教育科技研究速報

本文提出 CausalDS 基準測試，旨在透過合成因果結構與自然語言故事，全面評估 AI 代理在數據科學工作流中的因果推理與工具使用能力。

研究者推出 PLURAL 數據集，透過將全球調查數據轉化為合成偏好數據，提升大型語言模型在不同文化價值觀下的對齊能力。

本研究透過訪談定義了數據密集型工作流中的除錯挑戰，並提出三項視覺化設計需求。

本研究提出三軸保真度框架，探討如何利用小規模人類數據透過微調來提升 LLM 模擬社會問卷的統計準確性。

開發名為 LUMEN 的開源多代理系統，能以低廉成本自動化執行系統性回顧，且結果與專家分析高度一致。

本研究探討如何將視覺分析的理論方法論轉化為實務應用，並透過行動研究分析其可行性與部署障礙。

提出 Adaptive Matrix Validation (AMV) 方法，透過少量結構化問題校準 AI 將自然語言訪談轉化為結構化數據的誤差。

本研究證實 AI 對話式訪談能有效結合大規模量化調查與深度質性洞察，克服傳統訪談難以規模化的困境。

本文透過系統性文獻回顧，探討大型語言模型在問卷調查研究各階段的應用現況、潛在案例與風險。

研究發現等級制評量會導致資訊熵大幅下降，造成學生學術特徵的「數據失語」與診斷精準度喪失。

本文提出一種透過開放式即時預測（Open Nowcasting）系統，每日自動收集並公開分析公眾對 AI 發展支持度的研究方法。

提出 Data2Story 多代理人框架，能自動化生成具備證據支撐與多模態呈現的數據新聞故事。