教育科技研究速報

本研究系統性分析了九種 AI 系統引用文獻的呈現方式與品質，發現系統間差異巨大且使用者互動率極低。

研究發現溫暖感、能力與共情能力是影響人類對 LLM 擬人化感知與信任度的關鍵維度。

本研究開發了一套 AI 系統，能透過音樂教育互動區分 ASD 與典型發展兒童，並能模擬兩者的行為模式。

研究提出 RoleConflictBench 基準測試，發現 LLM 在面對角色衝突時，傾向於遵循預設角色偏好而非根據動態情境做出決策。

研究指出使用 LLM 生成「矽樣本」時，不同的參數配置會大幅改變模擬數據與真實人類數據的一致性。

研究展示了透過學術著作提取專家推理系統並轉化為 AI 代理人，其表現已能達到甚至超越資深講師水準。

本研究揭示了 LLM 在內容推薦時會放大極化現象，且在不同提示策略與模型供應商之間存在顯著的偏誤差異。

研究發現模擬實驗與真人實驗在人機互動影響因素上存在顯著差異，真人實驗中 AI 的透明度更具影響力。

本文提出一個四層級的擬人化欺騙框架，旨在引導設計者在功能、社交與倫理間取得平衡。

研究發現展示創作過程的努力線索能顯著提升作品的真實感與價值，且能部分彌補 AI 作品的真實性缺口。

本文批判性地指出，當前 AI 領域中看似追求問責與公平的討論，實則可能成為掩蓋 AI 權力結構與資源榨取本質的偽裝。

本文提出從關注「脆弱個體」轉向關注「脆弱化數據實踐」，揭示 AI 分析如何可能在保護弱勢者的同時造成新的數據暴露與剝削。