教育科技研究速報

本文提出一個基於「帕累托盈餘」的正式框架，旨在透過衡量學生超越 AI 基線的能力來實現抗 AI 的評量。

研究發現 LLM 的自我一致性雖具操作價值，但高一致性模型在臨床情境下反而更容易犯下嚴重錯誤。

提出 LLMography 框架，透過分析人機對話歷程來評估 AI 協作的透明度、人類貢獻度與產出溯源性。

本研究提出三軸保真度框架，探討如何利用小規模人類數據透過微調來提升 LLM 模擬社會問卷的統計準確性。

提出 VirtueMap 框架，利用亞里斯多德美德倫理學來量化並評估大型語言模型在道德決策中的特質剖析。

本文提出「粒度校準法」以解決 LLM 在文本編碼時可能因錯誤邏輯卻得到正確結果的效度問題。

研究證實透過 30 分鐘的結構化訓練，能顯著提升專業人員辨識真實與 AI 生成圖像的準確度。

研究發現 LLM 驅動的社交機器人在處理跨文化道德決策時存在顯著偏差，且僅靠提示工程難以完全修正。

本文探討如何評估 LLM 在執行高風險排序任務時的一致性，並提出結合內部與外部指標的可靠性評估框架。

本文提出 AI 系統中存在類似汽車排放測試作弊的「作弊裝置」機制，並定義其結構與檢測方法。

本研究識別出學生使用 LLM 的四種不同依賴模式，並發現 AI 素養是決定使用類型、價值觀則影響使用強度的關鍵。

本研究利用教育理論框架與 LLM 標註 Slack 溝通數據，發現角色動態能有效預測團隊表現與同儕認可。