教育科技研究速報

提出 BIRDS 框架，量化 LLM 服務的生物多樣性影響，並揭示規模擴大時的累積效應與品質平衡。

研究揭示現行按 Token 計費模式會誘使模型供應商透過誤報 Token 數量來獲取不當利潤。

利用大型語言模型生成式代理，模擬學習者回應並評估個別化學習系統的效能

LLUMI利用線上社群的贊反饋，結合開源模型與兩階段生成-修正架構，實現與專有GPT相當的心理健康支援品質，同時保護隱私。

提出可即時更新的多語多領域假訊息檢測基準，並評估LLM在網路搜尋與思考模式下的表現差異。

提出模組化LLM代理架構，透過分階段模組化設計，提升教育AI的負責任性、透明度與可監督性。

提出歷史感知的學生模擬框架，利用學生學習歷史生成配置檔並用RL訓練，顯著提升LLM學生對話預測準確度

提出多階段推理機制，將人類多樣世界模型視為可互處理的表示，為 AI 系統理解自我與他者提供語言與方法。

探討四種照顧者支持角色對LLM安全與效能的影響

提出「卸載分數」量化用戶將認知努力轉移給 AI 的程度，能比傳統指標更精準捕捉壓力下的依賴行為。

發現X平台上資本方的AI裁員談話比勞工方獲得更高放大率，且不僅因關注者數量差異。

提出一種將「預測失控機率」與「觸發警報決策」解耦的新方法，透過模擬對話恢復的可能性來降低誤報率。