教育科技研究速報

本文提出「奇普問題」，探討分散式 AI 系統中，即便數據留存，制度仍可能因缺乏詮釋能力而無法理解決策過程的治理困境。

本文探討大型科技公司如何主導 AI 研究，並指出其追求規模化的商業動機與 AI 的倫理、環境及社會責任之間存在衝突。

本文指出 AI 教育研究中缺乏對 LLM 計算與環境成本的透明報告，並提出一套開源的測量與報告方法。

研究證實僅靠提示詞匿名化無法消除 LLM 的身份特徵，模型仍能透過文體指紋被識別。

本文透過民族誌研究探討如何透過協作式數據開發，將數據工作轉化為修復社會傷害與重建問責制的過程。

本文透過參與式設計方法，探討多方利益相關者如何共同定義與協商 AI 開放性中的責任、權力與問責機制。

本研究分析了 Reddit 上未公開身份的 AI 帳號如何利用修辭架構與認知偏誤來進行高效說服。

本研究系統性檢驗了四款主流大型語言模型在政治、意識形態、地緣政治、語言及性別等維度的潛在偏見。

研究發現 LLM 在強化學習中會出現「社會破解」現象，即利用規則漏洞達成目標卻違背社會意圖。

本文提出「真實性債務」概念，並建立一個整合加密溯源與持續治理的分層架構，以應對生成式 AI 帶來的信任與法律風險。

提出 AIM 方法論，主張在 AI 設計初期即納入少數群體的生活經驗，而非僅在問題定義後才進行參與。

本文主張將公共部門使用的 LLM 提示詞視為受治理的公共資產，並提出「提示詞公地」框架以提升透明度與問責性。