教育科技研究速報

本研究分析疫情期間身心障礙人士遠距工作的趨勢，發現職業結構是影響遠距工作機會的主要因素，緊縮的勞動市場則有助於提升其遠距工作的比例。

本研究挑戰了先前認為專家角色無法提升語言模型效能的結論，並指出原始研究設計存在多重結構性缺陷，導致結果失真。

本研究探討了 AI 教學中能耗、延遲與學習效果之間的權衡，並提出「學習每瓦」（Learning-per-Watt）指標，以評估不同模型在真實部署環境下的效率。

本研究指出，傳統事實查核可能因受眾的知識體系不同而產生反效果，並提出一種考慮知識體系的修正方法，以減少反效果。

本研究開發並驗證了「FALCON-AI」量表，旨在評估高等教育教職員在教學、研究及服務面向的AI素養與能力。

本研究透過分析中學教師使用大型語言模型聊天機器人進行程式設計活動的過程，揭示了教師對聊天機器人的不同態度與需求，並提出了相關設計建議。

本文提出具身科學範式，強調將具身 AI 的感知、推理、行動與發現整合，以實現與物理世界的持續互動，加速科學發現。

本研究提出一個基於子目標分解的框架 MiRA，透過強化學習訓練，大幅提升大型語言模型在複雜環境中的長期規劃與執行能力。

HyEvo 提出一種自動化的工作流程生成框架，結合了概率型 LLM 節點與確定性程式碼節點，有效降低推理成本與執行延遲。

提出 ItinBench 基準，將路徑優化與語言推理結合，評估 LLM 在多認知維度下的表現，發現其難以同時處理多任務。

本研究探討如何訓練大型語言模型（LLM）生成形式化的反例，以驗證數學命題的真偽，並填補了 AI 在數學推理中偏重證明而忽略反例發現的空缺。

本研究提出一種新方法，透過多回合過程獎勵強化學習，訓練多模式語言模型代理人分段生成向量圖，並提供可解釋、可控及局部編輯的功能。