教育科技研究速報

研究揭示 GovAI FactSheets 雖被期望為評估工具，但實際上更適合作為建立信任與協商的關係性文件。

利用大型語言模型對德國議會移民辯論進行標註，揭示戰後團結向近十年反團結的轉變，並提出減少偏差的學習方法。

研究顯示口音差異影響聲音克隆的相似度與可懂度，且傳統嵌入距離未能捕捉此差異。

提出 Magic, Madness, Heaven, Sin 框架，將 LLM 輸出多樣性與任務目標連結，揭示跨背景的優化衝突。

提出以人為中心的弱訊號培育模型，透過風險強度與成長潛力坐標，動態追蹤前線風險訊號，促進管理決策與 AI 分析。

設計並實施以 BFS 為核心的 AI 課程，提升鄉村中學生在科學課程中的問題解決與 AI 理解。

本研究透過模擬代理人評估對話式 AI，發現評分品質與問題發現呈現不同的規模效應，揭示了評估模型規模與評估效度的關聯。

本研究透過系統性測試，揭示了大型語言模型在心理健康議題上回覆中，遺漏關鍵資訊的風險高於產生不實內容，並點出情境與語調是影響回覆品質的重要因素。

本研究探討如何評估溝通視覺化中情感目標的達成，並提出一套從教育、心理等領域篩選評估標準的框架。

本研究比較了在大學離散數學課程中，基於 LLM 的聊天機器人與嵌入式反饋工具對學生數學證明學習成果的影響，發現單純的聊天支持可能不足以提升學習轉移。

本研究利用嵌入式基準測試框架，揭示了教育大模型在提供回饋時存在的性別偏見，即使在最先進的模型中也存在非對稱的語義回應。

本研究揭示了自動化毒性模型在評估非標準英語（如非裔美國英語）時存在的系統性偏誤，並提供互動式工具提升AI素養。