教育科技研究速報

研究發現 AI 介入祈禱時若過度主導，會削弱使用者的真實感與靈性連結，建議設計時應保留使用者的解釋性與自主性。

研究顯示，擬人化語言對 AI 的道德評價影響有限，行為類型才是主要決定因素。

提出好奇心與元認知相互依存的統一學習框架，並評估課堂介入與生成式AI對好奇心驅動學習的影響與對策。

本研究透過出聲思考法探討研究者在使用 LLM 進行早期研究時，面臨問責、透明度與信任三大挑戰的實務現況。

開發一套利用大型語言模型將 EEG 與心血管數據轉化為可讀報告與個性化音樂建議的原型，實現家庭音樂療法的自動化與可解釋性。

LLM 生成的反駁能改變 30% 以上老年人與年輕人道德判斷，且低認知功能者更易受影響，顯示 LLM 既可作認知卸載亦可能帶來說服風險。

研究顯示大型語言模型能辨識人類社群的道德動態，但在高共識的危險情境中，往往缺乏具體行動授權，呈現「無授權認知」模式。

本文提出一個將「知識內容」與「應試技巧」區分的框架，幫助學生在各類即時評估中取得成功。

研究顯示網路安全專業以威脅管理為核心，風險思維缺失，需重新設計訓練。

Pista 讓使用者能即時監控並介入 AI 代理在電子表格中的決策，提升任務成效與使用者理解。

研究發現「先獨立撰寫提示、後再利用 AI 修正」的延遲式輔助模式，能產出最高品質的提示並強化學習成效。

研究開發了一種名為「概念多元宇宙」的系統，讓使用者能透明地檢視、修改並驗證 AI 在處理開放式問題時的隱含決策過程。