教育科技研究速報

本書透過多學科視角探討 AI 如何既能強化集體智慧與民主韌性，也可能帶來偏見與誤導資訊等風險。

研究發現職業身份提示會引發 LLM 產生特定的價值觀偏向，而非僅僅是中立的角色標籤。

本文透過建立「目標設定與達成」的控制框架，重新定義了 AI 失控的本質及其風險成因。

研究發現 AI 研究社群對「偏見」的定義極其分散且複雜，甚至存在將其視為可調參數而非問題的矛盾觀點。

本文提出 Eigenism 理論，將身份視為分佈式資訊模式，以解決 AI 可複製與分支特性帶來的倫理挑戰。

本文提出「奇普問題」，探討分散式 AI 系統中，即便數據留存，制度仍可能因缺乏詮釋能力而無法理解決策過程的治理困境。

本文探討大型科技公司如何主導 AI 研究，並指出其追求規模化的商業動機與 AI 的倫理、環境及社會責任之間存在衝突。

本文指出 AI 教育研究中缺乏對 LLM 計算與環境成本的透明報告，並提出一套開源的測量與報告方法。

研究證實僅靠提示詞匿名化無法消除 LLM 的身份特徵，模型仍能透過文體指紋被識別。

本文透過民族誌研究探討如何透過協作式數據開發，將數據工作轉化為修復社會傷害與重建問責制的過程。

本文透過參與式設計方法，探討多方利益相關者如何共同定義與協商 AI 開放性中的責任、權力與問責機制。

本研究分析了 Reddit 上未公開身份的 AI 帳號如何利用修辭架構與認知偏誤來進行高效說服。