教育科技研究速報

本研究提出一套隱私保護的視覺語言框架，利用本地開源LLM偵測醫療對話中的同意與指示語句，並生成對應機器人手勢，達成高準確率與人類相似度。

建立干擾框架測試LLM道德判斷的穩定性與可操控性，發現觀點轉換最易導致判斷波動

建立醫療機器人失敗情境下的多模態資料集，揭示失敗對情緒與控制感的負面影響。

Aletheia 擴充功能結合 RAG 與 LLM，提供透明、證據化的假新聞偵測與互動討論，並在實驗中優於現有基準。

研究發現大型語言模型在生成任務表現優秀，但在評估任務上表現較差，甚至在缺乏專業知識時仍能給出可信評價，揭示生成式 AI 的評估悖論。

透過即時透明度調整的幽靈手，VR 鍵盤學習者在無外部提示時能更準確、保持技能，顯示自適應提示有效提升短期保留。

開發可解釋智能評估平台XIA，透過可視化認知診斷與對比說明，提升預備教師的評估素養與反思能力。

開發了Lexara工具包，提供可操作的測試案例、可解釋的多格式評估指標，協助非程式設計者評估對話式視覺分析中的大型語言模型。

提出國際工具呼叫資料集，提升多語言 LLM 工具使用效能與跨域魯棒性。

本研究提出一套雙階段方法，透過使用者與視線互動專家的合作，開發更直觀、符合自然視線移動模式的手勢，提升視線互動的易用性。

本文揭示資料標註中的共識陷阱，指出以「真實基準」為核心的做法忽略人類主觀差異，並呼籲重新審視標註流程與文化偏見。

評估現行偏差指標在大型語言模型分配傷害評估中的可靠性，發現其無法準確捕捉群體差異。