教育科技研究速報

研究探討透過視覺化碳足跡與延遲的權衡介面，如何影響大學生在 LLM 使用中的永續決策。

本文提出「慢 AI」框架，透過五項設計原則將環境永續性轉化為生成式 AI 的核心價值。

本文介紹一套旨在培養研究人員與技術專業人員倡議與組織變革能力的開放獲取課程。

本文提出將大語言模型視為產品，並運用歐盟廢棄物層級框架來減少其開發與使用過程中的環境衝擊。

研究指出每次 LLM 查詢對環境造成的隱性成本約為 0.4 美元及 10gCO2eq 的碳排放。

研究發現使用非推理模型與優化提示詞，能顯著降低 AI 運算帶來的能源消耗與環境負擔。

研究發現提升治療型 AI 的臨床安全性與環境成本之間存在非線性權衡，增加運算量並不一定能有效提升安全性。

本研究提出一種低成本的桌面虛擬化架構，利用回收的電視盒改裝為薄型客戶端，以促進教育數位包容。

本文探討機器學習對環境造成的巨大碳、水與土地足跡，並提出從硬體設計到經濟評估的多維度減排方案。

本文介紹 L5 程式庫，探討如何將永續計算（Permacomputing）原則應用於創意編程工具的設計中。

開發 SpheriCity 原型系統，透過強化證據溯源與結構化合成，解決 LLM 在永續報告分析中的幻覺與透明度問題。

本文指出 AI 教育研究中缺乏對 LLM 計算與環境成本的透明報告，並提出一套開源的測量與報告方法。