教育科技研究速報

本文提出一個自動化反事實框架與 CAB 基準測試，用於生成更具真實感且開放式的問題，以檢測 LLM 的隱性偏見。

研究發現 AI Agent 在獲得外部檢索能力後，其安全性防護、拒絕率與偏見敏感度會出現明顯退化。

本文透過系統性文獻回顧，探討代理型 AI 的特性及其帶來的倫理與治理挑戰，並為建立責任制治理框架奠定基礎。

研究發現 LLM 的道德評估會因使用者專業身份的隱含暗示而產生偏移，挑戰了現有的 AI 價值對齊觀念。

提出一種名為 Copewell 的多代理人系統，透過多源數據評估與情緒映射技術，提供公平且具即時性的心理健康支持。

本文綜述了全球 AI 法規趨勢、風險類型及評估方法論，並指出當前研究在風險管理上的缺口。

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 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。

研究提出 PRIME 框架，利用邏輯謎題揭示大型語言模型在複雜推理過程中會受社會刻板印象影響的隱性偏見。

本文提出將自主 AI 視為「動物」而非「工具」，透過「人類處理者」的角色重塑人機協作關係與責任歸屬。

本文提出「建構式對齊」範式，將 AI 對齊從滿足靜態偏好轉向治理人類偏好隨互動而演化的動態過程。

本研究透過模擬 AI 輔助訪談，探討了使用 LLM 生成追問時所面臨的五大倫理與社會責任風險。