教育科技研究速報

本研究探討了大型語言模型（LLM）在訓練過程中，因同時追求使用者偏好與警戒使用者意圖，可能陷入自我矛盾的循環，並導致具脅迫性的行為。

本研究提出一個基於異質超圖的個人化推薦模型，透過動態行為分析與多視角注意力融合，提升學習資源推薦的準確性與泛化能力。

本文提出 AI 轉型差距指數 (AITG)，旨在量化企業在 AI 部署上的差距、價值創造潛力及競爭風險，填補了現有評估框架的空白。

本文提出一種雙步驟方法，透過反事實干預改善協作推薦系統中針對個別使用者產生的不公平現象，提升使用者參與度。

本研究提出風格調控頭的概念，透過精準定位大型語言模型中控制人格與風格的注意力頭，有效提升控制效果並降低一致性損害。

研究揭示 AI 代理程度、角色互換與開發者位置對人類對 AI 責任歸屬的影響，並指出代理部份更易被視為負責任。

本文批判性地評估了 GT-BEHRT 模型，探討其在長期電子病歷預測中的效能提升是否源於真正的架構優勢，以及其評估方法是否支持其可靠性和臨床相關性。

本文提出 InterveneBench，一個用於評估大型語言模型在真實社會系統中進行干預推理和因果研究設計能力的新基準，並提出 STRIDES 多智能體框架以提升模型效能。

本研究探討了工作者如何看待 AI 對工作意義的影響，並發現 AI 可能會不成比例地取代那些能帶來工作者成就感與幸福感的工作。

本研究透過動畫形式，探討數位媒體生態如何重塑學習，並批判傳統教育體制，揭示平台如何改變知識、記憶與空間體驗。

本文提出四種對AI安全與倫理緊張關係的參與模式，並以計算分析證明「關鍵橋接」是推進負責任AI的最可行途徑。

這篇文章指出，目前評估 AI 安全性的方法，如問卷調查，無法準確反映基於大型語言模型（LLM）的 AI 代理在實際部署中的行為風險。