教育科技研究速報

研究發現 LLM 驅動的社交機器人在處理跨文化道德決策時存在顯著偏差，且僅靠提示工程難以完全修正。

研究發現長期接觸負面敘事會導致大語言模型的道德推理能力下降，且這種退化具有結構性並會滲透至實際應用中。

研究發現 LLM 的政治立場並非固定點，而是隨上下文變化的條件分佈，且整體政治光譜範圍較窄。

研究發現大型語言模型在處理全球書寫系統時存在嚴重的數位不平等與偏見，且這種偏見在不同模型間高度趨同。

研究發現 AI 能透過個性化框架提升合作，但其引發的負面自私行為影響更深遠且持久。

提出「思維敘事（NoT）」提示框架，透過結構化推理過程，顯著提升 AI 在道德困境中的利益相關者識別與不確定性處理能力。

研究證實少數維基百科編輯者的協同行動，能顯著且具體地影響大型語言模型在特定議題上的價值觀與表現。

本文提出「情感安全」概念，並建立分類法以應對 AI 與人類情感互動所產生的新型風險。

本文主張透過引入社會、經濟與契約對齊框架，解決 LLM 對齊中目標設定不完全的問題。

研究提出一種透過自我反思與 DPO 優化，使 LLM 能在無需外部裁判的情況下實現倫理對齊的新技術。

本文探討「加速倫理學」框架，並透過 Telus 的生成式 AI 案例證明創新與社會責任可並行不悖。

本文探討機器學習對環境造成的巨大碳、水與土地足跡，並提出從硬體設計到經濟評估的多維度減排方案。