教育科技研究速報

本研究提出資訊決定評分法(IDS)，利用大型語言模型分析自由文本，生成與傳統評量量表協同校準的項目，提升測量精確度與效度。

本文提出一個統一且規模自適應的假設檢定框架，將公平性評估轉化為基於證據的統計決策，解決了傳統方法在小樣本群體中準確性不足的問題。

利用代理式LLM模擬多元利益相關者對話，生成公平且可擴展的決策建議。

本研究結合系統性文獻回顧與蒙地卡羅模擬，量化生成式 AI 在高等教育中學生成功感知的影響，發現可用性因素對成功分數影響最大。

研究顯示，NIS 規範在 2024 年對關鍵基礎設施網路安全事件的報告覆蓋率不足，且對醫療系統的勒索軟體攻擊報告極為集中。

本文透過分析歐盟於2024-2025年間發布的24份文件，闡明了安全、隱私與自主AI的定義，並探討了相關法規的制定與反思。

本文透過三個實驗性案例，揭示生成式 AI 在地理領域的預設偏好、語法脆弱性、分佈式偏移與對深層理解的忽視，提示教育者需重新審視 AI 的地理知識表徵與推理方式。

提出四項指標以區分 AI 促進人類認知與過度依賴，並強調設計時需考量長期人類認知可持續性。

本研究透過介入一致性測試框架（ICE-Guard）揭示大型語言模型在決策中存在的系統性偏差，並發現權威與框架偏差遠超人口統計偏差。

提出 ChoiceEval 框架，能在真實使用情境下量化 LLM 對品牌與文化的偏好，揭示其對市場公平與資訊多樣性的潛在影響。

本文指出 AI 各主流範式源自心理學理論，並揭示其固有結構限制，提出 ReSynth 三模組框架以解決此問題

本文揭示共識審核導致少數貢獻者策略性順從，並提出以評估穩定性為基礎的兩階段審核算法以提升內容標記準確度。