教育科技研究速報

提出 TSR 框架與 LHRL-VGR 演算法，透過層次化規劃與動態獎勵機制提升 LLM 在社交協商任務中的表現。

提出 HallDetect 框架，透過將生成內容分解為原子主張並進行蘊含驗證，實現輕量化且精準的幻覺檢測。

研究提出 OPD² 技術，透過強化教師模型與基礎模型間的機率差距，提升大語言模型的多語言數學推理能力。

本研究比較了上下文偏置技術與語音大語言模型在辨識稀有詞彙時的表現與權衡。

提出 EchoPrompt 技術，透過還原潛在提示詞的依賴關係，實現無需訓練且高強健性的 AI 生成文本檢測。

本研究提出一種新方法，透過偵測並修正大型語言模型在評分時的潛在數字偏差，提升其作為自動評分者的準確性。

提出 FOCUS 技術，透過正交分解與門控機制解耦 LLM 的專家角色，解決跨領域角色干擾問題。

研究證實透過檢索相關範例來增強提示詞，能有效提升大型語言模型進行文件級文本簡化的品質。

研究發現將證據與決策過程分離（證據鎖定）會降低 LLM 評審與人類偏好的一致性。

提出一種免訓練的兩階段提示協定 CFR，透過先提取約束條件再進行解題與檢查，提升大型語言模型處理數學問題的準確度。

研究發現將在地化原則嵌入提示詞（Prompt）中，能顯著提升 LLM 處理時間、數字與日期轉換的準確度。

本文提出以「自我一致性」作為核心框架，來解決語言模型在邏輯泛化、迎合用戶及錯誤自信等常見失效問題。