教育科技研究速報

提出自適應工具信任校準框架，提升工具整合推理模型對工具結果的判斷，減少忽略工具錯誤，提升 4.1%–7.5% 效能

提出 BAIM 框架，利用語言模型將解題過程分解為四個階段，以捕捉學習者在解題行為中的動態特徵。

提出超圖記憶架構，透過高階關聯與分層索引，提升長期對話的回憶準確度，LoCoMo基準上達92.73% LLM-as-a-judge準確率。

提出 Self-Debias 框架，透過自我校正與動態限制，讓 LLM 在推理過程中自動修正偏見，僅需 20k 標註樣本即可保持推理能力。

研究發現 RhymeTagger 工具在充足數據下能超越人類一致性，且在押韻識別上優於缺乏音韻表徵的大語言模型。

提出輕量化混合模型，結合語義嵌入與簡潔特徵，實現高效且準確的點擊誘餌偵測。

本研究證實傳統圖神經網絡在多語言虛假資訊偵測上，既能取得高 F1 分數，又保持較低推論時間，挑戰了複雜模型的必要性。

利用LLM自動生成與評估法國OSCE對話，證明中等規模模型可達GPT-4o相近準確度，為低資源醫學教育提供可部署、隱私保護的評估系統。

本文提出一種基於範圍編碼與旋轉機制的語言隱寫方法，實現100%熵利用率、零KL偏差且嵌入速度高達1554.66 bits/s，顯著優於現有基線。

提出 GuarantRAG 框架，通過分離推理與證據整合並使用聯合解碼，顯著提升 RAG 的準確率並降低幻覺。

本研究提出一種新型監督式預測器，能有效預測使用 RAG 技術對於問答系統效能提升的程度。

將長文本推理拆解為原子技能，透過強化學習提升 LLM 的長上下文推理表現