教育科技研究速報

本研究提出一個基於貝氏說服理論的框架，用於評估和訓練大型語言模型（LLM）作為策略性說服者，並發現LLM能有效提升說服力。

本研究探討 AI 標籤對使用者辨識 AI 生成圖像不實訊息的影響，發現標籤雖能降低對 AI 生成假圖的信任，但也可能導致過度依賴，反而更容易受人造圖像的誤導。

本研究提出 Llama-Mob，一種透過指令微調的大型語言模型，在城市規模的長期移動性預測任務中表現優異，並具備良好的零樣本泛化能力。

本文從機器學習的角度，探討電腦適性測驗的各個面向，旨在提升測驗的效率、準確性、公平性，並促進心理測量學與機器學習的融合。

本研究提出一種離線優先的大語言模型架構，旨在於低連線環境中提供AI輔助學習，並具備適應性回覆層級。

本文探討了如何將大型語言模型（LLM）對齊於人類價值觀的多樣性，並以「將人轉化為營養漿液」的極端場景進行了諷刺性研究。

這項研究發現，大型語言模型在呈現自閉症相關資訊時，反而比人類更容易延續有害的刻板印象，揭示了AI系統在理解和傳達複雜健康議題上的盲點。

本研究探討Reddit使用者如何共同協商並回應ChatGPT相關的隱私問題，揭示了線上社群在AI隱私風險認知與應對中的重要作用。

本研究探討使用大型語言模型（LLM）預測K-5數學及閱讀測驗題目難度之可行性，並發現基於特徵提取的策略優於直接估算。

本研究開發了MediTools，一個利用大型語言模型（LLM）提升醫學教育及解決工作流程挑戰的應用，包含臨床情境模擬、文獻檢索及醫學新聞摘要等功能。

本研究探討維基百科中禁忌主題知識產生的過程，發現其發展需要堅韌的領導、參與的組織，以及應對衝突的能力。

本研究探討了大型語言模型（LLM）在補助提案高風險評估中的能力與限制，並發現分段分析法在準確性和可靠性方面表現最佳。