教育科技研究速報

本文探討大眾對大型語言模型的盲目信任所帶來的倫理與評估問題，並提出需整合推理系統以提升LLM可信度的觀點。

提出AEGIS基準，涵蓋七學術領域39子類，評估AI圖像取證的檢測、推理與定位，揭示現有模型在多樣偽造策略下的局限。

提出基於互信息的 MIFair 框架，統一多類與交叉性公平評估與緩解。

研究顯示生成式 AI 在搜尋結果呈現、來源選擇與一致性上與傳統搜尋引擎大相逕庭，對網站能見度與資訊品質產生重大影響。

提出一套 Python 框架，統一多平台社群媒體資料結構，並提供可配置匿名化與 LLM 擴充，促進跨平台研究與重現性。

本研究建立190,000筆LLM生成文本資料庫，系統性探討不同人格與社會人口特徵如何影響AI在四大社會議題上的立場與情緒框架，並提供互動式儀表板以審核偏見與對齊性。

提出多尺度時間-內容框架，揭示新聞消費的層次化時間模式與內容依賴性。

系統測量20款熱門 AI 聊天機器人網路追蹤，發現多數共享對話內容與身份資訊，揭示隱私風險。

提出人機決策關係的五階段光譜，協助領導者調整權力與信任分配，提升決策效能與治理可持續性。

本研究探討 AI 閱讀助手如何避免「詮釋位移」，並提出評估 AI 是否能維持讀者主動思考能力的行為協議。

驗證多代理LLM系統角色忠實度，揭示認識限制導致角色偏離，並說明模型與事實檢查器對忠實度影響。

本文提出「信任支柱」概念，探討在 AI 代理系統中如何以明確介面建立可測量的信任，並警示廣告對「愛」的商業化可能削弱真實信任。