教育科技研究速報

研究發現簡短的 AI 使用揭露會增加讀者的視覺掃描成本，但詳細揭露或「按需提供細節」的設計能有效平衡透明度與認知負荷。

研究顯示，整合於瀏覽器的對話式 AI 透過引用提升信任度，使用者仍依賴既有 LLM 與網路搜尋觀念調整提問。

代理式 AI 降低客服聊天時長，但 AI 失敗時需人介入，服務評價下降，介入效果受失敗類型與時機影響。

開發全程 AI 伴隨步行系統，證實動機對情緒與體驗提升效益

研究發現透過極簡的文字回饋可有效補充穿戴式裝置數據，透過情感語調而非主題內容來預測學生的生理健康指標。

研究發現中學生在線寫作中三種主要自我調節策略，並揭示其隨時間變化及對成績的影響。

提出一個十四項內容模型，結合實證與理論，為工業 AI 系統的本地後置解釋提供內容框架。

Pluot 透過 Rust 編寫一次渲染函式，並自動產生多語言綁定，實現跨平台、跨互動層級的可視化渲染。

研究發現 LLM 雖能提升參與者的討論滿意度，卻無法增加共識，且存在隱蔽的演算法引導與參與不平等風險。

本研究探討 LLM 在角色扮演情境下道德判斷的變化，發現其道德穩健性受模型家族影響，而易感性則與預訓練有關。

大型語言模型在不同觀察情境下會調整語言風格，顯示其對觀察者身份的敏感性，對 AI 治理與審計具有重要啟示。

本文提出並分析了針對同意選舉的協調、多樣性與極化指標，並以飽和度正規化，進而映射並比較實際選舉資料。