教育科技研究速報

提出將空間公平性擴展至個體移動模式，並開發多分辨率地理分區與空間掃描統計方法以檢測模型對移動者的不公平對待。

本研究提出以關係為核心的多代理系統 CultivAgents，透過專業代理人提供針對技能、環境與文化的個人化園藝建議，提升園友自信、動機與信任。

建立SCID基準評估LLM篩查，發現症狀被功能與保護因素抑制，影響準確度

開發 Lepton BERT 模型，準確辨識明清文集標題中的個人書信，並應用於 CBDB 以識別約五萬封書信。

本文比較 STM 與 BERTopic 在短篇開放式調查回覆上的效能，發現 BERTopic 在主題一致性與可解釋性上優於 STM，且上下文增強能顯著提升表現。

開發開源工具 StanBKT，利用貝氏推論為傳統知識追蹤模型提供不確定性量化與階層化建模能力。

大型語言模型在宗教轉換建議中表現出持續偏好，偏向某些宗教而抑制其他宗教。

開發測量開源LLM政治表達度的紅隊框架，量化 jailbreak 擴展範圍，揭示政治偏差與區域差異。

提出認知卡達塞夫尺度，量化不同文明層級可支援的 AI 計算量，並以 2026 年硬體為基準，估算人類目前約 73% 接近第一型文明。

結合 Discord 社群情感與多模態金融數據，BERT+LSTM 模型顯著提升 MANA 代幣價格預測準確度，證明社群訊號對虛擬經濟預測之價值。

研究發現 AI 對話設計會影響效果：支持自身立場的對話能即時降低極化，而反對立場的對話則需時間才能提升共情能力。

研究發現即使使用者未直接透露個人資訊，大型語言模型仍能透過對話內容高準確率推論出使用者的年齡、性別與國籍。