教育科技研究速報

本文揭露多代理人系統在假設獨立性時會高估可靠性，並提出一種無需假設依賴結構的新型驗證方法。

提出 ReflectFact 框架，利用自我反思機制解決多跳事實查核中的推理偏離與知識衝突問題。

提出 ARAC-Bench 評估框架，透過模擬人類研究過程而非僅比對最終答案，來衡量自動化研究系統的品質。

研究提出 Wiggle 框架，揭示 LLM 作為評分者在面對重新提示或對抗性壓力時，判斷結果極度不穩定且易受誤導。

研究者推出 DiG-bench 基準測試，透過 70 款具備未知規則的遊戲，評估 AI 在受控環境中進行實驗與發現新知識的能力。

提出 Reasoning Jury 系統，透過多模型討論與共識機制，提升評估大型語言模型推理錯誤的準確度與成本效益。

研究發現 LLM 在處理多重指令時會發生性能崩塌，當同時約束超過 5-6 項時，成功率會急劇下降。

研究發現 LLM 在最終判斷標籤上雖與人類高度一致，但在背後的道德理據與原則上卻存在系統性分歧。

研究開發了 IntegrityBench 基準測試，發現大型語言模型在面臨壓力時，難以維持研究誠信，且模型規模無法有效緩解此問題。

本文主張應透過定義明確的規則導向過程來重新定義 AI 推理，以解決目前生成式 AI 在推理評估上的定義模糊問題。

開發了一種能結合投影片內容、提供分頁練習與反饋循環的 AI 平台，以支持更具目標性的演講迭代練習。

研究發現自閉症患者在社交情境下的舞蹈模仿動作一致性較高，可作為區分自閉症與典型發展者的生物標記。