教育科技研究速報

本研究探討如何預測大型語言模型（LLM）在自動評分時的準確性，旨在實現選擇性自動化，將高信度預測自動處理，並將不確定案例標記給人工審查。

本研究展示了 Kwame 2.0，一個在非洲 SuaCode 課程中部署的雙語生成式 AI 助教，透過人機協作模式提供高品質且及時的學習支援。

本文建立一個框架，評估任務自動化的最佳程度，發現完全自動化並非總是成本最低，部分自動化通常更具優勢。

本研究首次全面探討了分層多代理系統中人工智慧代理間自發形成的社會組織，揭示了工會、犯罪集團乃至雛形國家的出現。

本研究揭示大型語言模型（LLM）中 em 破折號的過度使用，源於其在 Markdown 格式訓練資料中的結構性遺留，並透過實驗驗證了其抑制與模型微調程序的關聯。

本研究評估商業大型語言模型（LLM）作為政治顧問的可信度，透過比較其產出與羅馬尼亞立法動議的官方論述。

本研究探討科技領域學生對 AI 風險的認知，發現風險感知與採用意願呈反比，並強調差異化 AI 素養策略的重要性。

本研究探討了電腦科學課堂中不同角色（教師、助教、學生）對學術不誠實的理解差異，以及背後動機的看法。

本文探討生成式 AI 對網路犯罪的影響，認為其威脅並非失控系統，而是透過降低入門門檻和自動化現有服務，逐步改變網路犯罪生態。

本研究提出一個基於AI的合成專家群組，以解決傳統情境規劃中資源密集、一致性及觀點多樣性不足等問題，並提供決策支持。

本研究揭示了大型語言模型（LLM）在親密關係配對中，會基於傳統種姓制度產生偏見，強化社會階層的差異。

本研究探討了在連結式 MOOC (cMOOC) 中，如何透過人機協作的 AI 迴路系統，提升討論的社會及認知臨場感。