教育科技研究速報

本研究開發 StanceLab 原型，透過面試者、導師與對手三種 AI 角色，協助使用者在參與討論前進行立場反思與修訂。

本文提出「知識遷移」概念，藉由新指標評估 AI 工具在輔助判斷後，能否提升使用者獨立驗證的能力。

研究發現師培生對 AI 回饋的認知受來源標籤影響，但實際的回饋吸收程度僅與回饋品質相關。

提出 VizAnchor 框架，利用雙錨點機制與多代理人推理，自動偵測、定位並解釋視覺化圖表的竄改行為與誤導意圖。

開發一種整合多模態特徵與不確定性量化的框架，以應對線上學習參與度預測中的高變異性與主觀性挑戰。

研究發現傳統的記憶問答準確率與用戶滿意度無關，真正的關鍵在於 AI 能否將過往資訊自然地融入對話中。

本文提出一套新尺度，用以分類人機教學中的耦合動力學，並探討其對教學成效與人類感知的影響。

本文主張在利用 LLM 分析學生言談時，應賦予青少年認識論權威，以修正現有評估模式對邊緣化學生的偏見。

本文指出當前 AI 代理人的開發模式正削弱人類的監督能力與認知技能，呼籲應將人類監督的需求置於與 AI 能力同等重要的地位。

開發 Aura 框架，透過即時臉部表情感知情緒，動態調整 LLM 回應以提升學習效率與互動滿意度。

本文提出「歷史根據率 (HGR)」指標，用以量化並優化 AI 生成敘事中歷史證據與即時情境資訊的平衡比例。

研究探討用戶在自主定義與訓練個人化機器學習系統時，如何透過定義現象與數據來協商系統的本體論邊界。