教育科技研究速報

本研究提出 CalBrief 基準測試，發現 LLM 在進行科學簡報時，精細的證據強度分類會導致過度保守的判斷。

提出 TRL 方法，讓強大模型在強化學習中與較弱模型協作，提升推理過程的可讀性與兼容性。

提出 SD-GPS 框架，透過求解器驅動的自動形式化與驗證機制，提升多模態模型解決幾何問題的精確度。

提出一種結合符號驗證與自然語言描述的框架，透過迭代修正提升大型語言模型在長程規劃任務中的可靠性。

提出 ToE 框架，透過動態擴展的論證樹與強化學習，提升 AI 在面對惡意誤導資訊時的事實查核能力。

提出 MER-R1 框架，利用強化學習結合「快思考」的高召回率與「慢思考」的高精準度，優化多模態情緒識別。

提出三階段訓練框架，讓 LLM 代理具備模擬未來狀態與評估成功率的「世界模型」能力。

研究發現人格提示對 LLM 團隊的影響取決於任務結構，在開放式協作中人格特質會顯著影響表現。

本文提出 AI-ModelNet 概念，旨在建立一個讓異質大型模型能互聯、共享能力並協作推理的新型網絡架構。

研究發現生成式 AI 會導致技能重疊領域的市場萎縮，並引發勞動力向程式設計等領域轉移。

開發出一套隱私保護的系統，利用骨架與視線數據結合大型語言模型，實現教室學生注意力的自動化分析。

本研究透過分析學生與 ChatGPT 的互動紀錄，揭示了不同背景與自我效能感如何影響 AI 使用模式及其對學習體驗的影響。