教育科技研究速報

本文提出一個以人為中心的框架，旨在解決 AI 社會技術對齊中缺乏明確規範定義與理論基礎的問題。

本文提出一套審計框架，旨在應對 LLM 產出的偽理性認知風險，並將 AI 生成內容回歸至可驗證的實務流程。

本研究評估多種 LLM 在離散數學考試評分中的表現，發現採用「寬鬆型」提示詞能有效提升評分準確度。

本文提出一個評估 AI 代理人使用科學模擬工具能力的基準測試，揭示工具使用雖能提升準確度，卻也可能導致性能退化。

提出 SPIRE 框架，將簡報個人化視為逆向規劃問題，透過多代理人強化學習實現精細的頁面級設計。

Seed2.0 模型系列透過建立以用戶需求為核心的評估系統，顯著提升了處理長尾知識與複雜指令遵循的能力。

研究發現記憶架構對 LLM 代理人協作語言的影響力大於通道容量，具備「私人筆記」的架構能有效避免協作崩潰。

本文提出 MMM 資料模型，旨在打破以文件為中心的限制，建立一種兼具結構規範與表達自由的知識記錄架構。

本文提出 PHASE 指引，將系統安全框架 STPA 轉化為適用於 AI 開發與運作流程的危害分析方法。

提出 CriterionSI 方法，利用 LLM 從使用者的連續拖拽行為中推論並精煉聚類標準，實現動態的圖像佈局重投影。

提出一種「流動人格框架」，讓 AI 代理能根據任務情境、使用者目標與緊急程度，動態調整其隱喻角色與人格表現強度。

本研究評估了三大頂尖 LLM 在 13 種細粒度情緒分類任務中的表現，發現模型在處理複雜情緒時存在顯著侷限。