教育科技研究速報

本研究探討了在大型語言模型（LLM）上訓練「不可能物體」時，分析性與合成性微調對模型概念生成能力的影響。

本研究透過分析知識實體間的語義距離，量化學術界與產業產出的知識新穎性，發現學術界整體而言更具新穎性，尤其是在專利領域。

本文梳理了行為主義、認知主義、建構主義等主要學習理論，並說明其在現代組織 eLearning 與 L&D 設計中的實際應用與效益。

代理式 AI 與無程式碼工具結合，實現自適應學習、即時技能檢測，顯著提升技術訓練效率與員工就業準備度。

本文提出三個IT要素框架，協助組織從孤立管理轉向能力建構，培養高效協作團隊，並探討其實務價值。

本論文集收錄了2026年在新加坡 AAAI 舉辦的第二屆心智理論與人工智慧研討會的論文，旨在提供一個公開且精選的資源。

本文介紹了 Memento-Skills，一種能夠自主構建、適應和改進特定任務代理的通用且持續學習的 LLM 代理系統。

MemMA 是一個多智能體框架，透過協調記憶的建構、檢索與利用，提升大型語言模型在長期互動中的效能，並實現記憶的自我修正。

提出 D-Mem 雙重記憶系統，結合向量檢索與深思，透過多維質量門控平衡效率與準確，提升長期推理。

提出ZEBRAARENA環境，用於評估工具增強LLM的推理與行動耦合，並揭示現有模型在高難度任務上仍存在顯著效能缺口。

提出 MedForge 系統，結合大規模醫療偽造資料集與先行推理機制，實現高準確度且可解釋的醫療深偽偵測。

提出 NeSyCR 框架，利用神經符號反事實推理將視訊示範轉化為可執行程式碼，並在跨域環境中提升 31% 任務成功率。