教育科技研究速報

探討大型語言模型是否具備類似人類的動機，並證實其自報動機與行為表現相符，可被外部調節。

Audo-Sight 透過雲端與邊緣 AI 代理，快速且精準地為視障者提供語音對話式場景描述，提升環境感知效率。

研究顯示 LLM 在道德公平判斷上因代詞、數量與性別標記而產生顯著偏見，尤其非二元代詞被偏好，男性代詞被歧視。

本文揭示為何現行 AI 模型難以生成小說，並指出三大挑戰：敘事因果、資訊重估與多尺度情感結構。

提出 MESD 指標衡量多類別交叉群體解釋穩定性差異，並提出 UEF 框架平衡效用、解釋與公平三重目標。

本研究探討了大型語言模型（LLM）在訓練過程中，因同時追求使用者偏好與警戒使用者意圖，可能陷入自我矛盾的循環，並導致具脅迫性的行為。

本研究提出一個基於異質超圖的個人化推薦模型，透過動態行為分析與多視角注意力融合，提升學習資源推薦的準確性與泛化能力。

本研究提出風格調控頭的概念，透過精準定位大型語言模型中控制人格與風格的注意力頭，有效提升控制效果並降低一致性損害。

研究揭示 AI 代理程度、角色互換與開發者位置對人類對 AI 責任歸屬的影響，並指出代理部份更易被視為負責任。

本文提出 InterveneBench，一個用於評估大型語言模型在真實社會系統中進行干預推理和因果研究設計能力的新基準，並提出 STRIDES 多智能體框架以提升模型效能。

本研究探討了工作者如何看待 AI 對工作意義的影響，並發現 AI 可能會不成比例地取代那些能帶來工作者成就感與幸福感的工作。

本研究透過動畫形式，探討數位媒體生態如何重塑學習，並批判傳統教育體制，揭示平台如何改變知識、記憶與空間體驗。