a Virtual Coach Designed to Improve ... https:// www.mdpi.com/2414-4088/3/3/52 54. Generalizable Reasoning-Aware Dialogue Evaluation for AI Tutors https://arxiv.org/ html/2605.27866v1 55. Automated Classification of Tutors' Dialogue Acts Using Generative AI https:// www.researchgate.net/publication/ 395418690_Automated_Classification_of_Tutors'_Dialogue_Acts_Using_Generative_AI _A_Case_Study_Using_the_CIMA_Corpus 56. [PDF] Title Automated Classification of Tutors' Dialogue Acts Using ... - arXiv https:// arxiv.org/pdf/2509.09125 57. Enhanced speaker-turn aware hierarchical model for automated ... https:// www.sciencedirect.com/science/article/abs/pii/S0957417425026648 58. [PDF] Improving Classroom Dialogue Act Recognition from Limited ... https:// aclanthology.org/2023.findings-acl.698.pdf 59. [PDF] Improving Classroom Dialogue Act Recognition from Limited ... https:// www.semanticscholar.org/paper/Improving-Classroom-Dialogue-Act-Recognitionfrom-Kumaran-Rowe/ed88468cf8b4f7518627f669a8b7cf38acccab4d 60. Conversational AI as an Intelligent Tutor: A Review of Dialogue ... https:// www.researchgate.net/publication/ 399536990_Conversational_AI_as_an_Intelligent_Tutor_A_Review_of_DialogueBased_Learning_Systems 61. [PDF] Doing Personal LAPS: LLM-Augmented Dialogue Construction for ... https:// arxiv.org/pdf/2405.03480 62. Ontology enrichment using a large language model: Applying lexical ... https:// www.sciencedirect.com/science/article/pii/S1532046425000942 63. Large Language Models in Bio-Ontology Research: A Review - PMC https:// pmc.ncbi.nlm.nih.gov/articles/PMC12649945/ 64. A Survey on Recent Advances in Conversational Data Generation https://dl.acm.org/ doi/full/10.1145/3795686 65. Empowering Personalized Learning with Generative Artificial ... https:// journal.hep.com.cn/fde/EN/10.1007/s44366-025-0056-9 66. Giuseppe Futia, PhD's Post - LinkedIn https://www.linkedin.com/posts/ giuseppefutia_personaagent-with-graphrag-community-awareactivity-7407431036135194625-bxQI 67. (PDF) LLM-Assisted Knowledge Graph Completion for Curriculum ... https:// www.researchgate.net/publication/388317320_LLMAssisted_Knowledge_Graph_Completion_for_Curriculum_and_Domain_Modelling_in_ Personalized_Higher_Education_Recommendations.

[Audio] 68. Agentic Graph Systems: The Symbiosis of Knowledge Construction ... https:// www.linkedin.com/posts/anthony-alcaraz-b80763155_agentic-graph-systems-thesymbiosis-of-knowledge-activity-7258764641730719744-IRIJ 69. OntoLLM: Enhancing LLM grounding and digression prevention with ... https:// www.sciencedirect.com/science/article/abs/pii/S0957417426004185 70. [PDF] A New Task for Proactive Dialogue Utilizing Conversational History https:// openreview.net/pdf?id=2YCWhmEYdz 71. [PDF] Interactive Conversational Head Generation - arXiv https://arxiv.org/pdf/ 2307.02090 72. Conversational recommendation based on end-to-end learning https:// www.sciencedirect.com/science/article/pii/S2451958821000877 73. Aci-bench: a Novel Ambient Clinical Intelligence Dataset for ... - PMC https:// pmc.ncbi.nlm.nih.gov/articles/PMC10482860/ 74. Generative AI-Enabled Conversational Interaction to Support Self ... https:// dl.acm.org/doi/fullHtml/10.1145/3640794.3665542 75. LMSYS-Chat-1M: A Large-Scale Real-World LLM Conversation ... https://arxiv.org/ html/2309.11998v4 76. Why LLM Memory Still Fails - A Field Guide for Builders https://dev.to/isaachagoel/ why-llm-memory-still-fails-a-field-guide-for-builders-3d78 77. Extracting Knowledge Graphs from Plain Text with Language Models https:// arxiv.org/html/2502.09956v1 78. Leveraging historical information to boost retrieval-augmented ... https:// www.sciencedirect.com/science/article/pii/S0306457325003905 79. Seven simple steps for log analysis in AI systems - arXiv https://arxiv.org/html/ 2604.09563v2 80. An AI assistant to help review and improve causal reasoning ... - PMC https:// pmc.ncbi.nlm.nih.gov/articles/PMC10767365/ 81. How Do Analysts Understand and Verify AI-Assisted Data Analyses? https:// dl.acm.org/doi/10.1145/3613904.3642497 82. Pitfalls and risks of generative AI in machine learning - ScienceDirect https:// www.sciencedirect.com/science/article/pii/S2666389926000437 83. MIT AI Studio Cohort Builds Agentic Systems - LinkedIn https://www.linkedin.com/ posts/vyahhi_a-useful-way-to-understand-where-ai-agentsactivity-7455979250735644672-ZTWR 84. Decoding Human-LLM Collaboration in Coding: An Empirical Study ... https:// arxiv.org/html/2512.10493v1.

[Audio] 85. Extracting Cognitive Workflows for Reuse in Sense-making Tasks https://dl.acm.org/ doi/10.1145/3772318.3791669 86. [PDF] Select-Then-Decompose: From Empirical Analysis to Adaptive ... https:// aclanthology.org/2025.emnlp-main.278.pdf 87. SciSciGPT: advancing human–AI collaboration in the science of ... https:// www.nature.com/articles/s43588-025-00906-6 88. AI Affordances in Macro-Task Crowdsourcing - PMC - NIH https:// pmc.ncbi.nlm.nih.gov/articles/PMC9830624/ 89. Human-AI interaction research agenda: A user-centered perspective https:// www.sciencedirect.com/science/article/pii/S2543925124000147 90. Students-Generative AI interaction patterns and its impact on ... https:// link.springer.com/article/10.1007/s12528-025-09444-6 91. Amico: An Event-Driven Modular Framework for Persistent ... - arXiv https:// arxiv.org/html/2507.14513v1 92. Applying Large Language Models to Enhance Dialogue and ... https:// www.sciencedirect.com/science/article/pii/S1560429226000466 93. ELF: Educational LLM Framework of Improving and Evaluating AI ... https:// dl.acm.org/doi/full/10.1145/3712065 94. [PDF] Enabling Interactive, Question-Driven Learning in Large Language ... https:// aclanthology.org/2025.acl-long.441.pdf 95. Event Extraction in Large Language Model: A Holistic Survey of ... https://arxiv.org/ html/2512.19537v1 96. Introducing Amazon Nova Sonic: Human-like voice conversations ... https:// aws.amazon.com/blogs/aws/introducing-amazon-nova-sonic-human-like-voiceconversations-for-generative-ai-applications/ 97. A Survey on Multi-Turn Interactions with Large Language Models https://arxiv.org/ html/2504.04717v6 98. Semantic Event Assistant | ACTi Corporation https://www.acti.com/technologies/ semantic-event-assistant 99. Lessons from Apollolll's AI Assistant | Karan Kakwani posted on the ... https:// www.linkedin.com/posts/karankakwani_a-year-ago-zero-lines-of-code-and-onequestion-activity-7435217799620370433-_C0L 100. A Three-Tier Hybrid Architecture for an Admissions Dialogue ... - MDPI https:// www.mdpi.com/2504-2289/10/5/156 101. Need Help? Designing Proactive AI Assistants for Programming https://dl.acm.org/ doi/full/10.1145/3706598.3714002.

[Audio] 102. Evaluating Very Long-Term Conversational Memory of LLM Agents https://arxiv.org/ html/2402.17753v1 103. OnGoal: Tracking and Visualizing Conversational Goals in Multi ... https://dl.acm.org/ doi/full/10.1145/3746059.3747746 104. AI and My Values: User Perceptions of LLMs' Ability to Extract ... - arXiv https:// arxiv.org/html/2601.22440v2 105. Andrej Karpathy's LLM Workflow for Personal Knowledge ... https:// www.linkedin.com/posts/hamna-aslam-kahn_andrej-karpathy-just-shared-how-heactually-activity-7457040097696182272-WOgY 106. A large language model-driven multi-agent framework integrated ... https:// www.sciencedirect.com/science/article/pii/S0166361525001642 107. Towards Co-Constructed Explanations: A Multi-Agent Reasoning ... https:// dl.acm.org/doi/10.1145/3765766.3765768 108. [PDF] LLM Assisted Synthetic Multi-Modal Knowledge Graph Creation For ... https:// ojs.aaai.org/index.php/AAAI-SS/article/download/31795/33962/35864 109. From Human- to LLM-Centered Collaborative Ontology Engineering https:// journals.sagepub.com/doi/abs/10.1177/15705838241305067 110. Your AI agent's context window is not a database. | Anthony Alcaraz https:// www.linkedin.com/posts/anthony-alcaraz-b80763155_your-ai-agents-contextwindow-is-not-a-database-activity-7403394612893024256-9S87 111. ORAM.AI: A multi-agent chatbot with RAG-based reasoning and ... https:// www.sciencedirect.com/science/article/pii/S2590005626002560 112. System Design Trumps AI in the Modern Workplace - LinkedIn https:// www.linkedin.com/posts/caroline-zimmerman-4a531640_system-design-not-ai-is-thetrue-skill-activity-7452262627872854017-Bi55 113. Orchestrating Human-AI Teams: The Manager Agent as a Unifying ... https:// arxiv.org/html/2510.02557v1 114. (PDF) Human-AI Interaction Patterns in AI-assisted Decision Making https:// www.researchgate.net/publication/395382569_HumanAI_Interaction_Patterns_in_AIassisted_Decision_Making_the_role_of_XAI_and_Human_Factors_in_the_design_of_De cision_Support_Systems 115. ReTrace: Interactive Visualizations for Reasoning Traces of Large ... https://arxiv.org/ html/2511.11187v1 116. Harnessing the power of AI in qualitative research - ScienceDirect.com https:// www.sciencedirect.com/science/article/pii/S2949882125000283 117. Integrating artificial intelligence in healthcare: applications ... - PMC https:// pmc.ncbi.nlm.nih.gov/articles/PMC12233828/.

[Audio] 118. AI guidelines for researchers | Wiley https://www.wiley.com/en-nl/publish/article/aiguidelines/ 119. What is AI transparency? A comprehensive guide - Zendesk https:// www.zendesk.com/blog/ai/workflow-automation/ai-transparency/ 120. A Survey on Recent Advances in Conversational Data Generation https://arxiv.org/ html/2405.13003v2 121. An Expert Schema for Evaluating Large Language Model Errors in ... https:// dl.acm.org/doi/full/10.1145/3772318.3791843 122. Toward Trustworthy Chatbots: A Protocol for Red Teaming for Health ... https:// pmc.ncbi.nlm.nih.gov/articles/PMC12723766/ 123. Inter-annotator Agreement Using the Conversation Analysis ... https:// www.tandfonline.com/doi/full/10.1080/19312458.2021.2020229 124. [PDF] HYPOVEIL: A HYPOTHESIS-DRIVEN PRAGMATIC INFERENCE ... https:// openreview.net/pdf/ef1156db2679acd19a5cf1f20b2d4247dd0d19c4.pdf 125. [PDF] Interpretable User Satisfaction Estimation for Conversational ... https:// aclanthology.org/2024.acl-long.598.pdf 126. Arxiv今日论文| 2026-05-11 - 闲记算法 http://lonepatient.top/2026/05/11/ arxiv_papers_2026-05-11.html 127. Artificial Intelligence - arXiv https://arxiv.org/list/cs.AI/new 128. Information, Volume 17, Issue 5 (May 2026) – 117 articles - MDPI https:// www.mdpi.com/2078-2489/17/5 129. [PDF] Ten Promising and Novel Research Areas in Artificial ... - Zenodo https:// zenodo.org/records/18908606/files/AI_Research_Prospectus_PauloAndrade_2026.pdf 130. From Threads to Trajectories: A Multi-LLM Pipeline for Community ... https:// arxiv.org/html/2604.25880v1 131. Kristy Natasha Y. | Applied ML, AI Engineering & Fraud Analytics https:// uk.linkedin.com/in/kristynatasha 132. From AI-Generated Content to Agentic Action: Security and Safety ... https:// www.sciencedirect.com/science/article/pii/S2949715926000405 133. Arxiv今日论文| 2026-05-29 - 闲记算法 http://lonepatient.top/2026/05/29/ arxiv_papers_2026-05-29 134. A Survey on Recent Advances in LLM-Based Multi-turn Dialogue ... https:// dl.acm.org/doi/10.1145/3771090 135. Computation and Language - arXiv https://arxiv.org/list/cs.CL/new 136. AI Agents vs. Agentic AI: A Conceptual taxonomy, applications and ... https:// www.sciencedirect.com/science/article/pii/S1566253525006712.

[Audio] 137. Claim Knowledge Graph Construction and GraphRAG-Based ... https:// www.mdpi.com/2075-5309/16/4/845 138. A Survey on Recent Advances in LLM-Based Multi-turn Dialogue ... https:// dl.acm.org/doi/abs/10.1145/3771090 139. CRISPR-GPT for agentic automation of gene-editing experiments https:// pmc.ncbi.nlm.nih.gov/articles/PMC12920143/ 140. ASTRA-bench: Evaluating Tool-Use Agent Reasoning and Action ... https://arxiv.org/ html/2603.01357v1 141. Verification Load and Fatigue with AI Coding Assistants https://dl.acm.org/doi/full/ 10.1145/3772318.3791176 142. Open Source AI Agent Evaluation Tool for Tool Calling Behavior https:// www.linkedin.com/posts/shubhang-yadav_agenteval-ai-llmactivity-7430591841651130368-FLWP 143. Adaptive Interviewing for Persona Simulation in LLMs - arXiv https://arxiv.org/html/ 2605.29458v1 144. Bilingual Dialogue Dataset with Personality and Emotion ... - PMC https:// pmc.ncbi.nlm.nih.gov/articles/PMC11950162/ 145. Linguistic Anthropomorphism in Chatbots: Effects of Style, Topic ... https:// dl.acm.org/doi/full/10.1145/3765766.3765773 146. Style markers in speech act realization: A corpus-based analysis of ... https:// www.sciencedirect.com/science/article/abs/pii/S0378216625001389 147. Evaluating the Longitudinal Effects of AI-Enhanced Collaborative ... https:// journals.sagepub.com/doi/10.1177/07356331251399452 148. The 2025 Conference on Empirical Methods in Natural Language ... https:// aclanthology.org/events/emnlp-2025/ 149. (PDF) Introduction: Conflict Discourses in the Media - ResearchGate https:// www.researchgate.net/publication/ 403928960_Introduction_Conflict_Discourses_in_the_Media 150. Human Language Technologies (Volume 1: Long Papers) - ACL ... https:// aclanthology.org/volumes/2025.naacl-long/ 151. Cross-Session Threats in AI Agents: Benchmark, Evaluation ... - arXiv https:// arxiv.org/html/2604.21131v1 152. [PDF] Sustainability Report - 可持续发展报告 - HKEXnews https:// www1.hkexnews.hk/listedco/listconews/sehk/2026/0330/2026033000976.pdf.