教育科技研究速報

本文提出一種由 LLM 驅動的無程式碼流程，能將自然語言指令轉化為眼動追蹤數據分析與事件檢測。

本文提出「代理權分配框架 (AAF)」，將學習者代理權重新定義為決策權在學習者、教師、機構與 AI 之間的分配機制。

研究發現 LLM 的身分文件會在激活空間中形成「吸引子」幾何結構，使不同表述的身分資訊趨向一致的內部表示。

本文提出「記憶價值（Memory Worth）」指標，透過追蹤記憶與成功/失敗結果的關聯性，實現 AI 代理人記憶的動態管理。

研究發現將元認知模組僅作為輔助損失函數無法提升 AI 性能，必須將其結構化整合進決策路徑才具備潛力。

提出一種將學生程式開發過程轉化為對話格式的新方法，訓練出能精準模擬學生除錯行為的開源 AI 模型。

本研究證明能透過 fNIRS 腦訊號與機器學習模型，精準估算個人在數位任務中的認知努力程度。

研究發現生成式 AI 的使用動機會導致截然不同的腦部結構、學術表現與心理健康結果。

研究發現規則知識在模型層級中呈分佈式組織，並提出 DMLE 方法有效提升規則編輯的連貫性。

提出 BAIM 框架，利用語言模型將解題過程分解為四個階段，以捕捉學習者在解題行為中的動態特徵。

提出 DLR 框架，透過將查詢分解為文本前提並提取連續視覺潛在特徵，提升視覺語言模型的複雜推理能力。

研究開發了一種結合第一人稱視角與注視點數據的 AI 助手，能精準識別學習困難並提供個性化引導。