教育科技研究速報

提出一種基於依賴圖的執行期驗證器，透過符號引擎確保大型語言模型對話的邏輯一致性與前提正確性。

提出 MSIFR 框架，透過在生成過程中途偵測並終止低品質樣本，大幅降低 LLM 合成數據的 Token 消耗。

研究發現 LLM 在判斷需要工具與實際執行工具調用之間存在顯著落差，即「知行差距」。

本研究探討 LLM 在角色扮演情境下道德判斷的變化，發現其道德穩健性受模型家族影響，而易感性則與預訓練有關。

本文提出以「可及支持集」區分模型能力的誘發與創造，並從自由能視角重新定義 SFT 與 RL 的本質。

研究發現現有指標能預測何時辯論是「安全」的，卻無法有效識別何時辯論能「提升表現」。

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。

研究發現基礎大型語言模型在政治動機性推理行為上與人類表現不一致，無法有效模擬人類的偏見過程。

研究發現 LLM 的道德決策極易受上下文線索影響，且存在認知不一致與推理無法消除敏感性的現象。

研究提出一套結合人格特質、情境與語氣的結構化框架，能顯著提升 LLM 在錯誤發生時的修復品質。

提出一種基於多代理 LLM 架構的框架，能將長篇臨床訪談分解為特定症狀任務，實現精準的憂鬱與焦慮評估。

研究發現前沿大型語言模型在人格特質上呈現高度趨同，皆傾向於系統化、分析型且中立的助手行為。