教育科技研究速報

多模態大型語言模型生成的科學圖畫回饋常因模態脫耦缺乏視覺根據，約41%含錯誤，且即使看似根據也缺乏診斷價值。

研究發現，由於 AI 被認為缺乏受損能力且使用者對其作品的所有權感較高，複製 AI 內容的道德負擔較低。

提出一套政策驅動的LLM路由系統，提升工程實驗室的教學挑戰度與成本效益。

研究發現增加推理強度能顯著提升 LLM 自動評分的準確度，但增加模型集成數量對效果提升有限。

提出一種結合人工神經網絡與自動化物件關係推理的框架，能以高準確率解決智力測驗問題。

DreamProver 透過醒睡循環自動生成可轉移的引理庫，顯著提升自動定理證明成功率與證明簡潔度。

提出層級化框架，將用戶行為聚合成意圖記憶，並透過聚類與 DPO 生成證據驅動且可信的人格模型，提升預測準確度。

研究提出 BTF-2 基準測試，用於分析 AI 預測代理人在研究與判斷上的差異及策略推理能力。

研究在實際資本環境下，語言模型代理的可靠性如何透過操作層控制提升。

本文將預訓練 ViT 與主動學習結合，提出針對多物件圖像的局部特徵檢索框架，顯著提升人機互動式物件檢索效能。

研究發現，透過聚類與刪除無關細節的抽象化，可同時提升使用者理解與降低認知負荷，證實抽象化對符號解釋的正面影響。

提出結合 LLM 擴增、深度圖與深度感知決策模組的 ERU 框架，顯著提升多物件場景中的參照辨識準確度。