教育科技研究速報

本文指出 LLM 在社會模擬中因傾向產生同質化行為，缺乏人類社會必要的行為多樣性，研究者應建立邊界並重視變異性驗證。

提出一個語義框架，將 AI 輸出視為工程化表示而非事實，藉此精確定義並檢驗 AI 的錯誤類型。

研究發現使用 AI 能提升即時與延遲的知識測試分數，關鍵在於將 AI 作為概念解釋工具而非僅用於自動生成文本。

本文提出一套數學框架，透過「主動提升」理論解釋慢思考與主動感知的形成機制，並指導大型語言模型的設計與訓練。

研究發現評估引用品質時，較廉價的模型在特定維度上具備競爭力，且不一定需要最昂貴的模型作為獎勵模型。

研究發現 LLM 的答案信心與問題可回答性是兩個獨立維度，並提出結合隱藏狀態探測的雙軸校準策略。

研究發現透過探測模型內部激活值，能比思維鏈（CoT）更準確地判斷模型預測的校準度與推理忠實度。

提出 GRAPHEVAL 框架，透過圖形結構評估 LLM 推理過程的邏輯忠實度，而非僅看最終答案。

本文提出以 Barenholtz 的自動生成理論來補足 Harris 整合語言學在結構機制、符號連續性與檔案理論上的解釋缺口。

本文提出「對抗性社會認識論」框架，用以分析並應對人類與 AI 互動中，利用信任機制進行資訊操弄的複雜現象。

研究提出透過注入單字難度訊號，在不使用大型語言模型的情況下，提升純眼動追蹤模型預測閱讀理解的能力。

研究提出了一種新型行為反思測試（BRT），能有效衡量個人在複雜決策中克服直覺、進行反思推理的能力。