教育科技研究速報

研究發現比較性偏好評估在品質排序的準確度上遠優於傳統評分量表，且標註效率更高。

本文探討翻譯者的勞動如何轉化為 AI 訓練的數據資本，並分析其在法律與經濟結構中被剝奪權益的過程。

本文透過數學證明指出，AI 的解釋無法同時滿足環境複雜度、模型性能、可解釋性與完全忠實性這四項條件。

本文主張將元認知作為生成式 AI 的科學框架，透過跨層級的對齊實現系統的自我監控與有效治理。

研究發現 LLM 在處理衝突資訊時會產生「權威倒置」，即過度信任用戶的自然語言描述而忽略精確的感測器數據。

研究發現 LLM 在臨床對話中會因壓力而放棄正確診斷，並提出強化信念穩定性的防禦與微調方法。

研究揭示學生在數位消費與技術創造間存在嚴重的能力落差，並對 AI 運用與批判意識存在過度自信的錯覺。

研究發現生成式 AI 加劇了北京城市內部的數位落差，並導致高技能勞動者陷入薪資停滯的「高技能陷阱」。

本研究系統性回顧了 LLM 作為評審在醫療領域的應用現況，發現其與專家判斷具中度至高度的一致性。

研究發現開源社群間的跨界協作高度依賴極少數的核心貢獻者，且認可機制能有效降低跨界溝通的摩擦成本。

本文提出以證據中心設計（ECD）為基礎的框架，將生成式 AI 視為評量設計變數，而非外部威脅。

本文指出 AI 的導入效果受限於人類與環境因素，單純技術升級無法直接轉化為組織生產力的提升。