教育科技研究速報

研究發現即便隱去姓名，LLM 仍能透過語言與興趣等微小標記推斷族裔與性別，並產生系統性招聘偏見。

提出基於互信息的 MIFair 框架，統一多類與交叉性公平評估與緩解。

提供可複製的審計方法，揭示高等教育早期警示系統在性別、年齡、國籍上的公平性缺陷。

研究發現 LLM 在摘要公眾意見時，會因留言者的職業背景而產生不平等的處理結果。

本研究運用流程挖掘技術，分析急診醫療數據，評估年齡、性別、種族等因素對急診流程公平性的影響，並與正義理論概念連結。

本研究提出 PopResume 資料集，用於因果公平性審計，評估基於 LLM/VLM 的履歷篩選系統，並揭示傳統指標無法捕捉的歧視模式。

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。

本研究透過布里斯托市議會的犯罪率預測數據，揭示了廣泛使用的偏誤緩解技術在政府數據中往往失效的原因，並強調偏誤根源於數據本身的結構與歷史。

本研究透過博弈論模型，揭示了在公平選拔過程中，不同群體對選拔後價值的感知差異如何影響其投入的努力，進而加劇不平等。

提出 MESD 指標衡量多類別交叉群體解釋穩定性差異，並提出 UEF 框架平衡效用、解釋與公平三重目標。

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。