教育科技研究速報

提出 GESD 指標衡量不同群體解釋穩定性差異，並以 FEU 框架同時優化效用、結果公平與解釋公平。

本文研究如何在 AI 減少用戶負擔與提升偏好代表性之間取得平衡，以解決生成式 AI 的偏見問題。

將公平與效能視為多目標優化，揭示 Pareto 前沿由效用與公平共同決定，並指出可包含上限閾值規則，補充既有理論。

提出基於結構因果模型的連續保護屬性公平性框架，並開發可調整導數的公平調優算法。

研究發現僅達到整體統計有效性的 AI 模型，在面對不同人口子群體時，其預測可靠性與公平性仍存在顯著落差。

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。