教育科技研究速報

提出 MACR 框架，透過多智能體推理機制主動解決大型語言模型內部知識與外部上下文之間的衝突。

提出 QMFOL 自動化框架，透過可控的邏輯複雜度生成測試案例，以精準評估大型語言模型的演繹推理能力。

提出 ScaffoldAgent 框架，透過動態優化報告大綱來提升開放式深度研究的連貫性與事實準確度。

提出 MATM 框架，透過共享儲存與檢索代理人生成的執行軌跡，實現群體層級的知識共享與經驗傳承。

提出 MetaResearcher 框架，透過動態環境、探索導向任務與自我反思獎勵機制，提升 AI 研究代理人的自主研究與資訊辨析能力。

提出 TOTEN 框架，利用工程實體本體論取代傳統統計分詞，以精準處理技術文本中的物理量與符號。

研究發現 LLM 在處理結構化臨床數據時，其口頭表達的信心與實際準確度無關，並提出利用跨模型歸因差異來提升可靠性。

研究發現多代理 LLM 協商受隱藏的「內部信念（錨點）」驅動，這能解釋模型如何超越初始意見範圍達成更高準確度。

本文提出「編輯對齊」作為一種設計實務，讓專業編輯能參與 LLM 介面設計，以確保 AI 知識傳播符合專業標準。

研究證實透過知識圖譜儲存過往協作模式，能顯著提升機器人在新任務中的救援成功率與效率。

本文提出一套重新設計網路架構的原則，將 AI 代理人視為一等公民，從存取、經濟與內容層面重構網路社會契約。

提出從對話記錄直接估計使用者領域知識的新任務，並透過遊戲化數據收集協議創建 RecQuest 數據集，為個性化對話式推薦系統奠定基礎。