教育科技研究速報

提出 KV-PRM 技術，透過直接讀取 KV 快取取代文本重新編碼，大幅降低過程獎勵模型的計算成本與延遲。

研究發現具備具體闡述（如類比或範例）的 AI 回饋能有效提升學生理解度並減少後續困惑。

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 雖具備 CBT 理論知識，但在實際對話中仍傾向於重複「驗證與反映」，難以有效應用專業策略。

提出 JAM 框架，利用 LLM 作為裁判，在不依賴特定心理學理論標籤的情況下，實現通用的心理特質辨識。

本文提出一個自動化反事實框架與 CAB 基準測試，用於生成更具真實感且開放式的問題，以檢測 LLM 的隱性偏見。

研究發現將隱性的社會規範轉化為顯性的量化原則，能顯著提升 AI 在動態互動中的協調能力。

研究發現 LLM 的道德評估會因使用者專業身份的隱含暗示而產生偏移，挑戰了現有的 AI 價值對齊觀念。

研究發現 LLM 在面對顯性標籤時表現公平，但隱藏標籤後公平性大幅下降，揭示了其道德行為僅是「表演式合規」。

研究發現 LLM 在解釋模糊刺激時會產生與人類行為模式截然不同的「刻板印象幻覺」。

本研究提出三軸保真度框架，探討如何利用小規模人類數據透過微調來提升 LLM 模擬社會問卷的統計準確性。

提出 VirtueMap 框架，利用亞里斯多德美德倫理學來量化並評估大型語言模型在道德決策中的特質剖析。