教育科技研究速報

研究發現 AI 能以極低成本完成多數傳統實驗經濟學中的實質努力任務，挑戰了任務表現能反映真實人類努力的假設。

開發開源工具 StanBKT，利用貝氏推論為傳統知識追蹤模型提供不確定性量化與階層化建模能力。

本研究比較了大型語言模型與傳統語義相似度方法在自動評分學生程式碼解釋任務中的表現。

提出 GRASP 框架，透過分析論證間的局部交互結構，解決大型語言模型在評估辯論時不一致且缺乏透明度的問題。

提出一種結合潛在類別分析與大型語言模型（LLM）的新框架，透過模擬不同學習者人格特質來精準預測選擇題難度。

研究發現大型語言模型的推理過程存在大量冗餘，透過提取「最小核心」能更精準地捕捉其核心推理邏輯。

研究揭示 AI 模型開發者利用選擇性基準測試進行市場定位，而非進行標準化的科學評估。

提出一種模態感知信用分配機制，透過區分感知錯誤與邏輯錯誤，提升視覺語言模型的協同效能。

本文提出一種基於層論（Sheaf Theory）的框架，用於檢測 AI 代理人在面對新數據時，應進行現有理論的調整還是必須擴展其表徵語言。

本研究利用二階心智理論框架，使 AI 代理人能偵測並修正人類對其知識的錯誤認知與認知偏差。

本文提出以「可及支持集」區分模型能力的誘發與創造，並從自由能視角重新定義 SFT 與 RL 的本質。

本文提出一個理論框架，解釋為何人們在面對相同資訊時會產生分歧，並將其歸因於推論設定與世界模型的不可識別性。