教育科技研究速報

提出一種基於資訊理論的新型評分機制，能同時兼顧生成內容的準確性與原創性，並透過強化學習優化大型語言模型。

本文綜述了 TrustNLP 六年來的研究演進，揭示了 NLP 領域從事後解釋模型轉向主動控制生成式系統的趨勢。

研究發現候選人多透過敘事而非關鍵字展現軟實力，且傳統關鍵字篩選法會系統性遺漏技術人才的軟實力特質。

本文提出 MoCA 任務與基準測試，並開發 CoDAR 框架以提升 AI 理解人類隱含社交意圖的能力。

本研究探討五種開源大型語言模型在指代消解過程中，是否展現出與人類相似的認知處理特性。

研究證實透過檢索相關範例來增強提示詞，能有效提升大型語言模型進行文件級文本簡化的品質。

研究發現將在地化原則嵌入提示詞（Prompt）中，能顯著提升 LLM 處理時間、數字與日期轉換的準確度。

提出 ConWriter 框架，透過場景級增量寫作與符號狀態推理，解決長篇故事生成中的一致性錯誤問題。

提出一種模組化框架，透過發現潛在領域並訓練獨立的 LoRA 適配器，實現無需重新訓練全模型即可擴展新領域的能力。

研究發現傳統情緒分析會導致「中立坍塌」現象，而 LLM 能提供更符合社會科學需求的政治框架多維度分析。

本研究透過變動嵌入模型、語料庫與評估者，揭示了 GraphRAG 在引用精準度上的結構性缺陷及其受語料性質影響的特性。

研究發現結合對話情境與用戶歷史的輕量化個性化反駁策略，能有效提升 AI 生成言論的說服力與適當性。