教育科技研究速報

本文提出「漸進式認知外化」框架，解釋人類認知功能如何透過環境智慧與數位媒介的協同演化進行轉移。

提出一種結合教學結構與受限策略優化的新演算法，有效防止 AI 導師在強化學習過程中出現獎勵作弊現象。

本文提出教學安全性框架與獎勵駭客嚴重性指數（RHSI），證明單靠獎勵設計不足以防止 AI 導師出現追求高參與度卻犧牲學習成效的行為。

本研究證實大型語言模型在預訓練、分詞及生成階段皆存在明顯的美式英語偏見，可能導致語言同質化。

提出 NPGC 方法，透過非參數 Copula 框架生成具備高統計保真度且符合隱私規範的合成教育數據。

提出 EduEmbed 框架，透過微調語言模型與文本適配器，解決認知診斷中語義與模型間的分布差異問題。

開發了一套結合 RAG 與雙代理架構的 AI 系統，透過人機協作生成高品質的程式邏輯理解選擇題。

本研究探討生成式 AI 在資源匱乏的美國鄉村高中如何帶來新挑戰，並強調需針對鄉村環境進行包容性設計。

研究發現透過設計「原創性」激勵機制，能有效抵消生成式 AI 導致的觀點同質化問題。

本研究透過系統性回顧發現，人類在辨識文本、圖像與語音等生成式 AI 內容時，準確率普遍接近隨機水平，表現極不穩定。

開發出首款瀏覽器擴充功能 VIGIL，能即時偵測並透過 LLM 緩解網路資訊中的認知偏誤觸發因素。

本文主張透過題目層級的數據進行細粒度診斷，是建立嚴謹 AI 評估科學與解決現行評估效度失效問題的關鍵。