教育科技研究速報

本研究揭示了自動提示優化（APO）方法中存在的黑箱問題，並提出了 VISTA 框架，提升了提示優化的可解釋性與效能。

LLM代理能利用散布線索自行推斷真實身份，顯示去匿名化風險升高。

開發 LGESynthNet 以可控方式合成心臟瘢痕影像，僅用 429 張圖像即提升分割與偵測準確度 6–20 分。

儘管語言模型內部表現卓越，但現有機制可解釋性方法無法有效修正其輸出錯誤，揭示知識與行動之間存在巨大落差。

本研究利用自然語言處理技術，分析 Moltbook 平台上政治宣傳的規模、分佈及產生者，揭示少數社群與個體在政治宣傳傳播中扮演的重要角色。

本文將微分方程式作為理論基礎，系統性闡述其在深度神經網路架構、性能提升與實務應用中的作用。

提出 MemArchitect，透過規則治理 LLM 記憶，提升代理人安全與效能。

本研究提出 FaithSteer-BENCH，旨在透過部署導向的壓力測試，評估大型語言模型（LLM）推控方法的可靠性與實用性。

本研究量化了臨床醫師如何修改環境AI生成的草稿臨床筆記，將通俗易懂的語言轉化為標準的臨床術語，以符合專業記錄規範。

本研究揭示了現有健康相關大型語言模型（LLM）評估基準資料與真實臨床需求之間存在有效性落差，缺乏代表性及關鍵臨床資訊。

本文介紹了教育資料探勘自動研究系統 (EDM-ARS)，它是一個利用多智能體管道自動執行端到端教育資料探勘研究的領域特定系統。

本研究結合微調與經驗檢索，訓練 LLM 代理，有效利用上下文中的檢索軌跡，提升對未知任務的泛化能力。