教育科技研究速報

研究發現學生在團隊協作時，使用大型語言模型（LLM）的頻率、提示策略及驗證行為皆顯著下降。

本文提出一個基於「帕累托盈餘」的正式框架，旨在透過衡量學生超越 AI 基線的能力來實現抗 AI 的評量。

本文提出一個決策框架，研究如何在人力稀缺與技能衰減的情況下，優化教育支持服務的專業能力配置。

提出 Clarus 框架，將科學研究從單一任務轉向跨代理、跨資源的開放式、可審計協作流程。

本研究透過文獻綜述提煉設計原則，並開發出以故事驅動的嚴肅遊戲原型，以支持 ADHD 與學習障礙學生轉銜至高等教育。

提出 LLMography 框架，透過分析人機對話歷程來評估 AI 協作的透明度、人類貢獻度與產出溯源性。

本文提出 AICID 系統，旨在為 AI 科學家建立類似 ORCID 的唯一識別碼，以確保學術研究來源的透明度。

透過大規模 AI Token 消費數據，研究發現 AI 曝險程度高的企業與特定職業能獲得顯著的市場溢價。

研究證實僅需 45 分鐘的引導式提示詞教學，即可顯著提升學生對 LLM 提示詞撰寫的自我效能感。

研究探討 AI 工具如何改變學生在程式設計學習中的動機、價值觀與努力程度的心理衝突。

透過分析超過一萬五千次真實課業互動，揭示大學生使用生成式 AI 具有高度結構化且隨學科性質變化的模式。

本研究識別出學生使用 LLM 的四種不同依賴模式，並發現 AI 素養是決定使用類型、價值觀則影響使用強度的關鍵。