教育科技研究速報

主張AI研究應聚焦於訓練過程的動態，從早期信號預測結果、介入偏差，到設計更可靠的訓練流程，以提升模型的能力、偏見與安全性。

研究顯示，攻擊者若能策略性選擇攻擊時機，AI 控制評估的安全性將大幅下降，提示現行評估方法過於樂觀。

建立協作式數學討論資料集，評估模型在預測下一帖與角色分類的表現，揭示協作推理的挑戰。

提出可跨任務重用的安全適配器，提升LLM安全性與效能平衡

提出將公平性視為對稱操作，透過損失正則化降低偏差至90%，且準確度損失僅5%

開發多代理 LLM 系統協助醫師快速撰寫多模態步態分析報告，顯著降低錯誤率。

提出一套涵蓋設計形式、資訊內容與使用者代理權的三維分類系統，並將其應用於六大社群媒體平台，以評估與提升算法透明度。

研究顯示，AI助手若與使用者觀點相符，能顯著提升信任、能力感與親和力；人格相符則效果有限。

AI協助城市老年移民共創漢字，促進故事記憶與表達

LLM在標準概率題表現優異，但在反直覺題與語句變形下準確率大幅下降，顯示其仍非真正的概率推理者。

開發混合現實介面，支持多操作者協同控制多機器人，並證實共置工作空間提升協作感與任務執行效率。

本文提出並驗證一種基於語言複雜度的多回應評估框架，發現目前主流LLM在調整回應複雜度方面一致性不足，僅有46%能正確變化。