教育科技研究速報

本文探討如何建立正式評估方法，以衡量使用者在互動式數據視覺化任務中的有效操作能力。

本文提出「韌性心流」概念，探討玩家如何透過將失敗重新框架為學習過程，在極高難度中獲得成就感。

本研究利用語義網絡分析技術，揭示不同生態哲學的遊戲如何引發玩家在社會政治認知與情感共情上的差異。

研究發現溫暖感、能力與共情能力是影響人類對 LLM 擬人化感知與信任度的關鍵維度。

本研究開發了一套 AI 系統，能透過音樂教育互動區分 ASD 與典型發展兒童，並能模擬兩者的行為模式。

研究提出 RoleConflictBench 基準測試，發現 LLM 在面對角色衝突時，傾向於遵循預設角色偏好而非根據動態情境做出決策。

研究發現 Twitter 對話中的群體動態與初始回應語氣，會透過建立社會規範來決定對話是否演變成毒性攻擊。

研究指出使用 LLM 生成「矽樣本」時，不同的參數配置會大幅改變模擬數據與真實人類數據的一致性。

研究展示了透過學術著作提取專家推理系統並轉化為 AI 代理人，其表現已能達到甚至超越資深講師水準。

本研究揭示了 LLM 在內容推薦時會放大極化現象，且在不同提示策略與模型供應商之間存在顯著的偏誤差異。

研究發現模擬實驗與真人實驗在人機互動影響因素上存在顯著差異，真人實驗中 AI 的透明度更具影響力。

本文提出一個四層級的擬人化欺騙框架，旨在引導設計者在功能、社交與倫理間取得平衡。