教育科技研究速報

本文提出 AI 轉型差距指數 (AITG)，旨在量化企業在 AI 部署上的差距、價值創造潛力及競爭風險，填補了現有評估框架的空白。

本文提出一種雙步驟方法，透過反事實干預改善協作推薦系統中針對個別使用者產生的不公平現象，提升使用者參與度。

本研究提出風格調控頭的概念，透過精準定位大型語言模型中控制人格與風格的注意力頭，有效提升控制效果並降低一致性損害。

研究揭示 AI 代理程度、角色互換與開發者位置對人類對 AI 責任歸屬的影響，並指出代理部份更易被視為負責任。

本文批判性地評估了 GT-BEHRT 模型，探討其在長期電子病歷預測中的效能提升是否源於真正的架構優勢，以及其評估方法是否支持其可靠性和臨床相關性。

本文提出 InterveneBench，一個用於評估大型語言模型在真實社會系統中進行干預推理和因果研究設計能力的新基準，並提出 STRIDES 多智能體框架以提升模型效能。

本研究探討了工作者如何看待 AI 對工作意義的影響，並發現 AI 可能會不成比例地取代那些能帶來工作者成就感與幸福感的工作。

本文提出四種對AI安全與倫理緊張關係的參與模式，並以計算分析證明「關鍵橋接」是推進負責任AI的最可行途徑。

這篇文章指出，目前評估 AI 安全性的方法，如問卷調查，無法準確反映基於大型語言模型（LLM）的 AI 代理在實際部署中的行為風險。

本文提出一套「倫理融入設計」框架，包含六項實用介入措施，旨在確保醫療 AI 代理在臨床決策中遵守醫學倫理原則。

本研究分析了 AI 伴侶應用生態系統，揭示了使用者及惡意使用者可能面臨的威脅，並提出了安全性的初步評估。

本文提出 Flare 框架，在不使用人口統計資料的情況下，透過優化幾何，將演算法公平性與倫理原則對齊，提升模型效能與穩定性。