教育科技研究速報

KITE利用檢索增強生成與多模態檢索，結合 Socratic 回應，提供針對性提示與逐步支架，提升學生算法追蹤與問題解決能力。

探討 LLM 在不同文化、語言、規模與提示方式下生成社交網絡的真實度與偏差。

提出四層機制可信度量表，區分生成充分性與機制可信度，幫助評估LLM驅動的代理模型在解釋與預測上的能力。

研究提出一種多代理 LLM 架構，透過合成高品質多模態數據集，解決游泳領域 AI 教練缺乏可靠專業知識的問題。

建立可重現的週期性努力與進度預測模型，提升 ITS 互動效能

提出六維度框架，重新定義 STEM 高等教育在人工智慧到來時的機構變革模式，並以實務工作坊示範其應用。

提出評估LLM模擬學生誤解忠實度的框架，發現現有模型無差異回應，並透過SFT+RL提升誤解一致性

提出反事實解釋一致性框架，檢測並減少信用決策模型的隱性程序偏差。

指出地理空間基礎模型研究缺乏標準化，並提出六項共識期望以促進可比性與透明度

本文提出 MAC-Fairness 框架，透過多代理對話評估 LLM 公平性，證明標準化測試受提示構造影響，實際對話行為更能揭示模型特定公平性特徵。

研究發現共和黨發帖毒性高，但民主黨收到的毒性回覆更多，主要因共和黨跨黨派回覆量大。

結構多樣性是預測破壞性創新的關鍵指標，並能將團隊規模轉為創新資源。