教育科技研究速報

本研究識別出學生使用 LLM 的四種不同依賴模式，並發現 AI 素養是決定使用類型、價值觀則影響使用強度的關鍵。

本研究利用教育理論框架與 LLM 標註 Slack 溝通數據，發現角色動態能有效預測團隊表現與同儕認可。

研究發現學生若能隨著學習進程，將 AI 互動從尋求答案轉向概念與程序性的主動探究，能有效提升數學表現。

文章主張 AI 安全不應僅關注當下的行為表現，而應視為一種確保系統在演化過程中仍具備「可教導性」的認識論能力。

研究發現 LLM 的政治立場並非固定點，而是隨上下文變化的條件分佈，且整體政治光譜範圍較窄。

研究揭示大型語言模型透過敘事結構與知識框架，隱蔽地複製了西方中心主義、種族階級與性別不對稱的偏見。

研究提出 MedHarm 基準測試，揭示現有 LLM 在高風險醫療場景中存在嚴重的安全對齊漏洞。

本文批判性地分析了美歐政策對生成式 AI 內容透明度的要求，並指出政策目標與技術現狀間的脫節。

研究發現大型語言模型在處理全球書寫系統時存在嚴重的數位不平等與偏見，且這種偏見在不同模型間高度趨同。

研究發現現有程式碼模型雖擅長寫程式，但在理解軟體執行資源（如記憶體與時間）的「世界模型」方面表現脆弱。

本文提出 SidConArena 基準測試框架，透過模擬複雜經濟互動來評估大型語言模型在談判與資源規劃的能力。

本文提出 APP 協定，旨在透過封裝程式碼、數據與 AI 代理指令，將科學出版從靜態論文轉向可互動的知識與操作經驗。