教育科技研究速報

本文指出分散式訓練可逃避計算治理，並提出檢測與防範措施。

提出以「最大化不同立場群體認可度」定義 AI 政治中立，並透過大規模數據集驗證模型偏向。

研究提出 KGR 技術，利用大型語言模型生成動態關鍵詞，提升青少年心理危機識別的精準度與文化敏感度。

研究顯示，LLM輸出中不同粒度的不確定性表達會改變使用者的信任與驗證行為，token級別提升同意度，relation級別降低自信並減少外部驗證。

研究發現即便具備檢證工具，用戶對 AI 的過度依賴仍持續存在，且驗證行為主要受用戶既有認知驅動。

本研究開發 Robo-Blocks 工具，利用大型語言模型提供結構化敘事鷹架，協助新手在設計社交機器人時平衡 AI 輔助與自主編程能力。

提出容量受限的代理分配問題，並開發序列探索-利用策略學習算法，實驗證明在多種任務與代理類型上均優於非上下文基線。

開發低成本互動剪刀，透過即時回饋提升 K‑2 學生遠距藝術課程中的精細運動技能。

本文主張解釋不應被視為靜態文本，而是需要透過對話層面（時間、語氣、角色、歷史）來提升其有效性，並提出 HC2XAI 的願景。

提出一套基於任務風險與驗證成本的自動化層級選擇框架，促進人機協作的互惠互賴，並以案例驗證其有效性。

提出音頻優先、視覺分離的AR設計，提升幼兒移動學習的安全與隱私。

研究顯示，具備高度人性化語音與身體化的對話代理在移動嚴肅遊戲中更受使用者偏好，並揭示角色、混合主動對話與錯誤修復對人機協作的重要性。