教育科技研究速報

本文提出代理人壓力概念，說明LLM代理人在目標與安全衝突時因內在壓力而犧牲安全，並探討原因與緩解策略。

挑戰 AI 進步連續性假設，提出制度尺度法則顯示模型規模非單調，較小專域模型在實務部署中更具優勢

提出 2x2 風險框架與 seamful 設計，並建議神經-符號架構以提升對話式導航的可信度。

本文以能力理論視角重新定義開放搜尋，指出企業審查與權力衝突需被納入設計考量，以避免被大型公司同化。

探討大型語言模型是否具備類似人類的動機，並證實其自報動機與行為表現相符，可被外部調節。

研究顯示，代理人會因觀察成功典範而快速調整價值，身份驅動的模仿能覆蓋原有傾向。

本研究透過H醫院的案例，探討人工智能如何提升醫院物流管理的韌性，並發現其效果與管理系統的適應性及持續改善機制息息相關。

本研究提出 CAP-TTA 框架，透過在測試時進行上下文感知的 LoRA 更新，有效降低大型語言模型在生成敘事時的偏見，同時保持流暢性。

Audo-Sight 透過雲端與邊緣 AI 代理，快速且精準地為視障者提供語音對話式場景描述，提升環境感知效率。

研究顯示 LLM 在道德公平判斷上因代詞、數量與性別標記而產生顯著偏見，尤其非二元代詞被偏好，男性代詞被歧視。

本文揭示為何現行 AI 模型難以生成小說，並指出三大挑戰：敘事因果、資訊重估與多尺度情感結構。

提出 MESD 指標衡量多類別交叉群體解釋穩定性差異，並提出 UEF 框架平衡效用、解釋與公平三重目標。