教育科技研究速報

LLM 生成自然語言回饋顯著提升 Python 初學者完成率與收斂速度，證實回饋形式與質量關鍵。

本研究揭示語言適應並非保護 LLM 免受俄羅斯假資訊的關鍵，反而產生 Fine‑Tuning 逆轉效應。

本文揭示現行臨床 AI 系統多以靜態、會診層級資料為主，缺乏跨會診的時間推理，並提出更符合臨床實務的縱向推理框架。

透過大規模科學家評估發現，現有 AI 在科學發現中缺乏新穎性與否定假說的能力，且自動化評估工具與專家判斷存在顯著差異。

本文將O*NET工作活動拆解為微動作，發現職業自動化風險呈雙極結構，且十年內極性倒轉，顯示風險評估需隨時更新。

提出「記憶捕捉」概念並設計四層文化多元治理框架，以防 AI 造成文化脫權。

以 Lasso 與 Ridge 回歸發現，績效期望、社會影響與娛樂動機是家庭機器人使用意圖的主要預測因子，亦顯可用性、信任與能力重要。

本文提出在生成式 AI 取代傳統軟體工程任務的背景下，重新設計本科電腦科學課程，強調 AI 原生能力、系統設計與批判性評估，以提升學生面對未來挑戰的能力。

本文系統性評估提示（prompt）在學術與政策層面的角色，揭示研究與治理觀點的分歧，並提出對提示治理的慎重考量與實務建議。

提出結合五大主權支柱與前沿AI堆疊的框架，揭示歐盟AI政策缺口與衝突，為制定全面自主策略提供工具

主張AI研究應聚焦於訓練過程的動態，從早期信號預測結果、介入偏差，到設計更可靠的訓練流程，以提升模型的能力、偏見與安全性。

研究顯示，攻擊者若能策略性選擇攻擊時機，AI 控制評估的安全性將大幅下降，提示現行評估方法過於樂觀。