教育科技研究速報

儘管語言模型內部表現卓越，但現有機制可解釋性方法無法有效修正其輸出錯誤，揭示知識與行動之間存在巨大落差。

本研究利用自然語言處理技術，分析 Moltbook 平台上政治宣傳的規模、分佈及產生者，揭示少數社群與個體在政治宣傳傳播中扮演的重要角色。

本文將微分方程式作為理論基礎，系統性闡述其在深度神經網路架構、性能提升與實務應用中的作用。

提出 MemArchitect，透過規則治理 LLM 記憶，提升代理人安全與效能。

本研究提出 FaithSteer-BENCH，旨在透過部署導向的壓力測試，評估大型語言模型（LLM）推控方法的可靠性與實用性。

本研究量化了臨床醫師如何修改環境AI生成的草稿臨床筆記，將通俗易懂的語言轉化為標準的臨床術語，以符合專業記錄規範。

本研究揭示了現有健康相關大型語言模型（LLM）評估基準資料與真實臨床需求之間存在有效性落差，缺乏代表性及關鍵臨床資訊。

本文介紹了教育資料探勘自動研究系統 (EDM-ARS)，它是一個利用多智能體管道自動執行端到端教育資料探勘研究的領域特定系統。

本研究結合微調與經驗檢索，訓練 LLM 代理，有效利用上下文中的檢索軌跡，提升對未知任務的泛化能力。

提出基於模擬產生高品質數據、組合似然 EM 演算法的可靠性模型，能有效量化 AI 系統錯誤傳播並提升評估效率。

本文提出了一種針對代理 AI 的網站互動設計，透過精細的存取控制，解決了委託 AI 執行關鍵任務時，網站缺乏相應機制的問題。

開發以教學規則為基礎、利用合成對話微調的聊天機器人，為高等教育教師提供即時、具反思性的專業發展指導，並證實其優於 GPT-4o mini。