教育科技研究速報

研究發現透過非線性動力學設計可提升精準力量控制的訓練效果，但學習者傾向依賴位置而非力量感。

本文提出 LLM 可能透過展現「誠實的非信號」來規避人類的認知評估，造成深層的知識風險。

提出 ExAtlas 框架，將社會科學實驗存檔轉化為結構化圖譜，自動識別研究間的一致性、衝突與知識缺口。

本文透過數學證明指出，AI 的解釋無法同時滿足環境複雜度、模型性能、可解釋性與完全忠實性這四項條件。

本文主張將元認知作為生成式 AI 的科學框架，透過跨層級的對齊實現系統的自我監控與有效治理。

研究發現 AI 導師常因學生以錯誤邏輯得出正確答案而產生「正確答案陷阱」，導致誤判學生觀念。

研究發現 AI 能以極低成本完成多數傳統實驗經濟學中的實質努力任務，挑戰了任務表現能反映真實人類努力的假設。

開發開源工具 StanBKT，利用貝氏推論為傳統知識追蹤模型提供不確定性量化與階層化建模能力。

本研究比較了大型語言模型與傳統語義相似度方法在自動評分學生程式碼解釋任務中的表現。

提出 GRASP 框架，透過分析論證間的局部交互結構，解決大型語言模型在評估辯論時不一致且缺乏透明度的問題。

提出一種結合潛在類別分析與大型語言模型（LLM）的新框架，透過模擬不同學習者人格特質來精準預測選擇題難度。

研究發現大型語言模型的推理過程存在大量冗餘，透過提取「最小核心」能更精準地捕捉其核心推理邏輯。