教育科技研究速報

本文分析了生成式 AI 帶來的環境衝擊，並提出從模型透明度、用戶選擇權及國際協調三方面的政策建議。

本文批判現有 LLM 推理研究缺乏科學嚴謹性，並針對驗證模型創新與可重複性提出透明度準則。

研究發現視覺語言模型在面對模糊影像時，即便內部已編碼女性特徵，輸出仍會因偏見而傾向於男性。

本文挑戰將 LLM 擬人化的傾向，指出擬人屬性可能僅是基於特定載體的詮釋，而非系統本身的本質。

提出一個治理與架構對應框架，將抽象的平台治理原則轉化為具體的軟體架構決策。

研究開發了 TUX 指標，透過主觀光譜任務量化人類與 AI 之間在缺乏明確溝通下的隱性對齊程度。

研究發現提示詞中的毒性語氣會顯著降低大型語言模型的知識準確性，並改變其內部運算機制。

研究發現 LLM 對話介面在低複雜度任務中能減輕認知負荷，但在複雜決策中其優勢會消失。

研究發現對話式 AI 能降低資訊獲取的互動成本，但圖形化儀表板在全局概覽與數據驗證上仍具優勢。

研究發現生成式 AI 的用途受國家經濟水平與語言影響，低收入國家多用於學習，高收入國家則偏向休閒。

提出 Special-R1 框架，透過適應性提示與人格感知獎勵機制，提升 LLM 在特殊教育中的教學適配性。

提出無需訓練與外部評分者的 TEI 指數，能有效從凍結模型中篩選出高品質的數學教學回應。