教育科技研究速報

提出 FACU 方法透過概念消除技術降低 LLM 內在偏見，並有效提升下游決策任務的公平性。

研究發現 LLM 在模擬學術資源分配時，會因模型架構不同而對全球區域與學術地位展現出截然不同的偏見行為。

研究指出僅評估 AI 的公平性是不夠的，因為部分模型看似中立僅是因為其缺乏有效評估能力的「中立幻覺」。

本研究探討 AI 分類中的公平性準則，主張「均等賠率」比「人口統計平權」更能有效引導偏差修正。

研究發現經 LoRA 微調的開源大型語言模型在自動作文評分上具備強大的跨提示詞泛化能力，卻存在顯著的母語背景評分偏誤。

本文提出「魯棒個體公平性」概念，並開發 RIFair 框架以揭露深度學習模型在面對擾動時隱藏的脆弱性。

提出透過修改拉普拉斯算子、子空間投影、頻率濾波等方式，將公平性融入圖擴散學習，並在實驗中證明能提升公平指標且計算成本有限。

本文提出 FaiRLLM 基準測試，證實 ChatGPT 在進行音樂與電影推薦時，仍對特定敏感屬性存在不公平現象。

提出一種帕累托引導框架，旨在平衡個性化文本生成的精準度與不同人口統計群體間的公平性。

提出將公平性視為對稱操作，透過損失正則化降低偏差至90%，且準確度損失僅5%

提出一種基於最適運輸的後處理方法，能在有限樣本下以高概率保證反事實公平迴歸，並給出理論收斂率與風險界限。

提出將空間公平性擴展至個體移動模式，並開發多分辨率地理分區與空間掃描統計方法以檢測模型對移動者的不公平對待。