教育科技研究速報

本研究分析 arXiv 論文，發現大型語言模型的使用正在改變學術寫作中詞彙的頻率，並探討了辨識不同模型生成文本的困難。

本研究探討了在教育推薦系統中，不同說明格式（視覺化與文字化）如何影響使用者對系統的信任、透明度與滿意度，並考量了個人特質的影響。

本研究透過系統性調整提示工程的三個面向，探討如何提升大型語言模型在社會科學文本分類上的準確性，並揭示模型效能的異質性。

本研究揭示大型語言模型在數學問題中可能傳播有害內容，並提出SafeMath技術，在不犧牲準確性的前提下提升模型安全性。

本研究利用眼動追蹤技術，揭示了人類在成對 AI 圖像評估時的認知過程，發現視線模式能預測偏好選擇與信心程度。

探討使用者如何在 Character.AI 與 AI 伴侶協商身份，揭示動機、策略與情感結果，並提供設計建議。

本研究揭示科學家對研究構想的評估並非固定不變，而是會隨著時間產生漂移，這對利用 AI 協助科學發想的系統設計具有重要影響。

本研究提出資料提示協同演化概念，透過互動系統讓開發者迭代優化提示詞，並藉由不斷擴充的測試集，提升大型語言模型（LLM）的效能與可靠性。

透過工作坊與原型實作，本文揭示 K‑12 教師對多模態大型語言模型的機會、挑戰與實務需求，並提供未來學習設計的啟示。

開發並評估一套多語言 AI 介面，能自動將文本映射至相關圖像，提升特殊教育學生的閱讀理解與互動性。

本研究探討性別相關的溝通方式如何影響 LLM 輔助的程式設計與程式碼審查，發現 LLM 評估階段存在性別偏見。

SemLayer 提出一種視覺生成管道，旨在恢復扁平化向量圖標的可編輯分層結構，提升圖標編輯、樣式調整和動畫製作的效率。