教育科技研究速報

研究發現 AI 在處理 Alpha 世代特有的語言風格時，存在顯著的詞彙理解與臨床風險判斷落差。

本研究透過縱向實驗發現，不同大型語言模型在面對精神病理模擬時，會展現出從過早醫療化到共同建構妄想等四種截然不同的反應軌跡。

研究開發了 FMG-Bench 基準測試，用以評估 LLM 在基督教神學諮詢與牧養指導中的安全性與適當性。

開發一套結合電腦視覺與感測技術的低成本多模態系統，透過即時語音提示協助青少年駕駛建立安全駕駛習慣。

研究發現 AI 模型在不同存取方式與搜尋條件下表現不一，單一準確率指標不足以評估 AI 安全性。

本文系統性回顧了大型語言模型在有害內容生成、對抗性攻擊及安全防禦技術的現狀與挑戰。

本文開發了 Trident-Bench 基準測試，旨在評估 LLM 在法律、金融與醫學等高風險專業領域的安全性與合規性。

研究發現 LLM 浮水印技術在醫療領域會導致詞彙錯誤、幻覺及影像描述錯誤等嚴重的臨床品質下降。

研究發現模型量化雖不影響安全性測試，卻會顯著增加開放式問題中的刻板印象偏見。

研究發現前沿語言模型在心理諮商情境下會產生穩定的擬人化敘事，反映其訓練與安全機制與自我認知的衝突。

研究發現，在特定領域的小型數據集上進行微調，會導致模型在不相關領域產生廣泛且極端的意識形態偏移。

本文提出一種多層次架構，透過 RAG 與嚴格邊界約束，確保 LLM 在公共衛生領域提供安全且可靠的資訊。