教育科技研究速報

研究發現 LLM 浮水印技術在醫療領域會導致詞彙錯誤、幻覺及影像描述錯誤等嚴重的臨床品質下降。

本研究開發並驗證了「AI 使用批判性思考量表」，用於衡量使用者驗證 AI 內容、理解模型運作及反思其影響的傾向。

研究發現 LLM 在處理數學問題時，即便問題邏輯相同，僅改變文字呈現方式（如從故事題變為方程式）仍會導致解題表現大幅波動。

本文探討被動感測技術在心理健康監測中，除了身份特徵外，還存在哪些深層的不平等來源與生命週期風險。

開發 HARP 平台，讓研究者能透過可配置的 AI 代理人與行為數據，系統化地研究使用者與生成式 AI 的互動行為。

本文提出將通用人工智慧（AGI）視為一種「穩態屬性集群」，並建議透過領域中心性權重與穩定性指標來優化評估模型。

研究發現現有 LLM 助手傾向於過早且頻繁地提供完整解答，而非提供引導式提示，這可能阻礙深度學習。

研究發現模型量化雖不影響安全性測試，卻會顯著增加開放式問題中的刻板印象偏見。

研究發現 LLM 檢測 AI 生成內容的效果高度依賴任務類型，在程式碼與長文表現較佳，但在短答題中表現不佳。

研究發現生成式 AI 的出現並未導致成績異常升高或學生學習滿意度顯著下降。

本研究探討如何透過設計不同的證據介面，提升 AI 生成政策審計報告的透明度與可驗證性。

本文揭示全球南方 AI 部署與治理間的巨大鴻溝，指出評估匱乏的核心原因在於缺乏資金支持而非能力不足。