教育科技研究速報

本文提出「魯棒個體公平性」概念，並開發 RIFair 框架以揭露深度學習模型在面對擾動時隱藏的脆弱性。

提出一種透過操縱模型內部激活狀態的白箱審計框架，以更精準地檢測大型語言模型的偏見與敏感度。

本研究透過對德國體育系學生的調查，揭示了學生對 AI 工具的高接受度、對學術表現提升的期待，以及對抄襲與教學準備度的擔憂。

研究發現 LLM 在面對顯性標籤時表現公平，但隱藏標籤後公平性大幅下降，揭示了其道德行為僅是「表演式合規」。

提出一種以失敗驅動的自我改進機制，透過診斷失敗原因並生成代碼補丁，提升電腦操作代理人的成功率。

研究發現成年女性比青少年男性更容易將 AI 擬人化，且正向情緒表達與擬人化程度呈正相關。

本文探討代理型 AI 集體如何展現類似於人類組織的行為，並提出以「情境架構」取代「社會動機」作為運作核心。

研究發現 LLM 在解釋模糊刺激時會產生與人類行為模式截然不同的「刻板印象幻覺」。

本文提出 DURA 框架，透過去神祕化、引導使用、反思與評量，成功將 LLM 有效整合於 CS2 課程中。

研究分析了人類回饋如何優化 AI 生成的社群筆記，發現事實修正能提升筆記品質，但人類參與度仍是瓶頸。

研究發現學生在團隊協作時，使用大型語言模型（LLM）的頻率、提示策略及驗證行為皆顯著下降。

提出 ELEVATE 框架，透過 3D 虛擬化身與在地化執行模型，打造低成本、具隱私保護且多模態的生成式 AI 導師系統。