Учёные разобрали миф о женской многозадачности: разница нашлась только в разговоре
Исследователи из Brunel University of Londoni проверили миф «женщины лучше справляются с несколькими делами одновременно» на реалистичном тесте, имитирующем повседневную жизнь. Оказалось, что по большинству задач мужчины и женщины справляются одинаково — разница обнаружилась только в одном: во время параллельного разговора мужчины чаще пропускали ответы на вопросы.
Важность исследования в том, что оно объясняет, откуда растёт сам стереотип: не из реальной разницы в способностях, а из того, что провалы в разговоре заметны окружающим, а ошибки в других параллельных задачах — нет.
ВыводВ эксперименте участвовали 41 мужчина и 37 женщин, которые одновременно готовили блюдо по рецепту, искали номер телефона, сопоставляли цифры с буквами, следили за словами в слайд-шоу и поддерживали разговор
Хабр проводит исследование влияния контента на инженерные решения
Наночастицы в воздухе связаны с миллионами смертей ежегодно
Исследование 214 тысяч человек выявило разные риски деменции для разных стран
Level-дизайн Pragmata разобран по частям: спирали, «хлебные крошки» и визуальный язык исследования
Канал «Вот это уровень!» в серии постов подробно разбирает приёмы левел-дизайна в игре Pragmata (в тексте также встречается написание PRAGMATA) — от классических планировок локаций до системы подсказок и визуальных сигналов для игрока.
Разбор охватывает три темы: использование спиральных маршрутов как «хрестоматийной» схемы уровней, применение игрового ресурса лувi в роли «хлебных крошек» для направления игрока, и визуальный язык, который сигнализирует об уже исследованных объектах и локациях.
Двухлетняя программа ЗОЖ улучшила когнитивные функции пожилых людей на 55%
Влияние генетики и главного комплекса гистосовместимости на выбор партнера
Влияние недосыпа на массу тела
Исследователи из Принстона показали: LLM сами придумывают новые стереотипы в процессе работы
На ICML 2026 представлена работа принстонских исследователей «LLMs Develop Novel Social Biases Through Adaptive Exploration»: даже если полностью вычистить bias'ы из обучающих данных, модель в агентском цикле «решение → фидбек» выращивает новые стереотипы с нуля — причём даже в отношении несуществующих групп, из чистого случайного шума. Это значит, что чистка датасетов не решает проблему предвзятости LLM в динамических агентских сценариях.
Эффект усиливается с ростом качества модели, и промпт-инженерия его не лечит — авторы утверждают, что нужно менять саму целевую функцию обучения.
ВыводЭксперимент воспроизводит психологическую методику: модель играет рекрутера и за 40 раундов распределяет кандидатов из четырёх выдуманных этносов — Tufa, Aima, Reku, Weki — по профессиям, после каждого найма получая вердикт успех/провал