教育科技研究速報

本文提出微調與分層提示結合，提升不同注釋架構下宣傳檢測的準確度與魯棒性。

研究顯示，使用編碼助手生成的 AI 幻燈片在準確性、完整性與教學設計上最優，學生對 AI 與人類製作的幻燈片品質評價相近，且難以辨別來源。

本文提出將水印視為監控基礎元件，並透過觀察者聚合模型證明即使零位水印亦能在多鍵環境下進行實體層級歸因，揭示監控與歸因之間的雙重使用張力。

研究顯示 GenAI 在校正語法時，會同時削弱 L2 學生的語用多樣性與作者立場，導致寫作風格趨同。

KITE利用檢索增強生成與多模態檢索，結合 Socratic 回應，提供針對性提示與逐步支架，提升學生算法追蹤與問題解決能力。

提出四層機制可信度量表，區分生成充分性與機制可信度，幫助評估LLM驅動的代理模型在解釋與預測上的能力。

提出六維度框架，重新定義 STEM 高等教育在人工智慧到來時的機構變革模式，並以實務工作坊示範其應用。

提出反事實解釋一致性框架，檢測並減少信用決策模型的隱性程序偏差。

指出地理空間基礎模型研究缺乏標準化，並提出六項共識期望以促進可比性與透明度

本文提出 MAC-Fairness 框架，透過多代理對話評估 LLM 公平性，證明標準化測試受提示構造影響，實際對話行為更能揭示模型特定公平性特徵。

研究發現共和黨發帖毒性高，但民主黨收到的毒性回覆更多，主要因共和黨跨黨派回覆量大。

結構多樣性是預測破壞性創新的關鍵指標，並能將團隊規模轉為創新資源。