教育科技研究速報

本文探討 AI 訓練數據因包含過多生成內容而導致的「模型崩塌」現象，並從媒體考古學角度重新審視其美學意義。

本文提出 fog 框架，利用 AI 生成程式碼並透過函數組合，讓使用者能精確表達複雜的動作與情感動畫。

提出 SPIRE 框架，將簡報個人化視為逆向規劃問題，透過多代理人強化學習實現精細的頁面級設計。

開發出一種能將自然語言描述轉化為可即時調整、具音樂連貫性且不中斷的程序化音景生成系統。

研究發現 LLM 在驅動程式演化時會出現結構性收斂，導致變異陷入重複的模式而非持續探索新形式。

本研究透過關係性視角挑戰傳統種姓分類，揭示文字轉圖像模型如何透過演算法強化複雜的種姓歧視與規範。

提出一種基於點雲與結構感知樹狀標記化的自回歸框架，實現具備物理穩定性與幾何精確度的積木結構生成。

提出 DeepInterestGR 框架，透過多模態 LLM 挖掘用戶深層動機，顯著提升生成式推薦的精準度與解釋性。

研究發現 AI 生成的介面原型在實用性與效率上表現良好，但在原創性與創新性等享樂維度表現平庸。

提出一種檢索增強生成（RAG）框架，透過外部詞彙表實現受控且高語義保真度的語碼轉換生成。

研究揭示了廣泛用於訓練生成式 AI 的美學評估模型存在性別與文化偏見，強化了西方中心主義的美學觀。

本研究提出一種新方法，用於追蹤與識別 AI 在自然語言生成過程中扮演的隱性功能角色。