教育科技研究速報

研究發現 AI 搜尋透過在介面內直接解決資訊需求，大幅降低了導流至外部網站的比例，正威脅傳統網路流量經濟。

提出 ToE 框架，透過動態擴展的論證樹與強化學習，提升 AI 在面對惡意誤導資訊時的事實查核能力。

提出一種多層次 AI 架構，將資訊失序分析從單純的事實查核轉向多維度的資訊環境結構化表徵。

開發 EvidenceLens 視覺化原型，將 AI 財務問答拆解為主張與證據的對齊問題，以提升回答的可驗證性。

本文提出一套重新設計網路架構的原則，將 AI 代理人視為一等公民，從存取、經濟與內容層面重構網路社會契約。

研究提出 SearchGEO 框架，揭示 LLM 搜尋代理易受網路惡意內容操縱，導致其將錯誤資訊轉化為錯誤的建議或背書。

研究發現 LLM 作為新聞引擎時，其資訊篩選的多樣性與意識形態偏向與傳統搜尋引擎顯著不同。

本研究利用權威訊號框架分析 Claude AI 在回答健康問題時引用來源的可靠性與機構類型。

提出 MERIT 框架，透過四個專業模組分解驗證流程，顯著提升多模態虛假訊息檢測的準確度與解釋性。

本研究系統性分析了九種 AI 系統引用文獻的呈現方式與品質，發現系統間差異巨大且使用者互動率極低。

研究提出 MANYFAKE 基準測試，揭示現有 AI 檢測器在面對人機協作、真假參雜的精細假新聞時表現脆弱。

研究發現 LLM 驅動的商業推廣比傳統搜尋引擎更具說服力，且使用者極難察覺其隱蔽的導向行為。