教育科技研究速報

研究發現學生在團隊協作時，使用大型語言模型（LLM）的頻率、提示策略及驗證行為皆顯著下降。

提出 ELEVATE 框架，透過 3D 虛擬化身與在地化執行模型，打造低成本、具隱私保護且多模態的生成式 AI 導師系統。

本文提出一個基於「帕累托盈餘」的正式框架，旨在透過衡量學生超越 AI 基線的能力來實現抗 AI 的評量。

本研究透過文獻綜述提煉設計原則，並開發出以故事驅動的嚴肅遊戲原型，以支持 ADHD 與學習障礙學生轉銜至高等教育。

提出 LLMography 框架，透過分析人機對話歷程來評估 AI 協作的透明度、人類貢獻度與產出溯源性。

本文探討 AI 引入的「隱性機器知識」如何與人類知識互動，並重新定義組織創新中的知識螺旋過程。

研究指出傳統知識圖譜因過度依賴文本頻率而產生歸因偏差，並提出以時間溯源法修正後，能發現跨傳統的概念結構同構性。

研究證實透過 30 分鐘的結構化訓練，能顯著提升專業人員辨識真實與 AI 生成圖像的準確度。

研究證實僅需 45 分鐘的引導式提示詞教學，即可顯著提升學生對 LLM 提示詞撰寫的自我效能感。

研究探討 AI 工具如何改變學生在程式設計學習中的動機、價值觀與努力程度的心理衝突。

透過分析超過一萬五千次真實課業互動，揭示大學生使用生成式 AI 具有高度結構化且隨學科性質變化的模式。

本研究識別出學生使用 LLM 的四種不同依賴模式，並發現 AI 素養是決定使用類型、價值觀則影響使用強度的關鍵。