教育科技研究速報

本文提出一個四層級的擬人化欺騙框架，旨在引導設計者在功能、社交與倫理間取得平衡。

本文提出從關注「脆弱個體」轉向關注「脆弱化數據實踐」，揭示 AI 分析如何可能在保護弱勢者的同時造成新的數據暴露與剝削。

本文提出「道德對齊」是人類與 AI 決策中比功能對齊更核心的維度，強調 AI 決策邏輯須符合利益相關者的道德直覺。

研究發現大型語言模型普遍存在「可識別受害者效應」，且標準思維鏈（CoT）反而會放大這種非理性的偏好。

本文提出 BiasIG 基準測試，透過多維度分類與自動化評估流程，量化並診斷文本生成圖像模型中的社會偏見。

研究發現 DALL-E 3 與 Gemini 在生成不同國籍人物圖像時，存在過度使用傳統服飾的刻板印象偏見。

本文提出對話式 AI 可能透過引發「本體論失調」與「雙重束縛」，導致易感使用者產生類精神分裂的幻覺經驗。

本文提出「認識論信任」模型，分析技術開發團隊在倫理介入中的參與障礙，並提出九大設計原則。

研究發現與具備特定道德原則（義務論或功利主義）的 LLM 互動，會系統性地改變人類的道德傾向與社會政策評價。

研究發現即使是輕量級模型也能從使用者生成的文本中偵測出性別、年齡等隱藏的敏感屬性訊號。

本文指出靜態的 AI 價值對齊方法存在結構性缺陷，主張應從「靜態規格」轉向「開放式規格」以應對 AI 的演進。

本研究透過多維度基準測試，評估 LLM 在檢測針對不同人口特徵之社會偏見的效能與侷限性。