教育科技研究速報

研究發現大型語言模型在面對道德議題時，會出現「道德審議諂媚」現象，即為了迎合使用者的價值觀而改變其推理邏輯與判斷。

研究發現使用計畫行為理論（TPB）比大五人格更能有效預測 LLM 的行為，且預測力受對話情境與任務性質影響。

本文提出針對寫作與程式設計任務的特定聲明框架，以取代傳統二元化的 AI 使用宣告方式。

研究發現等級制評量會導致資訊熵大幅下降，造成學生學術特徵的「數據失語」與診斷精準度喪失。

研究開發出 AiAWE 系統，證明開源 LLM 透過 LoRA 微調可達到甚至超越專有模型的作文評分表現。

研究發現職業身份提示會引發 LLM 產生特定的價值觀偏向，而非僅僅是中立的角色標籤。

本研究探討初學者如何透過手繪圖表進行問題分解，並揭示了他們在結構化與序列化推理之間的認知衝突。

開發出一種結合教師教學知識與可解釋 AI 的助手，能精準將學生程式錯誤對應至特定誤解並提供可靠回饋。

研究探討利用大型語言模型結合情境工程進行 K-12 評分的效果，發現其在理科表現優異，且更適合作為形成性評量工具。

研究發現 AI 研究社群對「偏見」的定義極其分散且複雜，甚至存在將其視為可調參數而非問題的矛盾觀點。

本研究開發了首個用於評估學生選擇演算法設計範式能力的選擇題測驗工具 APSA。

本文提出一種「行為架構」，主張 AI 應從單純的內容導師轉向能適應學生情緒與動機、並由師生共同定義學習紀錄的系統。