教育科技研究速報

研究發現警察對黑人男性虛擬角色表現出較低的敬意，且這種語言差異可能導致對話崩潰與暴力風險。

研究發現預測不確定性的差異會導致資源分配不均，且分配優先順序會隨資源稀缺程度而發生逆轉。

研究發現主動式 AI 代理能強化概念推理與證據運用，並能縮小學習者 AI 素養與寫作表現之間的差距。

研究發現目前的 AI 代理雖能完成研究工程任務，但在回答核心研究問題與科學思辨上仍面臨重大挑戰。

研究發現 LLM 在模擬人類社會態度與文化價值時，表現均不如傳統統計模型，且會過度放大人口統計特徵的影響力。

本文提出「不可組合性原則」，指出 AI 基準測試的證據在延伸應用時，若未考慮端點與假設的一致性，其有效性將無法傳遞。

本文探討大型語言模型代理人在協作工作流中，如何導致貢獻歸屬模糊、原創性消解及問責機制失效的問題。

提出 CDP 框架，透過模擬多樣化的認知剖析，提升 LLM 模擬考生在心理計量校準上與人類考生的對齊度。

研究發現 LLM 在評估數學題目難度時，會因無法識別學習者的錯誤觀念而系統性地低估特定題目的認知難度。

本文主張面對 AI 代理人產生的科學產出，科學界必須建立全新的驗證基礎設施以解決人類無法監督的信任危機。

研究發現學生的數學表現主要受整體能力驅動，而非由離散的特定主題技能組合而成。

提出 CARE-MH 框架以解決心理健康 LLM 評估中缺乏一致性、難以重複與難以比較的問題。