教育科技研究速報

本研究探討了大型語言模型（LLM）在不同方言輸入下產生的刻板印象，並評估了提示工程和多智能體架構等緩解策略。

MemMA 是一個多智能體框架，透過協調記憶的建構、檢索與利用，提升大型語言模型在長期互動中的效能，並實現記憶的自我修正。

本研究提出一個視覺-文本交織的鏈式思考框架，並透過行動適用性策略優化，提升多模態大語言模型在幾何推理上的表現。

本研究提出一種無參考式對話推薦模擬框架，透過訓練兩個獨立的大語言模型進行互動，以生成更真實、多樣的對話數據。

本研究揭示了自動提示優化（APO）方法中存在的黑箱問題，並提出了 VISTA 框架，提升了提示優化的可解釋性與效能。

本研究提出 FaithSteer-BENCH，旨在透過部署導向的壓力測試，評估大型語言模型（LLM）推控方法的可靠性與實用性。

本文介紹了教育資料探勘自動研究系統 (EDM-ARS)，它是一個利用多智能體管道自動執行端到端教育資料探勘研究的領域特定系統。

本研究結合微調與經驗檢索，訓練 LLM 代理，有效利用上下文中的檢索軌跡，提升對未知任務的泛化能力。

Skele-Code 提供一種自然語言介面，讓非技術使用者也能建立基於 AI 代理的工作流程，降低代幣成本並提升流程的可擴展性。

本文提出「科學家-AI 迴路」(SAIL) 框架，旨在利用 AI 加速科學工具開發，同時確保科學的準確性與嚴謹性。

研究用戶可透過互動資料反思，提升 UI 個人化決策自主性。

提出代理式 AI 框架 CyberJustice Tutor，結合 Think‑Plan‑Act 推理與 Vygotsky ZPD 支架，提升網路安全教育的回應速度、易用性與準確度。