教育科技研究速報

本研究提出一種離線優先的大語言模型架構，旨在於低連線環境中提供AI輔助學習，並具備適應性回覆層級。

本文探討了如何將大型語言模型（LLM）對齊於人類價值觀的多樣性，並以「將人轉化為營養漿液」的極端場景進行了諷刺性研究。

本研究探討Reddit使用者如何共同協商並回應ChatGPT相關的隱私問題，揭示了線上社群在AI隱私風險認知與應對中的重要作用。

本研究探討使用大型語言模型（LLM）預測K-5數學及閱讀測驗題目難度之可行性，並發現基於特徵提取的策略優於直接估算。

本研究探討維基百科中禁忌主題知識產生的過程，發現其發展需要堅韌的領導、參與的組織，以及應對衝突的能力。

本研究探討了大型語言模型（LLM）在補助提案高風險評估中的能力與限制，並發現分段分析法在準確性和可靠性方面表現最佳。

本文探討將大型語言模型（LLMs）作為研究人類行為、文化和道德推理的科學工具，作為人工智慧研究中生產力和對齊之外的第三個重要方向。

本研究透過兩個實地實驗，探討社交證明（如 GitHub 星星數、下載次數）對開源軟體下載量及開發者參與度的影響，結果顯示其影響微乎其微。

本文認為教育中 AI 濫用問題的核心不在於偵測，而在於學習過程的透明度降低，並提出學習可見性框架以促進 AI 的道德整合。

本研究探討了學生如何運用生成式人工智慧（AI）於設計專案，並強調能動性、領域知識、想像力與品味等關鍵能力在人機協作中的重要性。

本文探討生成式AI如何提升K-16+階段的科學素養，並提出整合教學、學習與評估的架構，以應對AI時代的挑戰。

本研究提出一套隱私保護的視覺語言框架，利用本地開源LLM偵測醫療對話中的同意與指示語句，並生成對應機器人手勢，達成高準確率與人類相似度。