教育科技研究速報

提出「可縮放共情視覺化（ZEVs）」技術，讓使用者能在抽象統計數據與具象個人敘事間平滑切換，以增強情感連結。

研究發現觀眾偏好觀看難度較高的動作序列，但動作的危險程度並不直接預測觀賞的愉悅感。

本研究透過分析社群回饋與訪談，探討 AI 輔助標籤工具在開放知識社群中的成敗經驗與設計啟示。

研究發現 LLM 對話介面在低複雜度任務中能減輕認知負荷，但在複雜決策中其優勢會消失。

透過分析兩萬多場真實開發對話，揭示 AI 程式碼代理在理解意圖與執行任務時與開發者需求不一致的模式。

提出「行為規範」作為 AI 的詮釋層，能以極低成本提升 AI 對使用者行為與意圖的表徵準確度。

研究發現研究人員對 LLM 排行榜抱持「務實的懷疑」，雖不信任其可靠性，卻仍將其作為決策參考。

研究發現「壓力下的決策支持」情境需要高同理心與高工具性（實用性）的非對稱回應模式。

研究探討如何透過設計「一分鐘數位干預」來引發即時行動，並發現「共同創作」是實現輕量化個人化的有效機制。

本研究探討大眾如何感知 AI 的社交智能，發現人們傾向根據行為而非意圖進行判斷，且存在支持他人使用但拒絕個人使用的落差。

本研究開發 Robo-Blocks 工具，利用大型語言模型提供結構化敘事鷹架，協助新手在設計社交機器人時平衡 AI 輔助與自主編程能力。

研究發現動態注視點渲染（DFR）產生的 GPU 工作量差異，可被利用作為側信道來精準推測使用者的眼動位置。