教育科技研究速報

提出「可縮放共情視覺化（ZEVs）」技術，讓使用者能在抽象統計數據與具象個人敘事間平滑切換，以增強情感連結。

研究發現觀眾偏好觀看難度較高的動作序列，但動作的危險程度並不直接預測觀賞的愉悅感。

本研究透過分析社群回饋與訪談，探討 AI 輔助標籤工具在開放知識社群中的成敗經驗與設計啟示。

透過將網站從數據中心遷移至回收電子設備建成的太陽能伺服器，探討永續運算的實踐路徑與美學轉向。

提出 Rationalize 框架，透過四種角色對組合，在共享推理空間中實現人與 AI 意圖與行動的雙向對齊。

研究利用 AlphaEvolve 工具發現，在重複博弈情境中，頂尖大型語言模型的策略深度可能超越人類。

提出結合行為評估與內部表徵分析的框架，用以驗證大型語言模型代理人是否具備真正的目標導向性。

本文分析了生成式 AI 帶來的環境衝擊，並提出從模型透明度、用戶選擇權及國際協調三方面的政策建議。

本文批判現有 LLM 推理研究缺乏科學嚴謹性，並針對驗證模型創新與可重複性提出透明度準則。

研究發現視覺語言模型在面對模糊影像時，即便內部已編碼女性特徵，輸出仍會因偏見而傾向於男性。

本文挑戰將 LLM 擬人化的傾向，指出擬人屬性可能僅是基於特定載體的詮釋，而非系統本身的本質。

提出一個治理與架構對應框架，將抽象的平台治理原則轉化為具體的軟體架構決策。