BBakalárska prácaZENBachelor thesisPF UPJŠUniverzita Pavla Jozefa Šafárika v Košiciach, Prírodovedecká fakulta2026/2027ENPavol Jozef Šafárik University in Košice, Faculty of ScienceÚINFÚstav informatikyENInstitute of Computer Science65690Kontextuálna plasticita a škálovanie vo virtuálnom prostredí2023-03-27T00:00:00.000+02:0013Konzultantdoc. RNDr. Gabriela Andrejková, CSc.ENConsultant1Vedúcidoc. Ing. Norbert Kopčo, PhD., univerzitný profesorENSupervisor1NázovENContextual plasticity and scaling in virtual environment1NázovSKKontextuálna plasticita a škálovanie vo virtuálnom prostredí2LiteratúraSK[1] Kopčo, N., Marcinek, L’., Tomoriová, B., and Hládek, L’. (2015). “Contextual plasticity, top-down, and non-auditory factors in sound localization with a distractor,” J. Acoust. Soc. Am. 137, EL281–EL287. [2] Kopco, N., Best, V., and Shinn-Cunningham, B. G. (2007). “Sound localization with a preceding distractor,” J. Acoust. Soc. Am. 121, 420–432. [3] Hládek, L., Tomoriová, B., and Kopčo, N. (2017). "Temporal characteristics of contextual effects in sound localization," J. Acoust. Soc. Am. 142, 3288–3296 [4] Yost, W. A. (2000). Fundamentals of hearing: An introduction (4th ed.). San Diego: Academic Press.3CieľSK- Vypracovať prehľad doterajšieho výskumu týkajúceho sa kontextuálnej plasticity - Upraviť experimentálny setup vo virtuálnom prostredí pre test závislosti odpovedí na rozsahu stimulov - Na základe poskytnutých MATLAB skriptov naprogramovať experimentálnu procedúru na zber dát - Nazbierať experimentálne dáta na nových subjektoch - Analyzovať a vyhodnotiť experimentálne dáta3CieľEN- To process an overview of the current research related to contextual plasticity - Modify the experimental setup in the virtual environment for the test of the dependence of responses on the range of stimuli - Based on the provided MATLAB scripts, program the experimental procedure for data collection - Collect experimental data on new subjects - Analyze and evaluate experimental data6Kľúčové slováENspatial auditory perception, contextual plasticity6Kľúčové slováSKpriestorové sluchové vnímanie, kontextuálna plasticita18.informatikaENComputer Science18.informatikaAIbaplikovaná informatikaENComputer ScienceApplied Informatics76482Vplyv rôznych aktivačných funkcií na inkrementálnu aproximáciu funkcií pomocou neurónových sietí2026-02-23T00:00:00.000+01:0001Vedúcidoc. RNDr. Gabriela Andrejková, CSc.ENSupervisor1NázovENThe influence of different activation functions on incremental function approximation using neural networks1NázovSKVplyv rôznych aktivačných funkcií na inkrementálnu aproximáciu funkcií pomocou neurónových sietí2LiteratúraSK[1] Kurková, V.: Approximation of Functions by perceptron. Networks with Bounded Number of Hidden Units, Neural Networks, Vol. 8, No. 5, 1995, 745--750. [2] Kurková, V.: Incremental Approximation by Neural Networks, Proceedings of NC'2000, Berlin, 2000, p. 12. [3] Apicella, A., Donnarumma, F., Isgrò, F., & Prevete, R. (2021). A survey on modern trainable activation functions. Neural Networks, 138, 14-32. https://doi.org/10.1016/j.neunet.2021.01.026 [4] Kimhi, M., Kashani, I., Mendelson, A., & Baskin, C. (2025). Hysteresis Activation Function for Efficient Inference. The 4th NeurIPS Efficient Natural Language and Speech Processing Workshop (ENLSPIV). https://doi.org/10.48550/arXiv.2411.10573 3CieľSK1. Preštudovať a spracovať známe výsledky v oblasti inkrementálnej aproximácie pomocou vrstvových neurónových sietí. 2. Skúmať vplyv aktivačných funkcií na počet neurónov v skrytej vrstve neurónovej siete. 3. Overiť získané výsledky v aplikácii na daný typ praktických funkcií. 4. Výsledky spracovať a vyhodnotiť.18.informatikaENComputer Science76497Vplyv štruktúry promptu, RAG a samoverifikácie na pravdivosť a reprodukovateľnosť výstupov veľkých jazykových modelov2026-02-24T00:00:00.000+01:0001Vedúcidoc. RNDr. Gabriela Andrejková, CSc.ENSupervisor1NázovENThe influence of prompt structure, RAG and self-verification on the truthfulness and reproducibility of the outputs of large language models1NázovSKVplyv štruktúry promptu, RAG a samoverifikácie na pravdivosť a reprodukovateľnosť výstupov veľkých jazykových modelov2LiteratúraSK[1] P. Liu et al.: Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys, Volume 55, Issue 9 (September 2023) [2] J. Wei et al.: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. 36th Conference on Neural Information Processing Systems (NeurIPS 2022). [3] D. Anh-Hoang et al.: Survey and analysis of hallucinations in large language models: attribution to prompting strategies or model behavior. Frontiers in Artificial Intelligence, 2025 2LiteratúraEN[1] P. Liu et al.: Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys, Volume 55, Issue 9 (September 2023) [2] J. Wei et al.: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. 36th Conference on Neural Information Processing Systems (NeurIPS 2022). [3] D. Anh-Hoang et al.: Survey and analysis of hallucinations in large language models: attribution to prompting strategies or model behavior. Frontiers in Artificial Intelligence, 2025 3CieľSK1. Preskúmať, do akej miery štruktúra promptu znižuje halucinácie a zvyšuje mieru overiteľných tvrdení. 2. Porovnať odpovede modelov s/bez RAG (retrieval-augmented generation) like prístupu (práca s externými zdrojmi) na rovnakých úlohách. Zvoliť 3 domény s rizikom halucinácií. 3. Otestovať self verification techniky (chain of verification, self critique) a ich prínos k presnosti. 4. Vyhodnotiť reprodukovateľnosť odpovedí (stabilitu pri opakovaní) ako dôležitý aspekt overiteľnosti. 4AnotáciaSKHypotézy: Q1: Zlepší štruktúrovaný prompt (inštrukcia → kontext → obmedzenia → formát výstupu) mieru faktickej správnosti oproti voľnému promptu? Q2: Poskytne RAG like postup štatisticky významne viac overiteľných tvrdení než čisto generatívny režim? Q3: Sú odpovede pri rovnakom vstupe dostatočne konzistentné naprieč behmi/modelmi? 18.informatikaENComputer Science