教育科技研究速報

開發了一套結合 AI 檢索與人工驗證的流程，用以量化評估電腦科學課程對國際標準的覆蓋度與深度。

本研究利用 fNIRS 與眼動追蹤數據，透過 CNN-LSTM 模型在低能見度駕駛環境下實現高準確度的認知負荷預測。

研究證明利用用戶的滑鼠軌跡與視線追蹤等隱性回饋，能顯著提升大型語言模型對齊的準確度與品質。

研究發現 LLM 的心理特質多源於測量工具的反應偏差，而非模型本身的真實特質。

本研究證實 AI 對話式訪談能有效結合大規模量化調查與深度質性洞察，克服傳統訪談難以規模化的困境。

本文透過系統性文獻回顧，探討大型語言模型在問卷調查研究各階段的應用現況、潛在案例與風險。

本文指出現行評估標準無法應對開放權重模型的風險，並提出四種應對不同風險層級的比例評估框架。

開發 ASTRA 系統透過在地化語音模型自動化空管訓練中的模擬員角色，並提供 AI 輔助的績效評估。

本研究透過布魯姆分類法評估六種 LLM 生成問題的認知層次，並提出提升高階思考問題產出率的策略。

本文提出 SciRisk-Bench 基準測試，從科學學科與風險維度兩大視角評估 AI 在科學研究中的安全性。

研究發現計算機專業學生雖具備網路安全知識，但在實務行為、責任認知與安全感上存在顯著的矛盾與不一致性。

本研究探討如何透過質性教育研究來優化視覺化工具設計，並揭示了量化頻率分析與質性深度探究之間的認知分歧。