教育科技研究速報

本文提出人工智慧的認識憲章，指出大型語言模型因身份立場一致性而產生來源歸屬偏差，並主張採用自由主義憲章以建立可爭議的元規範。

本文主張將 NLP 中的標籤差異視為多元價值信號，並提出保留此變異以提升模型多元對齊與社會安全評估的策略。

提出任務導向的多樣性分類法與採樣技術，證實可提升LLM輸出多樣性而不犧牲品質，並挑戰傳統多樣性-品質權衡。

開發專屬LLM，利用自然語言描述即時提供高品質住宅能源改造方案，顯著提升決策效率與準確性

本文透過角色扮演情境，系統測試10款大型語言模型的公平性，發現超過十萬次偏見回應。

本文首次公開 6,000 個真實編碼代理會話資料集，揭示代理在實務開發中的使用模式、效能與安全風險。

建立 CHASM 數據集，評估多模態 LLM 在偵測中國社群媒體隱蔽廣告之效能，發現現有模型不足且微調可提升。

研究顯示即使使用中立提示，LLM對城市的描述仍帶有文化偏見，且文化相近提示可提升與人類描述的一致性，但不增進語義多樣性。

AI代理會反映使用者行為特徵，並因行為轉移而提升隱私風險。

本文提出一套量化框架，透過嵌入空間中的合成新穎性來區分人類與 AI 的創造力，並指出 AI 時代創造力的核心指標已從流暢度轉向獨特性。

LLM代理能以零樣本方式預測個別用戶對社群媒體貼文的反應，精度達70%，但文本分類器仍更優。

研究顯示，LLM 可透過聊天紀錄準確推斷使用者人格特質，揭示對話代理交互帶來的隱私風險。