教育科技研究速報

提出 AutoPersonas 架構，透過分離環境事件與人格狀態，解決 AI 角色在長期模擬中陷入行為重複與環境停滯的問題。

本文透過代理人模擬研究，將信任視為集體資源，揭示錯誤資訊如何透過消耗社會信任與注意力資源導致系統崩潰。

本文提出 SidConArena 基準測試框架，透過模擬複雜經濟互動來評估大型語言模型在談判與資源規劃的能力。

SweetRush 憑藉其卓越的模擬訓練解決方案，在提升學習者技能與決策能力方面獲得業界高度認可。

開發 SupplyNet 系統，結合 LLM 多智能體模擬與視覺化工具，提升學習者對複雜供應鏈動態的理解與參與度。

研究發現 LLM 在模擬人類行為時存在「人格流形崩塌」現象，即過於豐富的人格描述反而會降低行為多樣性。

開發 EduMirror 模擬器，透過結合心理學需求的價值驅動智能體，實現對教育社會動態的科學化模擬與干預分析。

本研究開發了一套結合豐富生命史敘事的框架，透過高效能演算法實現低成本且高擬真度的居民行為模擬。

本文指出，僅靠LLM代理無法實現真實社會模擬，需考慮環境、排程與先驗設定。

探討如何透過大規模的角色扮演與模擬學習技術，提升企業銷售培訓的成效與現代化銷售賦能策略。

研究發現 LLM 雖能模擬合理的個體，卻無法準確代表真實人口的統計分佈，存在嚴重的偏差與群體抹除風險。

研究發現 LLM 能模擬人類的集體信念更新趨勢，但在效應強度與調節模式上與真人數據存在差異。