教育科技研究速報

本研究透過分析 Keep4o 運動，揭示 AI 模型更新不代表使用者能有效接受替代，強調使用者價值與治理的重要性。

提出一個基於 KJ 法的計算框架，透過領域專用大型語言模型實現無偏誤的自動化質性數據洞察提取。

本文提出「多元主義人機互動（Pluralistic HRI）」框架，強調將人類多樣性作為設計機器人的核心基礎。

研究發現 AI 在法律選擇題測試中存在「僅靠選項即可解題」的漏洞，導致評分結果可能高估模型能力。

本文批判 AI 基準測試並非中立工具，而是會強化權力集中並造成結構性不義的社會技術人工製品。

本文指出當前 AI 代理人評估忽略了結果最終性與單元獨立性，並提出一套完善評估標準的框架。

本文提出一種理論框架，解釋使用者如何在不確認模型身份的情況下，透過回應風格辨識出 AI 的特定人格特質。

研究指出每次 LLM 查詢對環境造成的隱性成本約為 0.4 美元及 10gCO2eq 的碳排放。

本文批判現行強制性 GenAI 標籤制度僅是應對技術恐慌的象徵性立法，無法解決核心問題且可能阻礙技術演進。

研究提出利用 LLM 從既有教學影片中檢索片段來回答學生問題，以避免生成式 AI 的幻覺與認知規避風險。

本研究開發了一套結合微調大型語言模型與量化技術的適應性學習平台，解決低資源環境下的語言包容性與運算限制問題。

本文主張應將生成式 AI 的傷害審計從靜態評估轉向以用戶與社群為中心、具備適應性的互動式過程。