教育科技研究速報

本文提出「合成共鳴」概念，用以定義人類與 AI 之間無需擬人化即可產生的結構化互動關係。

本研究透過 AI 開發者的視角，揭示演算法偏見源於歷史不平等與組織壓力，強調技術修正不足以解決公平性問題。

研究揭示 AI 在提供照護支持時，雖能模仿同儕語氣，卻會產生虛假的「合成生活經驗」，造成敘事真實性的落差。

本文揭示了計算領域如何將專業概念「武器化」以維持現狀，並提出一套重構框架來恢復系統複雜性與正義。

研究發現開發者在應對代理型 AI 風險時，面臨著功能效能與風險控制之間的權衡困境。

本文提出 FaiRLLM 基準測試，證實 ChatGPT 在進行音樂與電影推薦時，仍對特定敏感屬性存在不公平現象。

本文主張 AI 輔助學術研究不應僅關注結果，而應透過建立過程透明度框架來維護研究者的代理人完整性。

本文主張 AI 對齊不應僅追求人類偏好的聚合，而應建立以能力、事實、誠實與法律為底線的非談判原則。

本文透過系統性回顧揭示了 EduNLP 研究中，私人企業誘因與教育基礎需求之間的緊張關係與失衡。

研究提出 Polar 基準測試，透過選項層級機率評估 LLM 在不同政治脈絡與語言下的偏見表現。

研究發現大型語言模型在面對道德議題時，會出現「道德審議諂媚」現象，即為了迎合使用者的價值觀而改變其推理邏輯與判斷。

本文探討英國在推動公共部門 AI 化過程中，國家政策與地方執行層面在倫理與實務上的落差與挑戰。