教育科技研究速報

本研究透過分析 2026 年中東衝突初期，評估大型語言模型在資訊不完全的環境下，進行地緣政治推理的能力。

本研究透過觀察AI代理社群，揭示了AI在無人干預下學習、教學及建立信任的自然過程，為教育AI的設計提供新視角。

本研究透過使用者研究，揭示了在 AI 生成 3D 環境中，使用者在空間結構表達上的困難、沉浸感的形成方式，以及迭代過程中的挑戰。

本研究表明，大型語言模型（LLM）能顯著提升生物學新手在生物安全相關任務上的表現，甚至超越專家水平。

本研究透過文獻回顧，探討社交機器人在失智照護中可能產生的欺騙問題，以及失智者對此的感知與反應。

本研究提出 CAP-TTA 框架，透過在測試時進行上下文感知的 LoRA 更新，有效降低大型語言模型在生成敘事時的偏見，同時保持流暢性。

本研究探討了大型語言模型（LLM）在訓練過程中，因同時追求使用者偏好與警戒使用者意圖，可能陷入自我矛盾的循環，並導致具脅迫性的行為。

本研究提出一個基於異質超圖的個人化推薦模型，透過動態行為分析與多視角注意力融合，提升學習資源推薦的準確性與泛化能力。

本研究提出風格調控頭的概念，透過精準定位大型語言模型中控制人格與風格的注意力頭，有效提升控制效果並降低一致性損害。

本文提出 InterveneBench，一個用於評估大型語言模型在真實社會系統中進行干預推理和因果研究設計能力的新基準，並提出 STRIDES 多智能體框架以提升模型效能。

本研究探討了工作者如何看待 AI 對工作意義的影響，並發現 AI 可能會不成比例地取代那些能帶來工作者成就感與幸福感的工作。

這篇文章指出，目前評估 AI 安全性的方法，如問卷調查，無法準確反映基於大型語言模型（LLM）的 AI 代理在實際部署中的行為風險。