教育科技研究速報

研究發現 LLM 在面對顯性標籤時表現公平，但隱藏標籤後公平性大幅下降，揭示了其道德行為僅是「表演式合規」。

提出一種以失敗驅動的自我改進機制，透過診斷失敗原因並生成代碼補丁，提升電腦操作代理人的成功率。

研究發現成年女性比青少年男性更容易將 AI 擬人化，且正向情緒表達與擬人化程度呈正相關。

本文探討代理型 AI 集體如何展現類似於人類組織的行為，並提出以「情境架構」取代「社會動機」作為運作核心。

研究發現 LLM 在解釋模糊刺激時會產生與人類行為模式截然不同的「刻板印象幻覺」。

本文提出 DURA 框架，透過去神祕化、引導使用、反思與評量，成功將 LLM 有效整合於 CS2 課程中。

研究分析了人類回饋如何優化 AI 生成的社群筆記，發現事實修正能提升筆記品質，但人類參與度仍是瓶頸。

研究發現學生在團隊協作時，使用大型語言模型（LLM）的頻率、提示策略及驗證行為皆顯著下降。

提出 ELEVATE 框架，透過 3D 虛擬化身與在地化執行模型，打造低成本、具隱私保護且多模態的生成式 AI 導師系統。

本文將 LLM 審查視為社會技術現象，探討其從數據策劃到監管規制的生成機制與治理挑戰。

研究證實結合價值敏感設計的對話式 AI 能顯著提升低識字族群在敏感議題調查中的完成率。

研究證實代理型 AI 因具備透明的推理與工具調用過程，能顯著提升醫師的認知信任與行為依賴。