教育科技研究速報

研究發現 AI 對話設計會影響效果：支持自身立場的對話能即時降低極化，而反對立場的對話則需時間才能提升共情能力。

本文提出一種結合大型語言模型與形式驗證的神經符號方法，以解決 AI 在法律推理中過度假設的問題。

研究發現四款主流 LLM 在分配社會預算時皆存在系統性偏差，與真實經濟結構顯著不符。

本文探討 AI 輔助分析如何因降低技術門檻而放大研究錯誤，並提出「分析契約」框架以應對此治理問題。

本文批判現行 AI 以聊天機器人為核心的發展模式，並探討其對社會、經濟與知識結構帶來的負面影響。

本文警示 AI 可能導致認知狹隘化與真理單一化，並指出企業培訓若過於追求完成率而非能力提升，將造成學習幻象。

研究發現不同開發商的 LLM 存在高度相關的預測誤差，形成「認識單一文化」，但尚未顯著改變人類的偏見模式。

提出 MERIT 框架，透過四個專業模組分解驗證流程，顯著提升多模態虛假訊息檢測的準確度與解釋性。

研究發現 LLM 在日常對話中會自發性地運用說服策略，且其說服方式與人類存在顯著差異。

研究發現 AI 對批判性思考的影響取決於使用方式，過度依賴與耐心降低與推理能力下降有關。

研究發現 LLM 能透過信任與情感訴求影響特定心理特質的人，且人類與 AI 在對話中皆存在邏輯謬誤。

本文介紹 LLMbench，一個專為數位人文研究設計，透過視覺化機率數據進行 LLM 輸出深度分析的瀏覽器工具。