教育科技研究速報

本文主張大學應從防禦性的 AI 檢測轉向積極的 AI 整合，透過重塑評量與提升 AI 素養來促進學生自主學習。

本文探討 AI 基準測試因模型性能飽和而面臨的信號衰減問題，並指出高品質評估依賴稀缺的專家判斷。

研究提出將 AI 監督從「對抗式辯論」轉向「協作式尋求真相」的新範式，顯著提升了非專家模型的判斷準確度。

本文提出一個以人為中心的框架，旨在解決 AI 社會技術對齊中缺乏明確規範定義與理論基礎的問題。

本文提出一套審計框架，旨在應對 LLM 產出的偽理性認知風險，並將 AI 生成內容回歸至可驗證的實務流程。

本研究評估多種 LLM 在離散數學考試評分中的表現，發現採用「寬鬆型」提示詞能有效提升評分準確度。

本文提出一個評估 AI 代理人使用科學模擬工具能力的基準測試，揭示工具使用雖能提升準確度，卻也可能導致性能退化。

提出 SPIRE 框架，將簡報個人化視為逆向規劃問題，透過多代理人強化學習實現精細的頁面級設計。

Seed2.0 模型系列透過建立以用戶需求為核心的評估系統，顯著提升了處理長尾知識與複雜指令遵循的能力。

研究發現記憶架構對 LLM 代理人協作語言的影響力大於通道容量，具備「私人筆記」的架構能有效避免協作崩潰。

本文提出 MMM 資料模型，旨在打破以文件為中心的限制，建立一種兼具結構規範與表達自由的知識記錄架構。

本文提出 MORPHEUS 框架，透過認知、情感與行為模型，系統化地整合並分析影響網路安全的人類因素。