教育科技研究速報

文章提出「工具性消解」概念，預言 AI 將使鍵盤從主流生產工具轉向專業利基，並將工作重心從內容生成轉向驗證。

研究發現 LLM 能透過信任與情感訴求影響特定心理特質的人，且人類與 AI 在對話中皆存在邏輯謬誤。

研究發現大型語言模型在跨文化社交情緒表達上與人類行為存在系統性失配，且缺乏人類反應的多樣性。

本文提出「計算詮釋學」框架，主張將生成式 AI 視為處理情境、多元性與歧義的文化技術，而非僅是準確度工具。

研究開發了 RHINO-AR 系統，透過 AR 技術將機器人運作過程視覺化，提升博物館參觀者對機器人導航概念的理解。

研究證明結合數位孿生、空間錨定技術與 LLM 助手，能顯著提升民眾對永續規劃的資訊記憶與建設性回饋。

本研究證實了代理型 AI 助理 DR. INFO 能有效減輕醫師行政負擔並提供臨床決策支持。

本研究填補了 AI 公平性從抽象倫理原則轉向具體實務操作的鴻溝，建立了一套涵蓋 AI 生命週期的治理框架。

本文透過解構生成式 AI 的組成要素，探討其運作機制與人類預期之間的落差，並強調教育研究者的角色。

本文提出 cc-self-train 系統，透過動態調整教學角色與適應性支架，有效提升學習者使用 AI 編碼工具的自我效能感。

研究發現 X 平台的請求警示能提升筆記的多樣性與能見度，但也加劇了內容類別的不平等。

本研究透過對保加利亞學生的調查，探討使用者對聊天機器人提供情緒支持的態度、使用現況與潛在疑慮。