Sirvi Autor "Barbu, Eduard, juhendaja" järgi

Nüüd näidatakse 1 - 11 11

Advancing human-centric counterfactual explanations in explainable AI
(Tartu Ülikooli Kirjastus, 2025-12-02) Domnich, Marharyta; Vicente Zafra, Raul, juhendaja; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Tehisintellekt (TI) mõjutab üha enam kriitilisi otsuseid erinevates valdkondades, nagu tervishoid, haridus ja rahandus. Mudelite kasvav keerukus ja ulatus muudavad otsustusprotsessid sageli läbipaistmatuks, rõhutades vajadust seletusmeetodite järele, mis suurendaksid nende läbipaistvust ja kontrollitavust. Selle väljakutsega tegeleb seletatava tehisintellekti (XAI) valdkond, arendades seletusi, mis on inimestele tähenduslikud ja arusaadavad. Inimlikud seletusprotsessid on oma olemuselt keerukad ja kontrastiivsed, hõlmates sageli võrdlusi ja hüpoteetilisi stsenaariume. Sellist kontrastiivset mõtlemist väljendavad kõige paremini kontrafaktuaalsed seletused, mis vastavad küsimusele: „Millised minimaalsed muudatused võiksid mudeli otsust muuta?“. Selleks, et kontrafaktuaalsed seletused oleksid tõhusad, peavad need olema kooskõlas inimlike eelistustega – olema tähenduslikud, rakendatavad ja kasutajatele usaldusväärsed. Käesolev doktoritöö edendab inimkeskseid kontrafaktuaalseid seletusi nelja omavahel seotud uuringu kaudu. Uurimistöö tugineb kognitiivteaduse arusaamadele, täiustades seeläbi kontrafaktuaalsete seletuste genereerimist ning hindamist erinevates rakendusvaldkondades. Esimene uuring, mis on inspireeritud inimlikest kognitiivsetest eelistustest, tutvustab difuusse kauguse ja suunatud koherentsuse kasutamist kontrafaktuaalsete seletuste otsingus. Need kaks uuendust võimaldavad luua lihtsamini teostatavaid ja inimkesksemaid seletusi, rõhutades andmeruumi sidusust ning joondades tunnuste muutused inimese mõtlemismustritega. Väljatöötatud lähenemine, nimega Coherent Directional Counterfactual Explainer (CoDiCE), näitab paremat tulemuslikkust seletuste loomisel, mis on praktiliselt rakendatavad ning inimese seletusloogikaga kooskõlas. Teine uuring tegeleb ühe kontrafaktuaalsete seletuste keskse väljakutsega- kuidas neid usaldusväärselt hinnata. Selleks arendatakse välja CounterEval-andmestik, mis koondab inimeste üksikasjalikud hinnangud mitmete seletuslike mõõtmete osas. Üle 200 osalejalt kogutud andmete põhjal luuakse ühtne hindamisraamistik, mis kasutab suurte keelemudelite (LLMid) võimekust ennustada keskmisi ja individuaalseid inimhinnanguid. See pakub skaleeritavat ja järjepidevat viisi seletuste kvaliteedi hindamiseks. Järgnev analüüs uurib, kuidas seletustega seotud rahulolu saab modelleerida teiste seletuslike mõõdikute (nt teostatavus, usaldus, täielikkus ja keerukus) põhjal, andes sügavama ülevaate teguritest, mis kujundavad üldist kasutajate rahulolu. Kolmas uuring näitab kontrafaktuaalsete seletuste praktilist väärtust meditsiinilise pilditöötluse kontekstis, esitades COunterfactual INpainting (COIN) lähenemise nõrgalt juhendatud semantilisele segmenteerimisele. COIN genereerib seletusi, muutes klassifitseerimistulemuse ebanormaalsest normaalseks ning kasutades algse ja muudetud pildi erinevusi nõrkade segmentatsioonimärgistena. Rakendatuna neerukasvajate segmentatsioonile vähendab see meetod oluliselt radioloogide käsitsi märgistamise töökoormust ning võimaldab patoloogiliste piirkondade tuvastamist ka olukordades, kus ulatuslikult märgistatud andmestikud puuduvad. COINi sooritus ületab märgatavalt traditsioonilised atribuutsioonil põhinevad meetodid, demonstreerides kontrafaktuaalsete seletuste potentsiaali tervishoiu rakendustes. Kokkuvõttes panustavad need uuringud seletatava tehisintellekti valdkonda, arendades ja valideerides kontrafaktuaalsete seletuste meetodeid, mis parandavad TI-süsteemide läbipaistvust ja kasutatavust ning on kooskõlas inimlike tunnetusprotsessidega.
Annotating Line Graphs With Machine Learning
(Tartu Ülikool, 2021) Nemvalts, Sander; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Selles bakalaureusetöös kogutakse andmestik, mis sisaldab joongraafikuid ja nende ingliskeelseid kirjeldusi. Kasutades seda andmestikku luuakse kaks erinevat masinõppesüsteemi, mis genereerivad joongraafikutele ingliskeelseid kirjeldusi.
Assessing the Quality of Counterfactual Explanations with Large Language Models
(Tartu Ülikool, 2024) Välja, Julius; Domnich, Marharyta, juhendaja; Vicente, Raul, juhendaja; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Masinõppe mudelite kiire leviku tõttu on nende mudelite keerulisus ja läbipaistmatus üheks levinud murekohaks. "Seletatav tehisintellekt"(Explainable AI) on informaatika ala, mis keskendub meetoditele, millega on võimalik masinõppe mudelite sisemist loogikat uurida. Üks selline meetod on kontrafaktuaalsed seletused, mis vastavad küsimusele "Kuidas peaks olukord erinema, et mudel ennustaks teistsugust tulemust?". Tunnuseid, mis teevad sellise selgituse heaks on vähe uuritud ning neid on raske arvutuslikult hinnata. Selles lõputöös loodi küsimustik, mille abil koguti andmestik kontrafaktuaalsetest seletustest ning nendele antud hinnangutest erinevate kriteeriumite põhjal. Selle andmestiku abil uuriti suurte keelemudelite võimet neid kriteeriume automaatselt hinnata, muuhulgas kasutades siirdeõpet. Tulemusena saavutati suurte keelemudelite puhul täpsus 70% kuni 95%, sõltuvalt konkreetsest mudelist ja testimisandmestikust. Väiksemad keelemudelid olid oluliselt vähem võimekad, kuid siirdeõppe abil suutsid saavutada 70% täpsust. Lisaks uuriti kriteeriumivaheliste korrelatsioonide mõju tulemustele ning hinnati asjaolu, kuivõrd on inimeste üldist rahulolu seletusega võimalik automaatselt hinnata. Need tulemused võimaldavad edasisi uuringuid kontrafaktuaalsete seletuste automaatses hindamises ning uute kontrafaktuaalsete seletuste otsingualgoritmide arenduses.
BibRank: Automatic Keyphrase Extraction Platform Using Metadata
(Tartu Ülikool, 2021) Eldallal, Abdelrhman Elsayed Hassan; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Automatic Keyphrase extraction is the process of automatically identifying the essential phrases from a document. Keyphrases are used in crucial tasks such as document classification, clustering, recommendation, indexing, searching, and summarization. This thesis introduces BibRank, a new semi-supervised automatic keyphrase extraction method that exploits an information-rich dataset collected by parsing bibliographic data in BibTeX format. BibRank combines a novel weighting technique of the bibliographic data with positional, statistical, and word co-occurrence information. We have benchmarked BibRank and state-of-the-art techniques against the dataset. The evaluation indicates that BibRank is more stable and has a better performance than state-of-the-art methods.
Design and Evaluation of an AI-Assisted COMPS Tutor for Students with Learning Difficulties in Mathematics
(Tartu Ülikool, 2025) Nkem-Eze, Chioma Jessica; Barbu, Eduard, juhendaja; Lipmaa, Kateryna, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
This thesis presents Nutikas, an AI-assisted tutor that automates Conceptual Model-Based Problem Solving (COMPS) for early-grade additive word problems, designed with learners with special educational needs (SEN) in mind. Nutikas uses a four-step prompt pipeline: (i) super-category classification (Change / Combine / Compare). (ii) 12-way subtype selection, (iii) schema slot filling (e.g., Start/Change/End), and (iv) story-grammar questions to align large language model (LLM) outputs with instructional scaffolds. Three current LLMs (GPT-4.1, Claude Sonnet 4, and Gemini 2.5 Flash) are evaluated on a 120-item corpus covering all COMPS additive subtypes and score four dimensions: category, subtype, mapping (equation fidelity), and answer. Answers are near the ceiling (≥99.2%), while residual errors concentrate in schema mapping, especially the polarity of Change-Separate problems, where the COMPS convention requires a non-negative change magnitude. Mapping accuracy ranges from Gemini at 98.3% to Claude at 91.7% to GPT-4.1 at 85.0%, suggesting that the remaining variance reflects representation conventions rather than arithmetic capability. A small usability pilot with two SEN students (SUS-Kids mean 68.8) and one teacher indicates acceptable usability and highlights the need for clearer analytics on the teacher dashboard. While Tier-2 findings are formative and the scope is additive only, Nutikas already delivers accurate solutions with actionable paths to close the remaining mapping gap.
Document-Level Text Simplification in Estonian Using Large Language Models
(Tartu Ülikool, 2025) Muru, Meeri-Ly; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
The goal of text simplification is to improve text comprehensibility. It can be beneficial for people with reading disabilities or language learners. This thesis investigates Estonian text simplification at the document level by utilizing large language models and different prompt design strategies. The aim is to evaluate how various approaches influence the effectiveness of text simplification. The outputs generated by the models were assessed using both automatic evaluation methods and qualitative analysis.
Evaluating Transformer Architecture for the Game of Chess
(Tartu Ülikool, 2023) Marrandi, Raiko; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Transformers are state-of-the-art natural language processing models, which have shown success in a variety of areas not directly related to natural language. This work evaluates the learning capabilities of transformers in the game of chess. The models are trained using an unannotated dataset of played chess games in Forsyth-Edwards notation (FEN) and their performances are compared with models trained on less comprehensive datasets used in prior research. The findings show that the models are not capable of generalizing on the richer FEN dataset and demonstrate inferior performance compared to the control models across all evaluation metrics.
Evolution of Topics in the Psychology Domain
(Tartu Ülikool, 2020) Martens, Ott-Kaarel; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Topic modeling is a set of statistical methods for modeling collections of discrete data such as text corpora. It is used as a text-mining tool to discover the hidden semantic structures in a text body. Latent Dirichlet Allocation, a particular method for topic modeling is a generative probabilistic model that models texts as a mixture of underlying topics. In this thesis, Latent Dirichlet Allocation is used on a large corpus of texts from the domain of psychology. A model with 100 topics is generated, and the resulting topics are labeled. The occurrence of the topics is analysed over a time span of 40 years. The
Explainability Assistant: Natural Language Interface for Trustworthy AI
(Tartu Ülikool, 2025) Krjutškov, Rodion; Barbu, Eduard, juhendaja; Zafra, Raul Vicente, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Masinõppesüsteemide seletatavuse mõiste ulatub arvutiteaduse ajaloos mitme aastakümne taha. Viimase kümnendi jooksul on tehisintellekti üha laialdasem kasutuselevõtt erinevates sektorites aga suurendanud huvi masinõppemudelite tõlgendatavuse vastu. Lisaks pakub usaldusväärse tehisintellekti kontseptsioon tervikliku raamistiku, mis keskendub eetiliste ja vastutustundlike rakenduste arendamisele. See uuring, mis on osa laiemast algatusest Trust-AI, vaatleb, kuidas loomuliku keele dialooge saab kasutada seletatava ja usaldusväärse AI mehhanismina. Varasemate uuringute ülevaatamisel ja suurte keelemudelite uusimate edusammude kaasamisel oleme välja töötanud uuendusliku lahenduse, millel on märkimisväärselt parem keele parsimise täpsus ja mida hinnati praktilises rakenduses Trust-AI raamistikus.
Exploring And Implementing Estonian Text Simplification Using Machine Learning
(Tartu Ülikool, 2024) Malva, Sten Marcus; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Käesoleva bakalaureusetöö eesmärgiks oli uurida Eesti keele lihtsustamise võimalusi masinõppe abil ning treenida selline mudel eestikeelsete andmete peal. Treenimiseks koguti kokku, tõlgiti, parandati ja genereeriti suur hulk andmeid. Seejärel uuriti ja hinnati varem implementeeritud algoritme inglise keele jaoks ning üks neist valiti eestikeelse mudeli aluseks. Viimaks treeniti eestikeelne mudel kolme erineva konfiguratsiooniga, mida hiljem hinnati.
Metaphor Identification for Estonian
(Tartu Ülikool, 2021) Kittask, Claudia; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Metaphors are a common facet of written and spoken language. For humans, it is pretty easy to identify and interpret metaphors, but machines struggle to match this capability. Much research about metaphors has been done in the last decades, but mainly for English using different approaches - ranging from rule-based to deep learning-based systems. As of the date of this thesis, there has been no research done for computational metaphor processing for the Estonian language. In this thesis, the research in the field of computational metaphors is explicitly applied to the Estonian language. All the methods implemented are unsupervised or semisupervised because the resources for Estonian regarding metaphors do not exist. This thesis also attempts to incorporate contextualized embeddings from the BERT language model into metaphor identification systems to enhance performance. For testing the performance of the methods, a new evaluation dataset for the Estonian language was created1. This dataset contains 500 sentences, from which 232 sentences contain VERB-NOUN phrase where VERB is used metaphorically and 268 which the VERB was used literally. The best results were obtained using BERT embeddings alongside with information from Estonian WordNet.