教育科技研究速報

提出 PRCCF 框架，透過性格引導檢索與因果認知過濾技術，提升情緒支持對話的理解與回應品質。

研究揭示現有的主張驗證基準主要測試檢索與蘊含能力，而非複雜的推理、綜合與數值分析能力。

研究揭示 LLM 在面對語義相同但形式改變的數學問題時極其脆弱，並提出一套診斷框架與失敗分類法。

本研究透過對印尼 349 名 K-12 教師的調查，揭示了 AI 在教學準備中的應用現況、落差及面臨的挑戰。

提出 DeltaMem 系統，利用強化學習與新穎的記憶距離度量，優化單代理人模式下的角色中心記憶管理。

研究發現 Web Agent 的觀察表示法應根據模型能力與思考預算進行動態調整，而非一味簡化。

本研究透過電路級分析揭示了 LLM 產生錯誤卻表現出過度自信的內部機制，並提出有效的校準干預方法。

研究發現強制使用細粒度（如句子級）引用會顯著降低 AI 歸因品質，最佳性能出現在中等粒度（如段落級）。

研究提出一種結合 IRT 模型與適應性題目選擇的新方法，能以極低成本精準預測大型語言模型的未知任務表現。

提出 MiCP 框架，利用符合預測技術為多輪推理模型提供具備錯誤率保證的自適應停止機制。

研究發現共享狀態的 LLM Agent 會因良性互動產生非故意的跨用戶資訊污染，導致錯誤結果。

提出 Reasoning Memory 框架，透過檢索與重用大規模程序性知識，顯著提升大型語言模型的推理表現。