IDEAS home Printed from https://ideas.repec.org/p/osf/osfxxx/hbe5d.html
   My bibliography  Save this paper

Potenzialità di modelli linguistici di grandi dimensioni pre-addestrati per migliorare l'efficienza dell'istruzione

Author

Listed:
  • Kim, Donghyun

Abstract

L'applicazione dei modelli linguistici preaddestrati (PLM) nell'elaborazione del linguaggio naturale (NLP) ha ottenuto un ampio riconoscimento per le sue eccezionali prestazioni in vari compiti di PNL e benchmark pubblici. L'integrazione dei PLM nell'istruzione ha la possibilità di trasformare il modo in cui vengono condotti l'apprendimento e l'insegnamento. Tuttavia, è fondamentale soppesare sia i vantaggi che gli svantaggi che possono accompagnare tale integrazione. Per sfruttare appieno i vantaggi dei PLM e ridurre al minimo gli impatti negativi, è necessario un approccio attento e responsabile quando si incorporano i PLM nell'istruzione. Questo documento approfondisce i pro e i contro dell'utilizzo dei PLM nell'istruzione e offre una guida per i progressi futuri.

Suggested Citation

  • Kim, Donghyun, 2023. "Potenzialità di modelli linguistici di grandi dimensioni pre-addestrati per migliorare l'efficienza dell'istruzione," OSF Preprints hbe5d, Center for Open Science.
    • Handle: RePEc:osf:osfxxx:hbe5d
    DOI: 10.31219/osf.io/hbe5d
    as

    Download full text from publisher

    File URL: https://osf.io/download/63e3120c3db095023e1cfc6e/
    Download Restriction: no
    File URL: https://libkey.io/10.31219/osf.io/hbe5d?utm_source=ideas
    LibKey link: if access is restricted and if your library uses this service, LibKey will redirect you to where you can use your library subscription to access this item
    ---><---

    More about this item

    Statistics

    Access and download statistics

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:osf:osfxxx:hbe5d. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    We have no bibliographic references for this item. You can help adding them by using this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: OSF (email available below). General contact details of provider: https://osf.io/preprints/ .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.