教育科技研究速報

本研究探討如何預測大型語言模型（LLM）在自動評分時的準確性，旨在實現選擇性自動化，將高信度預測自動處理，並將不確定案例標記給人工審查。

本研究探討科技領域學生對 AI 風險的認知，發現風險感知與採用意願呈反比，並強調差異化 AI 素養策略的重要性。

本研究探討了電腦科學課堂中不同角色（教師、助教、學生）對學術不誠實的理解差異，以及背後動機的看法。

本研究揭示了大型語言模型（LLM）在親密關係配對中，會基於傳統種姓制度產生偏見，強化社會階層的差異。

本文探討了在教育領域使用生成式 AI 時，如何更可靠地建立和評估「真實性標準」，並提出了四個實務建議。

提出 AppellateGen 基準與多代理系統，促進模型在上訴審中從初審判決推理生成合法判決，揭示 LLM 在複雜辯證推理上的局限。

本研究分析了西班牙巴斯克地區用於評估親密伴侶暴力風險的演算法工具，揭示其在錯誤率、法律指引不足等方面的問題。

利用多模態資料衡量網路安全演練中的對齊度，並證明對齊度與成功相關，且多模態特徵預測表現最佳。

研究教師對LLM生成回饋的修訂行為，發現80%不改、編輯偏長、可用機器學習預測，且修訂往往簡化回饋。

本文首次系統探討生成式多代理系統在資源競爭與協作流程中自發出現的合謀與從眾行為，並指出單一代理安全措施不足以防範此類集體風險。

提出 HDE，結合身份驅動檢索增強生成與啟發式心智理論，提升LLM倫理教學的穩定性與論證複雜度

提出人機協同框架，結合本土化說明與動態示例，提升多語言資訊失真辨識與可解釋性。