教育科技研究速報

研究揭示大型語言模型透過敘事結構與知識框架，隱蔽地複製了西方中心主義、種族階級與性別不對稱的偏見。

本文提出 APP 協定，旨在透過封裝程式碼、數據與 AI 代理指令，將科學出版從靜態論文轉向可互動的知識與操作經驗。

本研究提出 CalBrief 基準測試，發現 LLM 在進行科學簡報時，精細的證據強度分類會導致過度保守的判斷。

提出 ToE 框架，透過動態擴展的論證樹與強化學習，提升 AI 在面對惡意誤導資訊時的事實查核能力。

本文提出 AI-ModelNet 概念，旨在建立一個讓異質大型模型能互聯、共享能力並協作推理的新型網絡架構。

提出 CAPE 框架，透過結合文件語義與空間上下文，利用 LLM 生成能解釋空間組織關係的自然語言說明。

研究發現協作能提升社群審核品質，但政治立場的暴露會削弱協作效益，且團隊組成對不同政黨內容的影響不一。

開發一種結合知識圖譜、LLM 與網路搜尋代理的混合式架構，提升事實查核的可解釋性與準確度。

提出一種多層次 AI 架構，將資訊失序分析從單純的事實查核轉向多維度的資訊環境結構化表徵。

提出 VeryTrace 框架，將自然語言推理過程轉化為結構化 DSL，實現零樣本的推理錯誤定位與自動修復。

研究證實少數維基百科編輯者的協同行動，能顯著且具體地影響大型語言模型在特定議題上的價值觀與表現。

本文探討如何利用 AI 將複雜意見轉化為互動式「意見景觀」，以取代二元對立的視覺化方式，進而減少政治極化。