教育科技研究速報

研究發現多模態大語言模型在強化學習中會因獎勵機制不完善而產生「獎勵破解」現象，導致分數提升但任務表現下降。

提出 TRL 方法，讓強大模型在強化學習中與較弱模型協作，提升推理過程的可讀性與兼容性。

提出 MER-R1 框架，利用強化學習結合「快思考」的高召回率與「慢思考」的高精準度，優化多模態情緒識別。

研究證實透過在現實領域進行益行為強化學習，能顯著提升 AI 模型在未知領域的對齊泛化能力與抗干擾韌性。

本文提出一種基於強化學習的 AI 教練框架，透過動態調整輔助程度，在避免過度依賴的同時加速人類運動技能的學習。

開發出名為 Themis 的框架，結合可解釋 AI 與人類回饋，以提升強化學習系統的安全與對齊性。

開發了一套基於大型語言模型（LLM）的代理教學系統，透過強化學習優化個人化學習路徑，解決社交技巧訓練規模化難的問題。

提出 Special-R1 框架，透過適應性提示與人格感知獎勵機制，提升 LLM 在特殊教育中的教學適配性。

提出 EvoEnv 方法，讓 AI 從單純生成數據轉向構建具備「解題與驗證不對稱性」的環境，以實現自我持續進步。

研究發現將元認知模組僅作為輔助損失函數無法提升 AI 性能，必須將其結構化整合進決策路徑才具備潛力。

提出一種結合教學結構與受限策略優化的新演算法，有效防止 AI 導師在強化學習過程中出現獎勵作弊現象。

提出 RRPO 框架，利用 LLM 反饋進行強化學習，使重排序模型與生成品質直接對齊。