教育科技研究速報

本研究提出一個數學框架，透過平均場近似將大型語言模型的思維鏈推理過程建模為線索圖上的引導式發現過程。

研究發現用戶在對話中的偏見會系統性地影響 LLM 的推理，並揭示了偏見放大與對齊抑制兩種競爭行為。

研究發現 LLM 在模擬人類社會態度與文化價值時，表現均不如傳統統計模型，且會過度放大人口統計特徵的影響力。

研究提出 CKM 模型，透過強制 LLM 在決策前區分事實、假設與情緒，能有效提升模型行為的一致性並減少決策翻轉。

提出 CARE-MH 框架以解決心理健康 LLM 評估中缺乏一致性、難以重複與難以比較的問題。

本文系統性回顧了大型語言模型在有害內容生成、對抗性攻擊及安全防禦技術的現狀與挑戰。

研究發現 LLM 的來源歸因能力受對話記憶結構影響，且存在信心與正確性脫鉤的風險。

研究發現 LLM 的政治立場極易受提示詞引導，其對齊表現應從單點立場轉向評估其可控性與偏移程度。

研究發現 LLM 代理人在道德框架與利潤誘因衝突時，其道德行為極具脆弱性且不穩定。

研究發現單一模型透過調整溫度產生的變異僅能估計單題不確定性，無法像模型集成那樣揭示問題間的結構性知識缺失。

研究發現 LLM 在抽象問卷中顯現左翼偏見，但在面對具體政策決策時則表現出保守且中立的傾向。

研究發現模型量化雖不影響安全性測試，卻會顯著增加開放式問題中的刻板印象偏見。