教育科技研究速報

開發並評估了一款旨在提升數學歸納法學習成效的證明輔助工具，並發現減少工具輔助程度有助於知識轉移。

提出一種免訓練的兩階段提示協定 CFR，透過先提取約束條件再進行解題與檢查，提升大型語言模型處理數學問題的準確度。

研究發現 AI 聊天機器人能微幅提升小學分數理解力，但無法顯著改變學習興趣，且教師角色仍不可取代。

研究發現 LLM 在評估數學題目難度時，會因無法識別學習者的錯誤觀念而系統性地低估特定題目的認知難度。

研究發現學生的數學表現主要受整體能力驅動，而非由離散的特定主題技能組合而成。

研究發現 LLM 在處理數學問題時，即便問題邏輯相同，僅改變文字呈現方式（如從故事題變為方程式）仍會導致解題表現大幅波動。

本文主張 AI 數學系統應從僅能解決定義明確問題的「解題工具」，轉型為能處理前沿研究挑戰的「研究代理人」。

本研究評估多種 LLM 在離散數學考試評分中的表現，發現採用「寬鬆型」提示詞能有效提升評分準確度。

研究發現學生若能隨著學習進程，將 AI 互動從尋求答案轉向概念與程序性的主動探究，能有效提升數學表現。

提出 SD-GPS 框架，透過求解器驅動的自動形式化與驗證機制，提升多模態模型解決幾何問題的精確度。

本文提出 CombEval 框架，透過動態生成具備精確解答的組合計數問題，深入診斷大型語言模型在組合推理上的弱點。

本研究比較多種 LLM 在 Lean 4 數學形式化證明中的效能，並從準確度與成本效益兩方面進行評估。