教育科技研究速報

研究揭示 AI 模型開發者利用選擇性基準測試進行市場定位，而非進行標準化的科學評估。

研究發現增加代理系統的編排複雜度並不一定能提升任務成功率，反而會增加運作噪音與成本。

提出 MSIFR 框架，透過在生成過程中途偵測並終止低品質樣本，大幅降低 LLM 合成數據的 Token 消耗。

本文推出首個大規模研究生級數學自動形式化基準測試 MathAtlas，包含五萬多個數學實體與依賴關係圖。

提出一種模態感知信用分配機制，透過區分感知錯誤與邏輯錯誤，提升視覺語言模型的協同效能。

研究發現 LLM 在判斷需要工具與實際執行工具調用之間存在顯著落差，即「知行差距」。

提出一種透過「一元關係整合碼」進行數據預處理的新方法，以提升大型語言模型的邏輯推理效率與可靠性。

本文提出一個結合認知功能與執行拓撲的二維分類框架，用以系統化定義與設計 AI Agent 的架構模式。

結合EEG與AR視覺任務，利用RDWT深度網路與DTW估算個別眼動反應時間，證明此方法能有效區分mTBI受試者。

提出情緒驅動的有狀態記憶架構，顯著提升語言模型在多情境對話中的個性化表現。

利用LLM進行半結構化訪談並結合語義特徵，AI在個人化圖像美學評估上優於人類與傳統模型。

本文提出LLM導師需具備社會-認知勇氣，並創建EduFrameTrap基準以評估其在面對奉承壓力時的正確性與安全性。