通过开源平台 GenAI-Arena 和统计方法，该研究论文提出一种评估图像和视频生成模型的方法，以更准确地衡量模型性能，并发现现有的多模态模型在评估生成的视觉内容方面存在不足。

Jun, 2024

本文总结了在可视化领域中利用生成式人工智能（GenAI）的方法，涵盖了不同类型的 GenAI 方法在数据增强、可视化映射生成、风格化和交互等各个阶段的应用，同时阐述了评估、数据集和端到端 GenAI 与生成算法之间的挑战和研究机会。通过总结不同的生成算法、其当前应用和限制，希望为未来的 GenAI4VIS 研究提供有用的见解。

Apr, 2024

利用大型语言模型的自动化系统，提出了一种可视化方法，用于探索 LLMAS 中的详细状态和代理行为，在时间序列上构建了整个结构的分层摘要并挖掘了代理行为之间的因果关系，开发了 AgentLens 可视分析系统以揭示 LLMAS 的演化并支持用户交互式探索代理行为的细节和原因。

Feb, 2024

LENS 是一种模块化的方法，针对计算机视觉问题，利用大型语言模型进行推理，可以应用于零 / 少样本对象识别，以及视觉和语言问题。

Jun, 2023

近年来，生成人工智能（GenAI）的发展在社会多个领域引起了一次范式转变，而这些技术的使用可能成为未来几十年教育的一个定义性特征。GenAI 提供了变革性的教育机会，同时也带来了伦理和学术方面的挑战。在这个背景下，我们提出了一个实用、简单且足够全面的工具来将 GenAI 工具融入教育评估中：AI 评估量表（AIAS）。AIAS 使教育工作者能够根据他们希望解决的学习成果选择适当的 GenAI 使用水平进行评估。AIAS 为学生和教育工作者提供了更清晰、更透明的方式，为机构提供了公平、公正的政策工具，并提供了一种细致入微的方法，既拥抱了 GenAI 的机会，又意识到在某些情况下这样的工具可能在教学上不合适或不必要。通过采用一种实用、灵活、可快速实施的方法，AIAS 可以成为应对当前关于教育中的 GenAI 存在的不确定性和焦虑的迫切起点。作为次要目标，我们参与当前的文献研究，倡导关注 GenAI 教育工具的重新聚焦的讨论，突出技术如何帮助支持和增强教学和学习，与当前关注 GenAI 作为学术不端行为便利工具的焦点形成对比。

Dec, 2023

人工智能的生成性挑战和学习分析领域的框架与人工智能工具之间的合作关系

Nov, 2023

本文提出了一种基于可视分析技术的 “人机合作” 方法，使得机器学习专业人员和领域专家能够使用生成式对抗网络生成的时间序列数据进行质量评估，并且给出了一个基于两个不同 GAN 模型的有效比较结果。

Dec, 2019

基于先进的自然语言处理技术，这项研究介绍了一种基于生成式人工智能（GenAI）的工具，用作教育者的数字助手，能够生成定制化的课程计划，评估结果显示这种基于人工智能的教学方法显著降低了备课时间，提升了学习体验，并在为特殊教育需求（SEN）提供个性化关注和具体学习辅助等更广泛教育背景的应用中具有潜在可行性。

Feb, 2024

本研究提出 Generated Image Quality Assessment (GIQA) 算法，从学习和数据两个角度，定量评估 GAN 模型生成的图像质量。实验证明 GIQA 算法结果与人工评估基本一致，可应用于 GAN 模型的真实性和多样性评估，并能在训练中支持在线 hard negative mining。

Mar, 2020

该论文介绍了 GenImage 数据集，该数据集拥有超过 100 万对人工智能生成的假图像和真实图像，且具有丰富的图像内容和最先进的生成器，通过该数据集，研究人员可以有效加快相对于现有方法的优越人工智能生成图像检测器的开发和评估。

Jun, 2023