教育科技研究速報

研究發現 AI 標籤雖不直接影響作品品質評價，但會顯著降低讀者對創作投入程度的感知。

本研究證實 LLM 可生成有效教學內容，並發現不同題型對認知負荷與學習表現有顯著影響。

研究發現，僅提供 LLM 存取權不足以提升學習，必須透過引導式教學促進推理而非僅獲取答案。

研究發現制度信任會透過「制度稜鏡」框架，影響使用者對本土與全球 AI 模型在認知與情感層面的信任度。

本文提出 ASE-26 課程架構，旨在透過結構化教學培養能與 AI 代理協作的專業軟體工程師。

本文主張將公共部門使用的 LLM 提示詞視為受治理的公共資產，並提出「提示詞公地」框架以提升透明度與問責性。

透過機器學習分析 PISA 2022 數據，證實壓力對學業表現的負面影響在全球六大洲具有高度一致性。

研究發現地理文化差異是影響 AI 安全評估的重要變數，且現有數據集缺乏文化代表性。

本文提出 nexbax 診斷框架，評估 AI 在基礎設施受限環境下的經濟可行性、操作實用性與社會治理一致性。

本研究提出一個基於 CC2020 模型的可擴展框架，透過分析學習行為數據來量化評估演算法課程中學生的知識、技能與素養。

本研究提出評估與緩解 LLM 生成程式碼偏見的框架，並發現現有緩解策略效果有限。

本研究利用學習分析技術，透過知識網絡分析揭示不同 AI 素養程度學生在寫作任務中截然不同的互動策略。