教育科技研究速報

研究揭示 LLM 的安全對齊過於依賴英語，在非英語語言中存在顯著的社會文化偏見與安全漏洞。

本研究開發了一套結合微調大型語言模型與量化技術的適應性學習平台，解決低資源環境下的語言包容性與運算限制問題。

研究提出 OPD² 技術，透過強化教師模型與基礎模型間的機率差距，提升大語言模型的多語言數學推理能力。

開發出包含 24,795 條指令對的多語言數據集，旨在提升語言模型在印度知識體系（IKS）領域的教學能力。

提出一種人機協作框架來構建西班牙語刻板印象數據集 EspanStereo，以識別跨國界的文化偏見。

研究提出 SPLIT 基準測試，揭示 LLM 在處理低資源語言（烏克蘭文）的情感支持時，存在文化根植性不足與性能下降的問題。

研究發現僅透過修改人格參數來生成多語言心理健康數據，會導致臨床不一致性及 AI 評估準確度下降。

建立多語言推理基準，證明現代LLM在43種語言中能達到類似人類考試者的準確度，且機器翻譯資料亦可作為有效測試素材。

本研究探討使用小型視覺語言模型與策展知識，為盲人及低視能族群提供多語言藝術描述的技術可行性。

研究團隊開發了 ParsVoice，這是目前規模最大的公開波斯語語料庫，旨在解決波斯語在多說話者 TTS 領域資源不足的問題。

研究發現開源語言模型在索馬利亞語中的安全拒絕率遠低於英語，存在顯著的安全防護落差。

研究開發了多語言數據集 StereoTales，揭示大型語言模型在開放式生成中普遍存在且具文化適應性的社會偏見。