本文討論了在醫學教育中整合大型語言模型（LLMs）所面臨的機遇和挑戰。像OpenAI的ChatGPT這樣的LLMs有潛力改變教學方式，提供學生更豐富的資訊和個人化學習體驗，提升臨床技能。然而，挑戰包括學術不端風險、過度依賴AI、影響批判性思考、內容準確性疑慮和對教學人員的影響。 PubMed DOI

這篇文章探討大型語言模型（LLMs）對醫學教育的影響，指出其潛在好處如提升教學品質、個性化學習及增強臨床技能訓練等。然而，也提到挑戰，包括資訊準確性、過度依賴科技、缺乏情感智慧，以及隱私和數據安全的倫理問題。為了有效整合LLMs，教育者需具備適應性，培養批判性思維，並重視實踐經驗，以培養既懂科技又具職業倫理的醫療專業人員，應對未來挑戰。 PubMed DOI

這篇文章探討大型語言模型（LLMs）在教育中的角色，指出其潛在好處與挑戰。雖然LLMs能生成超越人類的文本，但在教育中使用時需謹慎，因為可能存在透明度不足和偏見等問題。文章建議將專家資源如OpenLogos整合進語言生成工具，並強調制定清晰的指導方針和倫理標準的重要性。Multi3Generation COST Action（CA18231）被視為推動自然語言生成研究的關鍵倡議，呼籲教育工作者接受創新工具，增強學習環境，同時兼顧傳統教育價值。 PubMed DOI

生成式人工智慧，特別是大型語言模型（LLMs），在兒科教育和訓練上有很大潛力。這些模型能幫助教育者改善課程設計、制定個性化學習計畫，並提供即時反饋，還能協助醫生簡化資訊搜尋，提升診所效率。不過，LLMs也可能產生不準確資訊，並引發偏見和倫理問題。因此，專業人士需謹慎使用並審查其輸出。為確保安全有效的應用，相關方應建立明確的指導方針和政策。本文探討了LLMs在兒科教育中的歷史、應用及挑戰。 PubMed DOI

這項研究探討大型語言模型（LLMs）在護理教育中的應用，強調轉向更互動的學習環境。研究分析了自2022年以來的文獻，找出19篇相關研究。結果顯示，LLMs在自然語言處理的進步，能改善課程傳遞、促進批判性思維，並模擬複雜的臨床情境。文章全面分析了目前的應用、挑戰及未來研究方向，特別是像ChatGPT這樣的LLMs在護理教育中的使用，並呼籲整合人工智慧以提升教育成果，確保道德與有效性。 PubMed DOI

大型語言模型（LLMs）在智能視覺化系統中有很大潛力，尤其在專業應用上，但整合時面臨挑戰，包括領域特定問題、視覺化過程及用戶互動。為解決這些問題，我們提出了一個框架，利用微調的LLMs來改善視覺互動。 在教育領域，智能視覺化系統能支持初學者的自我調節學習。我們介紹了Tailor-Mind，一個互動式視覺化系統，幫助AI初學者進行自我調節學習。研究顯示，Tailor-Mind能提供個性化建議，增強學習體驗，驗證了我們框架的有效性。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是GPT-4，如何應用於分析課堂對話，以評估教學品質和診斷教育需求。傳統質性分析方法耗時且需專業知識，研究旨在確認LLMs是否能簡化此過程。研究使用中學數學和中文課的數據，將專家手動編碼的結果與GPT-4生成的結果進行比較。結果顯示，GPT-4能顯著節省時間，且編碼一致性高，顯示LLMs在教學評估和教育改進上具潛力。 PubMed DOI

近年來，大型語言模型（LLMs）在教育領域的應用越來越普遍，然而創建個性化學習環境仍面臨挑戰。文章提到三大挑戰：首先是可解釋性，需增強對LLMs如何理解學習者的認識；其次是適應性，需開發技術提供個性化教學支持；最後是創作與評估，需建立基於LLM的教育代理。克服這些挑戰將有助於打造更符合學生需求的AI輔導員，進而提升學習成效。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是ChatGPT，如何幫助準備服務的小學數學教師在幾何學中發展數學證明。研究分析了學生與LLMs的經驗、對模型運作的信念及互動情況。結果顯示，學生對LLMs的經驗有限，主要用於非數學領域，且對技術的理解多為表面，存在誤解。分析中也發現了不同類型的數學提示，並在互動中識別出三個層級的模式。 PubMed DOI

這篇論文探討了一種新方法，透過檢索增強生成（RAG）框架來評估教師與學生的模擬教學。傳統方法需教師直接參與，增加工作負擔，限制學生獨立練習。研究使用開源工具，如FastChat和Whisper，搭配本地大型語言模型（LLM）分析教學音頻。評估了三個7B參數的開源中文LLM，結果顯示internlm2模型在分析教學音頻及提供反饋方面表現優異。研究還對10名參賽者的模擬教學進行系統分析，並由專家手動評分，驗證系統有效性，顯示先進語言技術在教育評估中的潛力。 PubMed DOI