Sirvi Autor "Magnifico, Giacomo, juhendaja" järgi

Nüüd näidatakse 1 - 2 2

Causal Information Extraction Using Large Language Models
(Tartu Ülikool, 2025) Vunk, Sandor; Magnifico, Giacomo, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
This thesis investigates the ability of Large Language Models (LLMs) for causal information extraction, an important task for high-level natural language comprehension. In a controlled experiment of eight flagship models of leading AI organizations — including OpenAI's GPT-o3, Anthropic's Claude 3.7 Sonnet, xAI's Grok-3, and others — this study examines both their ability to extract cause-effect pairs from text and their performance at evaluating such extractions. A purpose-designed multi-domain dataset was generated to serve this end, with controlled causal relations hidden in contexts with diverse complexity levels, covering economics, environmental science, and technology domains. The dataset incorporates a number of difficult variations achieved through the use of cue masking and pair shuffling methods. By applying a zero-shot approach with standardized prompting, a twin evaluation framework is employed that uses traditional human evaluation with a model-based semantic scoring system, in which LLMs score other LLM's extractions. This provides a more informative model performance evaluation. Results revealed impressive causal extraction capabilities across all models, with leading models, outperforming smaller models. Especially notable were OpenAI's GPT-o3, Antropic's Claude 3.7 Sonnet and xAI's Grok-3, outperforming its counterparts. Overall, models demonstrated semantic understanding beyond reliance on explicit linguistic markers, though pair shuffling showed some dependence on pre-trained associations. This research illuminates the capabilities of state-of-the-art LLMs in causal information extraction, establishing a foundation for enhanced causal reasoning systems across diverse domains.
Modular system for text-based interaction with non-player characters in game environments
(Tartu Ülikool, 2025) Lukjanenko, Egor; Magnifico, Giacomo, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Käesolev lõputöö tutvustab modulaarse süsteemi kavandamist ja teostust tekstipõhise dialoogi jaoks mängudes, keskendudes kontrollitud ja ennustatavale suhtlusele. Süsteem koosneb mitmest põhikomponendist: sisendi töötlemine, dialoogivoo juhtimine, isiksuse moodul, maailmaseisundi moodul ning loomuliku keele väljundi genereerimine. Dialoogide üleminekuid juhib dialoogivoo moodul, mis tagab loogilise olekute jada. Isiksuse moodul lisab tegelaskujule vastavaid käitumisjuhiseid ning struktureeritud maailmaseisundi moodul toetab faktipõhist otsustamist. Lõpuks genereerib suur keelemudel (LLM) vastuseid varasemate moodulite koostatud juhiste põhjal. Funktsionaalne prototüüp töötati välja süsteemi demonstreerimiseks mängulaadses keskkonnas.2 Hindamise käigus kinnitati süsteemi modulaarsust ja suutlikkust luua sidusat ning harunevat dialoogivoo, lähtudes tekstipõhisest kasutajasisendist. Tulevikutöös võiks keskenduda reaalajas suhtlusele ja kontekstitruevuse parandamisele dünaamilistes olukordades.