教育科技研究速報

本研究提出端到端代理系統，能自動從資料與高階任務描述生成專屬視覺分析應用，並在科學視覺競賽中證明其效能。

研究顯示，AI使用量與資訊品質共同決定邏輯推理技能成長，低資訊量AI削弱學習，高資訊量AI可提升短期表現。

手機通知抑制可顯著降低程式設計時的中斷頻率，提升多數學生的專注時間，且效應呈雙峰分布。

提出一種利用桑基圖將時間變化的高應變區域視覺化，提供全局時間概覽的摘要方法。

研究開發了一種能根據個人思維模式進行適應性調整的對話代理人，以促進決策時直覺與理性的整合。

研究大型工業AGV在實際與VR環境中，工人對通行距離與避碰動作的安全感知差異，並發現1.5-2米距離最受偏好。

提出 TA2CL 框架，透過局部時間非同步對齊對比學習，提升跨受試者 EEG 情緒辨識準確度。

利用LLM代理將電影角色轉為可調查對象，發現敘事加劇性別差距，且AI模型可能傳遞此偏差。

本文以四個月單一受試者案例，探討開源個人 AI 夥伴「Alicia」與作者之間的共創自我模型，證明成長觀察型原型與反思式自報能促進雙方的自我認知與持續互動。

本研究揭示兒科病患、照顧者與醫師對互動儀表板、VR模擬器與 AI 語音助手等協同決策技術的不同接受度，並指出信任是關鍵因素。

本研究比較了大型語言模型與傳統語義相似度方法在自動評分學生程式碼解釋任務中的表現。

本研究透過模擬框架發現，針對學習者的錯誤任務選擇策略施加系統約束，能有效減少過度練習並提升學習效率。