教育科技研究速報

本研究透過分析中學教師使用大型語言模型聊天機器人進行程式設計活動的過程，揭示了教師對聊天機器人的不同態度與需求，並提出了相關設計建議。

本文提出一個新穎的AI驅動分析框架，用於評估跨領域研究團隊如何達成共識，並藉由大語言模型、圖譜分析及專家驗證，探討觀點的演變與影響。

本文提出具身科學範式，強調將具身 AI 的感知、推理、行動與發現整合，以實現與物理世界的持續互動，加速科學發現。

本研究提出一個基於子目標分解的框架 MiRA，透過強化學習訓練，大幅提升大型語言模型在複雜環境中的長期規劃與執行能力。

HyEvo 提出一種自動化的工作流程生成框架，結合了概率型 LLM 節點與確定性程式碼節點，有效降低推理成本與執行延遲。

PowerLens 系統運用大語言模型的推理能力，透過隱式回饋學習使用者偏好，實現零配置、情境感知且安全的行動裝置電源管理，大幅提升電池續航力。

提出 ItinBench 基準，將路徑優化與語言推理結合，評估 LLM 在多認知維度下的表現，發現其難以同時處理多任務。

本研究探討如何訓練大型語言模型（LLM）生成形式化的反例，以驗證數學命題的真偽，並填補了 AI 在數學推理中偏重證明而忽略反例發現的空缺。

本研究提出一種新方法，透過多回合過程獎勵強化學習，訓練多模式語言模型代理人分段生成向量圖，並提供可解釋、可控及局部編輯的功能。

本文提出超代理（hyperagents）的概念，透過可編輯的自我修改機制，實現更廣泛、更快速的自我提升，突破傳統方法在非程式設計領域的限制。

本研究提出 GuardEval 基準數據集及 GemmaGuard 模型，旨在提升大型語言模型在辨識隱含偏見、仇恨言論及安全問題方面的能力。

本研究探討了將專家注視模式視覺化，以協助程式碼新手理解新程式碼庫的效果，並設計了 GazePrinter 工具。