教育科技研究速報

研究發現即使由 Wikimedia Foundation 主導開發，內部與外部貢獻者在討論語言風格上並無顯著差異，挑戰了預期的層級化語言模式。

研究顯示大型語言模型在提供寫作回饋時，會根據學生性別、種族、學習需求等屬性產生刻板印象偏差，揭示自動化回饋的隱形偏見。

提出基於資料類型與領域情境的敏感資料偵測框架，顯著提升偵測準確率。

提出 HAIG 框架，將人機互動視為連續關係，從信任-效用角度重新定義治理。

AI輔助對政府與市民互動提升資訊與表達品質，並增進滿意度與信任。

本文介紹 LLM BiasScope，一個用於即時分析與比較不同大型語言模型（LLM）輸出中偏見的網頁應用，協助研究者與實務工作者評估模型。

利用人機協同LLM對手寫數學測驗進行可擴展評分，減少23%評分時間且保持公平準確。

本文系統性回顧 2020-2024 年 AI 對話系統在情感支持領域的技術演進，揭示 LLM 取代專用深度學習模型後的研究趨勢與效能提升。

本文提出「提示卡」的概念，旨在系統記錄和評估大型語言模型（LLM）的提示工程過程，以提升其可重複性、透明度及方法論。

以科幻敘事測試多種 AI 的倫理推理與拒絕行為，發現多種失敗模式且公開隱藏條件無差異

本報告綜合50位跨領域學者觀點，探討生成式 AI 在即時自動回饋中的潛力、優勢與風險，並提出未來研究與實務方向。

提供從新人培訓到銷售提升的完整產品知識訓練方法、工具與策略，幫助組織打造高效學習體驗。