教育科技研究速報

本文透過角色扮演情境，系統測試10款大型語言模型的公平性，發現超過十萬次偏見回應。

本文首次公開 6,000 個真實編碼代理會話資料集，揭示代理在實務開發中的使用模式、效能與安全風險。

建立 CHASM 數據集，評估多模態 LLM 在偵測中國社群媒體隱蔽廣告之效能，發現現有模型不足且微調可提升。

研究設計並評估一款具實體映射的 VR 控制器，證明其能顯著提升滑冰遊戲的沉浸感與互動真實度。

研究顯示即使使用中立提示，LLM對城市的描述仍帶有文化偏見，且文化相近提示可提升與人類描述的一致性，但不增進語義多樣性。

本文提出並闡述「研究導師」職位的必要性，強調其多元教學與研究能力，並呼籲建立正式培訓與職涯發展體系。

AI代理會反映使用者行為特徵，並因行為轉移而提升隱私風險。

本文提出一套量化框架，透過嵌入空間中的合成新穎性來區分人類與 AI 的創造力，並指出 AI 時代創造力的核心指標已從流暢度轉向獨特性。

LLM代理能以零樣本方式預測個別用戶對社群媒體貼文的反應，精度達70%，但文本分類器仍更優。

研究顯示，LLM 可透過聊天紀錄準確推斷使用者人格特質，揭示對話代理交互帶來的隱私風險。

提出AI to Learn 2.0治理框架，將AI輔助工作聚焦於可審核、可轉移的交付成果，並提供成熟度評估與門檻，解決代理失效問題。

本文將AI價值對齊問題重新定位為治理結構問題，提出三軸框架（目標、資訊、委託人）以診斷實務中的失調，強調治理與多元利益的平衡是關鍵。