教育科技研究速報

LLM 透過重構語境能提升保守派對自由派新聞的信任與參與，且模型高估自身效益。

以城市規劃批判實用主義為基礎，提出可調整的算法公平框架並在房貸、學校選擇及女性殺害數據收集案例中驗證

AI在低成本產出判斷的同時，科學機構需重新設計認證體系以應對四大稀缺資源。

在42門CS課程中，持續使用HRCF可提升小中規模課程學習評價0.045-0.048分，未見大規模課程或教學質量變化。

提出一套包含五大原則與三十三條具體指引的 AI 評估 RCT 框架，強調人類表現、因果推論與透明度，並針對 AI 特有挑戰提供實務解決方案。

研究顯示，截斷學生練習序列會大幅擴大學習速率變異，挑戰先前「驚人規律」的結論。

提出基於 FLOPs 的框架，估算 Hugging Face 開源模型訓練碳排放，發現熱門模型已產生約 5.8×10^4 公噸碳排放，並提供可擴展的碳會計方法。

本文首次量化整個模型開發流程（含後期訓練）的能源、碳排放與水耗，顯示後期訓練成本遠高於預訓練，並呼籲完整報告以降低 AI 環境足跡。

提出LLM驅動的不確定性評估框架，提升危機報告的可信度與資訊優先排序

本研究證明僅透過 VR 遙測數據即可有效推斷使用者的混淆、猶豫與準備等瞬時認知狀態。

本研究透過 NDBench 框架發現，LLM 在明確指令下能針對神經多樣性需求調整輸出結構，但僅靠角色設定不足以減少潛在傷害。

提出一個基於多代理協作的對話式系統，透過動態對話與情境感知來精準推薦心理評估量表。