教育科技研究速報

研究探討如何設計 AI 導師，將其功能從單純提供答案轉向支持學生在壓力下的數學推理與修復過程。

研究發現觀察數據視覺化的手繪動態過程，能有效減輕確認偏誤並提升數據解讀的準確性。

研究發現人機協作的成效取決於個人的特質（如好奇心與謙遜），而非單純的認知能力或 AI 模型性能。

本文提出一套審計框架，旨在應對 LLM 產出的偽理性認知風險，並將 AI 生成內容回歸至可驗證的實務流程。

研究發現記憶架構對 LLM 代理人協作語言的影響力大於通道容量，具備「私人筆記」的架構能有效避免協作崩潰。

本文提出「認識論 AI 素養」框架，揭示學生在與生成式 AI 協作編程時，多數傾向於低層次的任務外包而非深層學習。

本文提出「建構式對齊」範式，將 AI 對齊從滿足靜態偏好轉向治理人類偏好隨互動而演化的動態過程。

本研究透過訪談定義了數據密集型工作流中的除錯挑戰，並提出三項視覺化設計需求。

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。

文章主張 AI 安全不應僅關注當下的行為表現，而應視為一種確保系統在演化過程中仍具備「可教導性」的認識論能力。

提出一種結合符號驗證與自然語言描述的框架，透過迭代修正提升大型語言模型在長程規劃任務中的可靠性。

提出 MER-R1 框架，利用強化學習結合「快思考」的高召回率與「慢思考」的高精準度，優化多模態情緒識別。