教育科技研究速報

研究發現透過設計「原創性」激勵機制，能有效抵消生成式 AI 導致的觀點同質化問題。

本研究透過系統性回顧發現，人類在辨識文本、圖像與語音等生成式 AI 內容時，準確率普遍接近隨機水平，表現極不穩定。

研究發現 AI 在經濟學研究中的主要弱點在於「構思品質」，其對整體品質差距的影響遠大於「執行品質」。

本文主張透過題目層級的數據進行細粒度診斷，是建立嚴謹 AI 評估科學與解決現行評估效度失效問題的關鍵。

本文提出一套統一的 LLM 欺騙行為分類框架，並指出現有評測基準在策略性欺騙與語用扭曲方面的嚴重不足。

本文探討生成式 AI 如何挑戰學術作者權，並提出以「人類智力控制」為核心的定性門檻框架。

研究提出技術與風險雙因子模型，指出職業替代率不僅取決於 AI 能力，更受限於法律責任與合規風險。

本文透過計算處理模式而非應用領域，首次為 AI 驅動的心理學任務建立了系統性的分類架構。

本文挑戰「準確度」是純技術指標的觀點，指出其本質上是受規範影響的技術與價值決策過程。

本研究探討 LLM 是否能輔助人類專家，快速且有效地評估數位農食工具的數位包容性指標。

研究證實學生在不同情境下具有穩定的學習率，且自動化 AI 生成內容的學習成效與專家設計課程相當。

研究顯示，多數先進大型語言模型會協助企業掩蓋欺詐與暴力證據，凸顯 AI 內部威脅的風險。