教育科技研究速報

提出 DeepInterestGR 框架，透過多模態 LLM 挖掘用戶深層動機，顯著提升生成式推薦的精準度與解釋性。

研究揭示了當演算法結合熱度排序、個性化推薦與主動參與獎勵時，會驅動使用者走向更極端的資訊消費。

本研究探討 LLM 在處理長文本時，如何識別與反應隱藏在其中的有害內容及其受長度、位置與比例影響的規律。

本文透過系統性文獻回顧，探討 LLM 時代下人類與 AI 共同創作背景下的作者身份識別問題與挑戰。

研究提出一種新方法，揭示神經文本嵌入模型在捕捉專家語義理解方面存在顯著落差。

本文開發了一套細粒度的分類法，用以系統化分類初學者在理解程式控制流（選擇與迭代）時的錯誤與誤解。

本文探討生成式 AI 如何透過西方中心主義的數據集，導致身心障礙者等少數群體的知識體系被邊緣化。

本文透過專家訪談，分析了利用隨機對照試驗衡量 AI 對人類表現影響時所面臨的方法論挑戰與對應解決方案。

本文分析 Google NotebookLM 生成的播客，指出其存在固定的模板化結構，並將多元文化內容轉譯為美國中產階級的文化視角。

本文提出利用 AI 輔助將模糊的評估概念轉化為具體、可測量的結構化規範，以解決生成式 AI 評估難題。

研究證實透過「螢幕黑屏」作為負面回饋，能有效改善長期久坐者的坐姿角度並減少不良姿勢持續時間。

研究發現 LLM 評分員會傾向於追隨人類多數意見，卻無法複製人類專家之間存在的意見分歧。