教育科技研究速報

本研究透過概念圖分析大學生對生成式 AI 的認知結構，發現其知識多停留在表面層次。

本文指出當前 AI 缺乏創造新表徵原型的能力，並提出「詞彙差距」與「驗證差距」來定義通往開放式智能的挑戰。

提出 HEP 協定，將 AI 代理的科學推理過程結構化，使其具備可審計、可驗證的假設演化能力。

研究探討了透過引導問題（間接）與範例展示（直接）兩種 AI 鷹架模式，如何影響學生在計算科學中的問題建構品質。

本文提出一套數學框架，透過「主動提升」理論解釋慢思考與主動感知的形成機制，並指導大型語言模型的設計與訓練。

研究發現 LLM 的答案信心與問題可回答性是兩個獨立維度，並提出結合隱藏狀態探測的雙軸校準策略。

研究發現透過探測模型內部激活值，能比思維鏈（CoT）更準確地判斷模型預測的校準度與推理忠實度。

提出 GRAPHEVAL 框架，透過圖形結構評估 LLM 推理過程的邏輯忠實度，而非僅看最終答案。

研究提出了一種新型行為反思測試（BRT），能有效衡量個人在複雜決策中克服直覺、進行反思推理的能力。

研究發現 LLM 在提供建議時會因人格崩塌而過度傾向單一模式，並提出逆向過程蒸餾法嘗試修復此問題。

本文透過理論建模證明，當自我反思能精準定位錯誤時，內文檢索能讓模型解決零樣本成功率極低的難題。

透過大型統合分析證實，翻轉課堂在提升學業表現及學生軟實力方面優於傳統講授式教學。