教育科技研究速報

提出代理式 AI 決策證據成熟度模型（DEMM），以屬性級重建評估證據充分性，並開源工具驗證其可行性。

提出並驗證一套 FMECA 框架，用於評估 LLM 生成臨床摘要之病患安全風險。

本文提出「代理式出版」框架，將傳統論文轉化為具備互動性、可由 AI 代理進行驗證與合成的動態知識系統。

提出 ZORO 介面將被動的編碼規則轉化為主動控制機制，透過強化規則執行與即時回饋提升人機協作效率。

本研究透過分析 Reddit 討論，揭示使用者如何偵測 AI 的諂媚行為，並指出其影響因情境而異。

提出 CodeZoom 方法，讓開發者透過偽代碼在不同語義抽象層級間迭代，提升對 LLM 生成程式碼的理解與控制力。

本文提出 STAMP-LLM 框架，利用心理計量學原理建立標準化的兩階段流程，以嚴謹評估大型語言模型的偏誤問題。

研究發現將 AI 作為主要伴侶使用，特別是高強度且高度自我揭露的互動，與較低的心理健康水平相關。

提出 Hyper-MML 框架，透過整合 EEG 生理訊號與音視訊數據，提升對話中情緒識別的準確度。

提出一種基於多代理 LLM 架構的框架，能將長篇臨床訪談分解為特定症狀任務，實現精準的憂鬱與焦慮評估。

研究指出 AI 導入失敗主因在於忽視員工需求，導致組織目標與實際工作流程之間存在嚴重脫節。

本文提出一種縱向對齊框架，透過追蹤使用者在實際應用後的反思與行為，解決現有 AI 評估過於依賴即時偏好的問題。