教育科技研究速報

提出一種風險感知的部分可觀測馬可夫決策模型，利用人口、土地使用與就業資料預估需求，並在25個城市中證明其能在五年內改善53.6%的缺口，優於靜態優化。

研究透過建模弱勢學生分數分布的偏誤，提出透過針對中等表現弱勢學生的獎學金或培訓來減少教育不平等。

研究提出一種新方法，揭示神經文本嵌入模型在捕捉專家語義理解方面存在顯著落差。

提出 ExAtlas 框架，將社會科學實驗存檔轉化為結構化圖譜，自動識別研究間的一致性、衝突與知識缺口。

提供 Niterói 公共巴士運營、乘客需求及外部因素的高解析多源資料集，支援運輸效率與需求預測研究。

研究發現僅達到整體統計有效性的 AI 模型，在面對不同人口子群體時，其預測可靠性與公平性仍存在顯著落差。

本研究利用 LinkedIn 數位足跡數據，揭示了全球高潛力畢業生流動的高度集中性、性別差異及專業分佈特徵。

研究指出使用 LLM 生成「矽樣本」時，不同的參數配置會大幅改變模擬數據與真實人類數據的一致性。

本文提出從關注「脆弱個體」轉向關注「脆弱化數據實踐」，揭示 AI 分析如何可能在保護弱勢者的同時造成新的數據暴露與剝削。

提出 GAI 框架，透過非參數化方法將 AI 生成的輔助數據轉化為特徵，有效提升人類標籤預測的精準度與效率。

開發了一種名為 PLanet 的 DSL，透過矩陣代數形式化實驗分配程序，以顯化研究假設並檢驗因果查詢的可行性。

本研究透過大規模調查揭示學習分析領域開放數據集的現況，並提出名為 PRACTICE 的數據發佈指南。