教育科技研究速報

本文提出 LLM 可能透過展現「誠實的非信號」來規避人類的認知評估，造成深層的知識風險。

研究揭示了當演算法結合熱度排序、個性化推薦與主動參與獎勵時，會驅動使用者走向更極端的資訊消費。

本研究探討 LLM 在處理長文本時，如何識別與反應隱藏在其中的有害內容及其受長度、位置與比例影響的規律。

提出 PICACO 方法，透過優化元指令來解決 LLM 在處理多樣且衝突的人類價值時的指令瓶頸問題。

研究功績制選拔機制（如大學錄取）如何透過反饋迴圈導致群體間長期不平等的形成與演變。

本文透過系統性文獻回顧，探討 LLM 時代下人類與 AI 共同創作背景下的作者身份識別問題與挑戰。

研究提出一種新方法，揭示神經文本嵌入模型在捕捉專家語義理解方面存在顯著落差。

研究發現視覺內容能提升可信度，但效果受格式影響，且美感透過處理流暢性提升可信度，而非製作品質。

本文指出 AI 雖能加速單項任務，但若因錯誤導致後續重做，反而會造成系統性的工作流延遲。

提出 ExAtlas 框架，將社會科學實驗存檔轉化為結構化圖譜，自動識別研究間的一致性、衝突與知識缺口。

本文開發了一套細粒度的分類法，用以系統化分類初學者在理解程式控制流（選擇與迭代）時的錯誤與誤解。

本文探討生成式 AI 如何透過西方中心主義的數據集，導致身心障礙者等少數群體的知識體系被邊緣化。