教育科技研究速報

研究發現葡萄牙國家模型 AMALIA 在標註複雜道德觀念時，雖與人類一致性高，卻可能僅依賴表面特徵而非理解理論邏輯。

研究發現機器人的主動性會影響協作效率，且其效果深受使用者過往經驗與人格特質的調節。

研究發現提供績效獎勵並未顯著改變參與者在視覺化感知或決策任務中的表現。

研究發現 AI 搜尋透過在介面內直接解決資訊需求，大幅降低了導流至外部網站的比例，正威脅傳統網路流量經濟。

提出 ExPerT 框架，結合語義與按鍵行為動態來推斷用戶專業度，並據此調整 LLM 回應的複雜度。

研究發現與代表對立政黨立場的 AI 聊天機器人對話，能有效修正政治偏見並降低跨黨派敵意。

研究發現使用者持續使用 AI 的核心動機在於提升個人自主權的感知，而非僅基於對系統準確性的信任。

開發了一款利用 LLM 自我修復技術的瀏覽器擴充功能，讓研究者能直接在社群平台進行低門檻的數據收集與標註。

本文提出一個評估 AI 代理人使用科學模擬工具能力的基準測試，揭示工具使用雖能提升準確度，卻也可能導致性能退化。

研究證實使用 AI 驅動的擬真化具身代理進行對話式調查，能顯著提升受訪者回應的資訊量與參與效率。

本研究利用腦電圖（EEG）與機器學習技術，成功透過神經活動特徵來識別與分類程式設計師的專業技能水平。

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。