教育科技研究速報

本研究探討了軟體工程學生如何描述使用大型語言模型（LLM）於不當、未授權或與課程期望不符的情況，揭示了評估設計與教學引導的重要性。

提出 SpecMoE 基礎模型，結合光譜混合專家與 Gaussian 掩碼，提升跨物種 EEG 解碼精度。

提出一種前端指引模式，協助LLM機器人以可見、可爭議的方式分配有限協助，兼顧多元價值與模型不確定性。

本研究提出 HyDRA 架構，透過 Propose-Verify-Decide 協議，提升多模式情緒辨識的準確性，尤其在資訊模糊或衝突時表現優異。

本研究透過蒙地卡羅模擬，探討提示工程策略如何影響大型語言模型（LLM）生成人格測驗題目的品質，並發現適應性提示能有效提升效度。

開發 XR 適應模態平台，證實手勢指點優於凝視，並揭示不同錯誤類型與 Midas Touch 問題

研究發現小紅書內建翻譯功能普遍受到正面評價，但使用者仍擔憂準確性與可及性。

本研究揭示，即使 AI 系統的決策結果相同，推薦驅動設計會降低使用者對證據的標準，導致判斷中產生隱藏偏誤。

字幕錯誤會降低觀眾對講者及內容的評價，且不因口音差異而產生差別影響

本研究透過多語言辯論式基準，揭示大型語言模型在不同語言與敏感領域中仍保留刻板偏見。

本研究透過博弈論模型，揭示了在公平選拔過程中，不同群體對選拔後價值的感知差異如何影響其投入的努力，進而加劇不平等。

微調 AI 於完整作者作品可顯著提升文本風格忠實度與質量，並降低偵測率，受專業寫手與一般讀者皆偏好。