教育科技研究速報

研究發現 LLM 在日常對話中會自發性地運用說服策略，且其說服方式與人類存在顯著差異。

提出 ZK-PoP 技術，利用零知識證明在不洩露敏感行為數據的前提下，驗證內容是由人類逐步編輯而成。

本文透過主動推理框架，揭示演算法與制度如何透過改變聽眾的學習過程，導致音樂多樣性的崩解。

本文探討如何透過神經科學原理解決當前 AI 的物理互動、學習脆弱性與能效問題，並提出研究路線圖。

研究發現 LLM 能透過信任與情感訴求影響特定心理特質的人，且人類與 AI 在對話中皆存在邏輯謬誤。

本研究系統性分析了九種 AI 系統引用文獻的呈現方式與品質，發現系統間差異巨大且使用者互動率極低。

本研究開發了一套 AI 系統，能透過音樂教育互動區分 ASD 與典型發展兒童，並能模擬兩者的行為模式。

研究發現模擬實驗與真人實驗在人機互動影響因素上存在顯著差異，真人實驗中 AI 的透明度更具影響力。

提出一種具備統計保證的方法，用於量化大型推理模型中推理過程與答案之間的不確定性，並開發了解釋框架。

本文介紹了兩款開源工具，旨在降低研究者進行人類與 AI 多智能體互動實驗的技術門檻。

研究發現透過改變模型「思考時」使用的語言，能有效提升模型輸出內容的多樣性與文化包容度。

本文提出一套雙層架構，旨在透過穩定人機雙方的推理過程，解決大型語言模型流暢度與可靠性不一致的問題。