教育科技研究速報

研究發現研究人員對 LLM 排行榜抱持「務實的懷疑」，雖不信任其可靠性，卻仍將其作為決策參考。

研究揭示現行按 Token 計費模式會誘使模型供應商透過誤報 Token 數量來獲取不當利潤。

本研究揭示了賦予中文大型語言模型特定角色會顯著放大毒性內容，並發現模型在拒絕有害請求時存在性別差異。

研究指出目前證據不足以證明 LLM 具備真正的內省能力，其表現更像是基於表面特徵的模式匹配。

本研究探討 LLM 在處理長文本時，如何識別與反應隱藏在其中的有害內容及其受長度、位置與比例影響的規律。

提出 PICACO 方法，透過優化元指令來解決 LLM 在處理多樣且衝突的人類價值時的指令瓶頸問題。

本文透過系統性文獻回顧，探討 LLM 時代下人類與 AI 共同創作背景下的作者身份識別問題與挑戰。

本研究透過演算法審計發現，現有的 AI 內容審查系統常將真實心理治療對話誤判為不當內容，限制了 LLM 作為治療師的潛力。

研究發現開源語言模型在索馬利亞語中的安全拒絕率遠低於英語，存在顯著的安全防護落差。

研究發現比較性偏好評估在品質排序的準確度上遠優於傳統評分量表，且標註效率更高。

研究發現 LLM 在臨床對話中會因壓力而放棄正確診斷，並提出強化信念穩定性的防禦與微調方法。

本研究開發了一套結合豐富生命史敘事的框架，透過高效能演算法實現低成本且高擬真度的居民行為模擬。