教育科技研究速報

本文描繪LLM在自然科學、人文社會科學研究中的加速效應與挑戰，並提出負責任整合的治理框架。

提出可重現的多代理評估流程，量化LLM互動風格的可調性與回歸預設，並提出安全門檻、禮貌引導與情感預設鎖定的治理框架。

利用專家引導的VLM與街景圖像，評估輪椅可達性並與實際行為數據對照，證明VLM可部分捕捉可達性障礙。

評估多模態大型語言模型在影片感知參與度評估中的表現，發現其與人類參與者的評分差距顯著且偏差明顯。

研究探討 AI 代替或補充練習對精英程式設計者的技能影響，並揭示評估門檻如何分離兩種使用者類型

提出端到端貝葉斯不確定性模型，並用校準不確定性衡量多模態臨床資料中的算法公平性，發現不確定性能揭示服務不足族群。

本文指出 AI 生成的水果劇透過可愛美學掩蓋性別與種族刻板印象，並能繞過內容審查。

LLM 生成自然語言回饋顯著提升 Python 初學者完成率與收斂速度，證實回饋形式與質量關鍵。

本研究揭示語言適應並非保護 LLM 免受俄羅斯假資訊的關鍵，反而產生 Fine‑Tuning 逆轉效應。

透過大規模科學家評估發現，現有 AI 在科學發現中缺乏新穎性與否定假說的能力，且自動化評估工具與專家判斷存在顯著差異。

本文將O*NET工作活動拆解為微動作，發現職業自動化風險呈雙極結構，且十年內極性倒轉，顯示風險評估需隨時更新。

以 Lasso 與 Ridge 回歸發現，績效期望、社會影響與娛樂動機是家庭機器人使用意圖的主要預測因子，亦顯可用性、信任與能力重要。