教育科技研究速報

研究發現 LLM 內部存在符合人類情緒模型的 VA 子空間，並可透過情緒向量控制模型的拒絕與奉承行為。

提出 Prosodic ABX 框架，利用少量樣本在無需標籤的情況下評估自監督語音模型對韻律對比的敏感度。

提出 RRPO 框架，利用 LLM 反饋進行強化學習，使重排序模型與生成品質直接對齊。

本研究透過自動化三步驟流程，評估並修正了 EU20 多語言基準測試集的翻譯品質與結構完整性。

提出一種結合文本嵌入與符號概念特徵的神經符號模型，以提升偵測宣傳新聞時的分類魯棒性與泛化能力。

提出 SURE 框架，透過不確定性感知專家混合模型與迭代推理，提升對話中多模態情緒辨識的魯棒性。

提出一種基於指令微調與離散控制標記的框架，使開源模型能精準控制文本的易讀性與壓縮率。

提出 PRISM 框架，透過風險門控與機率重新分配機制，減少大型語言模型在監督式微調時因過度模仿而產生的幻覺問題。

研究發現強制使用細粒度（如句子級）引用會顯著降低 AI 歸因品質，最佳性能出現在中等粒度（如段落級）。

本研究提出一種基於大型語言模型的解決方案，能從職位描述中識別並優先排序成功人選所需的特定個人能力，準確度接近人類專家水平。

本文提出神經遊戲變換器（NGT），透過博弈論和統計物理，重新概念化注意力機制，提升模型捕捉高階依賴的能力。

本研究展示了如何透過分析文本中的時間共現模式，發現不同於語義內容的轉移結構概念，並建立一個多解析度的概念地圖。