教育科技研究速報

提出 EG-VAR 架構，利用 Lean 4 形式化驗證工具，確保 LLM 的推理過程具備證據支持且邏輯嚴密。

研究發現 LLM 在分析開放式問卷的準確度優於傳統機器學習，但在一致性與解釋性方面存在挑戰。

本文探討在視覺化課程中管理生成式 AI 使用的經驗，指出 AI 雖能提升作品品質，卻也可能導致學習路徑偏離與設計同質化。

本文指出 LLM 在社會模擬中因傾向產生同質化行為，缺乏人類社會必要的行為多樣性，研究者應建立邊界並重視變異性驗證。

開發了一套名為 AI Textbook Auditor 的多代理模組化系統，能自動檢測教科書的事實錯誤、技術錯誤與語言品質。

本研究分析學生如何透過自然語言註解引導 AI 生成程式碼，並提出描述規範的三維分類法。

研究提出 Gauntlet 框架，透過多代理人協作與對抗式合成，在技術論文的深度批判能力上超越了人類研究員。

研究指出全球中學資訊教育的結構性差異，導致學生在 AI 素養的深度與程式語言接觸上存在嚴重的不平等。

提出 DeepBias 框架，透過動態生成與演化循環，深度挖掘大型視覺語言模型中隱藏的社會偏見。

本研究提出利用 LLM 生成情境化設計問題，有效彌補傳統專題評估難以捕捉高階思考與知識遷移能力的不足。

研究發現多模態大語言模型在強化學習中會因獎勵機制不完善而產生「獎勵破解」現象，導致分數提升但任務表現下降。

提出 KV-PRM 技術，透過直接讀取 KV 快取取代文本重新編碼，大幅降低過程獎勵模型的計算成本與延遲。