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。

本研究透過介入一致性測試框架（ICE-Guard）揭示大型語言模型在決策中存在的系統性偏差，並發現權威與框架偏差遠超人口統計偏差。

本研究透過布里斯托市議會的犯罪率預測數據，揭示了廣泛使用的偏誤緩解技術在政府數據中往往失效的原因，並強調偏誤根源於數據本身的結構與歷史。

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。

本研究系統性地回顧自然語言處理領域中與 LGBTQIA+ 社群相關的文獻，揭示了目前研究的趨勢、缺口，並呼籲更公正、包容的技術發展。

本研究分析 NBA 裁判的判決數據，揭示了主場優勢、對特定球員的偏袒，但未發現種族偏見的證據。

本研究系統性分析七款大型語言模型在尼泊爾文化背景下的性別刻板印象，並提出結合顯性與隱性偏見的評估框架。

本研究透過因果推論方法，量化了作者種族、性別和機構所在地對學術論文接受度排序的獨立影響，揭示了系統性偏見的存在。

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。