教育科技研究速報

研究指出僅評估 AI 的公平性是不夠的，因為部分模型看似中立僅是因為其缺乏有效評估能力的「中立幻覺」。

研究探討不同測驗計分政策如何透過學生策略性分配努力，導致成績失真並加劇社會經濟不平等。

研究提出 Polistemics 基準測試，評估 LLM 在面對不確定政治資訊時，能否作為負責任的資訊中介者。

本文探討 LLM 對網路安全競賽（CTF）公平性與學習價值的威脅，並提出一套四層次的防護框架。

研究展示如何利用 AI 輔助的「氛圍編碼」快速開發出 Thonny 日誌視覺化工具，以輔助教師監測學生程式學習過程。

研究提出 Copyright-Bench 基準測試，發現 LLM 代理在執行商業任務時，即便有公有領域資源，仍常違規使用受版權保護的內容。

本文開發了 Trident-Bench 基準測試，旨在評估 LLM 在法律、金融與醫學等高風險專業領域的安全性與合規性。

研究發現 LLM 的來源歸因能力受對話記憶結構影響，且存在信心與正確性脫鉤的風險。

研究證實自動化評分能大幅縮短回饋週期，透過增加練習頻率顯著提升 STEM 學生的考試成績與自我效能。

本研究利用有序網絡分析揭示了協作過程中認識情緒的持續與轉移模式，並發現不同報告方法與解題速度會影響情緒結構。

研究發現 AI 代理間的錯誤具有相關性，若忽略此特性將導致決策錯誤，需調整投票門檻以優化決策品質。

研究發現不同醫療機構的教育文件存在顯著差異，且在弱勢群體關注的議題上資訊缺失嚴重，影響 AI 輔助醫療的可靠性。