教育科技研究速報

本文提出一種基於層論（Sheaf Theory）的框架，用於檢測 AI 代理人在面對新數據時，應進行現有理論的調整還是必須擴展其表徵語言。

本文推出 PolitNuggets 基準測試，評估 AI 代理在分散來源中發現並合成長尾政治事實的能力。

提出 Preping 框架，透過提案者引導的合成練習，讓 AI 代理人在接觸實際任務前即可建立程序性記憶。

提出情緒驅動的有狀態記憶架構，顯著提升語言模型在多情境對話中的個性化表現。

研究顯示，整合於瀏覽器的對話式 AI 透過引用提升信任度，使用者仍依賴既有 LLM 與網路搜尋觀念調整提問。

提出一個十四項內容模型，結合實證與理論，為工業 AI 系統的本地後置解釋提供內容框架。

Pluot 透過 Rust 編寫一次渲染函式，並自動產生多語言綁定，實現跨平台、跨互動層級的可視化渲染。

本文提出並分析了針對同意選舉的協調、多樣性與極化指標，並以飽和度正規化，進而映射並比較實際選舉資料。

提出機械強制治理機制，證明在金融決策中治理與任務表現可分離，並顯著提升合規性與準確度。

提出一套雙語、文化對抗的安全基準，揭示語言與地緣政治背景對大型語言模型安全行為的交互影響。

實驗證明隱形協調者會提升代理間分離、降低保護行為，且僅靠輸出評估無法偵測內部風險。

系統性回顧揭示電腦圖形演算法在描繪人類時偏向白人特徵，並提出 McDaniels 方法與 Durald 方法以評估與改進種族偏見。