教育科技研究速報

本研究將 AI 依賴視為群體動態過程，發現社會學習與社會證明會共同形塑群體的校準程度。

研究發現非個性化的 AI 系統可能導致科學研究的同質化風險，而個性化 AI 能有效提升研究多樣性。

提出一種結合 AI 工具的多層次導師框架，讓高中生能透過 AI 輔助進行真實工程開發，並由大學生擔任技術架構師。

研究發現敘事框架雖受歡迎但易導致過度依賴，而權威框架雖不受歡迎卻有助於建立校準後的信任。

研究發現 LLM 在處理醫療資源分配時，其決策會因上下文是否包含先前的回應而產生截然不同的機率偏移。

研究發現 AI 翻譯的高可讀性可能掩蓋原文內容的流失，導致使用者在評估翻譯品質時產生認知偏差。

開發了一款名為 TractorBeam 的瀏覽器擴充功能，透過「協作式機器標註」概念，協助使用者在 PDF 文檔中進行探索性研究與意義建構。

本文總結了研討會對於從被動查詢轉向具備主動性、個人化且以人為中心之 AI 代理人的研究挑戰與核心議題。

本研究探討在非受控的真實環境中，利用多模態 AI 模型自動評估人機互動關係感（Rapport）的有效性。

提出 LEDGER 系統，透過分層追蹤圖譜將 LLM 代理的執行紀錄轉化為可審核的證據與決策路徑。

本研究發布了一個針對兒童 YouTube 影片中商業推廣內容的共享任務，旨在透過 AI 自動識別產品類型與法律風險。

本文主張應以「精準度」（輸出的一致性）而非「能力」（平均表現）來衡量 AI 系統，並提出了一套低成本的測量方法。