教育科技研究速報

研究發現計算機專業學生預期隨著 AI 整合程度增加，所有 11 項認知技能的重要性在未來都會下降。

研究發現與具備特定道德原則（義務論或功利主義）的 LLM 互動，會系統性地改變人類的道德傾向與社會政策評價。

研究透過參與式審計發現，傳統模型指標無法捕捉用戶感知的社會影響，且神經模型的高信任度可能削弱用戶的批判性審查。

本文為社會科學與人文研究者提供了一套完整的指南，教導如何利用大型語言模型進行文本標註並處理其潛在誤差。

本文介紹了一套透過五大機制設計，讓非技術背景學生也能從概念理解進階到 AI 系統開發的課程架構。

研究發現即使是輕量級模型也能從使用者生成的文本中偵測出性別、年齡等隱藏的敏感屬性訊號。

本文提出一套結合自我合理化與驗證機制的框架，旨在提升 AI 生成評量題目的透明度、認證能力與教學對齊度。

研究發現 LLM 在招聘與治理中會偏好對 AI 持正面態度的候選人，進而導致組織決策過度依賴 AI 並降低審查品質。

研究發現現有 LLM 在低資源環境中雖具高可靠性，但在教學清晰度、文化脈絡及適應低年級認知需求方面仍有顯著缺陷。

本研究證明能透過 fNIRS 腦訊號與機器學習模型，精準估算個人在數位任務中的認知努力程度。

開發透明可控的多LLM手機資訊搜尋系統，提升跨源覆蓋率、透明度並降低工作負荷

研究提出 MANYFAKE 基準測試，揭示現有 AI 檢測器在面對人機協作、真假參雜的精細假新聞時表現脆弱。