该论文提出了一种基于远程数据科学（RDS）的隐私保护机器学习（PPML）框架，用于跨机构学生保留率预测。研究利用PySyft平台，设计了一个半气隙架构，包括高侧和低侧服务器，使得来自三所大学的研究人员能够在敏感学生数据上构建预测模型，而无需直接访问原始数据。实验使用一所小型私立大学的历史数据（N=720），评估了三种合成数据生成方法，并提出了一种名为“数据类型感知模板”（Data-Type-Aware Templates）的新型合成数据方法，该方法优先考虑隐私而非分布保真度。通过跨机构协作验证，该框架在不同机构间保持一致的分类性能（Macro F1: 0.690-0.695），同时严格遵守美国《家庭教育权利和隐私法案》（FERPA）。研究表明，基于RDS的PPML在教育场景中技术上可行，并且是小规模跨机构合作中联邦学习的一种实用替代方案。论文代码已开源。

本文总结了一项为期八年的硬件逆向工程（HRE）课程的设计经验与教训。集成电路（IC）的全球化制造流程面临供应链安全威胁，而HRE是检测这些威胁、重建信任的关键技术，但相关专业人才因缺乏教育项目而稀缺。该课程面向欧洲某研究型大学低年级本科生，重点教授数字电路分析和数字电路提取。课程从2017年至2025年迭代九次，多名校友后续从事HRE工作。作者反思了课程组织、内容和作业的演变，提炼出关键经验，并转化为设计优先级，强调迭代增长和可持续的工作量管理，为在快速发展的技术领域开发课程的 educators 提供 actionable insights。

本论文研究基于大语言模型的自动评分（AG）系统中的提示注入攻击。随着LLM在自动评分中的广泛应用，其安全风险日益突出。攻击者可能通过提示注入操纵评分系统，使系统无论答案质量如何都给出高分，严重威胁教育评估的公平性、可靠性和完整性。作者系统性地研究了此类攻击在教育场景中的有效性，并评估了现有防御策略的效果。实验表明，当前基于LLM的自动评分系统仍然高度易受提示注入攻击。该研究旨在提高对这一新兴威胁的认识，并推动未来构建安全、稳健和可信的LLM教育系统。

本论文从家长和教师的角度探讨智障儿童在使用移动设备时的数字安全问题。研究背景在于，虽然移动设备为特殊儿童提供了学习与交流机会，但也带来了隐私泄露、网络欺凌、过度使用等风险。智障儿童因认知能力有限，更难识别和应对这些风险。本文通过问卷调查和访谈收集家长和教师对风险的认知、当前防护措施以及所需支持的看法。研究发现，家长和教师普遍担忧孩子的在线安全，但缺乏有效的指导和工具。论文提出了一种教育干预框架，结合家长监控、学校教育和应用设计，旨在提升智障儿童的数字安全素养。实验部分对干预方案进行了初步评估，结果显示参与者的安全意识和行为有显著改善。该研究为特殊教育领域的数字安全实践提供了实证基础，并呼吁各方协作构建更安全的数字环境。