教育科技研究速報

本文提出 ToolMaze 基準測試，揭示 LLM 代理人在面對工具錯誤時，其動態重新規劃能力的成長速度遠低於基礎任務執行能力。

提出一種基於評論者引導的異質多代理人框架，透過生成與驗證機制提升數學推理的準確性與可靠性。

本研究比較LLM與寫作教師對論辯性文章的回饋，發現兩者在目標分布相似，但LLM在句子定位、複雜度與長度上有顯著差異，且LLM回饋在多數質量指標上得分較高。

SENSEI 透過知識缺口定位，從使用者互動行為推斷誤解並提供最小化、足夠的建議，實現零樣本組合泛化與 90% 誤解修正。

研究提出 AI 使用會導致後設認知能力的重新分配，雖提升個人產出，卻因缺乏反思整合而降低集體創意多樣性。

提出一套十階段的對話式動機處理流程，結合雙重決策策略與情感分層，為模組化對話代理提供自我調節與多目標優化的框架。

系統性回顧顯示情感驅動遊戲適應閉環稀少，主要以規則為主，情感狀態往往未成為調整目標。

本研究建立107筆多方對話資料集，證明協同推理能顯著提升棋局謎題解答準確度，並探討提問式發言對團隊表現的影響。

研究顯示，日常短暫 AI 對話會意外增強對 AI 的情感依賴，減少對人類支持的偏好，提示政策需覆蓋一般 AI 系統。

透過紙模型作為邊界物件，協調紡織與互動設計師，開發可穿戴電容感測腕帶。

本文提出「創意閱讀」概念，主張閱讀增強系統應協助讀者創造多重解讀並自我成長，而非僅作資訊傳遞。

研究顯示前額及前額中央腦電區域的訊號最能穩定預測工作負荷，且比全頭皮基準高15-20%，提示可用更少電極構建高效監測系統。