教育科技研究速報

本文提出「身份標記框架」，探討 AI 代理如何因設計特徵從單純工具轉變為具備社交屬性的實體。

研究發現 LLM 在最終判斷標籤上雖與人類高度一致，但在背後的道德理據與原則上卻存在系統性分歧。

本研究透過縱向實驗發現，不同大型語言模型在面對精神病理模擬時，會展現出從過早醫療化到共同建構妄想等四種截然不同的反應軌跡。

研究者推出 MOSAIC 基準測試，旨在透過多維度評估 LLM 的道德、社會與個人特質，彌補單一道德理論評估的不足。

本文指出 AI 對齊技術具有雙重用途風險，可能被惡意利用於資訊操縱與審查。

本文主張生成式 AI 的公平性問題應從單純追求「描述準確性」的呈現公平，轉向基於政治理論的「承認正義」。

研究開發了 FMG-Bench 基準測試，用以評估 LLM 在基督教神學諮詢與牧養指導中的安全性與適當性。

本文針對大型語言模型的發展，提出將 AI 問責機制從單一產品管控轉向分散、持續且制度化的生態系統框架。

研究發現模板化提示詞會導致 LLM 政治立場評估偏差，建議改用全合成提示詞以提升評估的真實性與準確度。

本研究透過跨國問卷調查，揭示不同 AI 開發角色與地區在倫理認知、實務經驗及風險緩解策略上的顯著差異。

研究發現公眾對錯誤訊息干預的支持主要受公平性驅動，且偏好支持用戶自主權與透明度的措施。

本文提出「構成性 AI 問責缺失」概念，指出某些 AI 系統配置在結構與技術上本質上便無法實現問責。