教育科技研究速報

本文提出將複雜的結構化標註任務分解為子任務，以降低標註者的認知負荷並提升成本效率。

開發出名為 Themis 的框架，結合可解釋 AI 與人類回饋，以提升強化學習系統的安全與對齊性。

研究證實 LLM 能高效且精準地將定性產品回饋轉化為數值與分類情緒指標，且具備高可解釋性。

本研究探討以大型語言模型驅動的代理型網頁瀏覽器，如何作為輔助技術提升低視能使用者的網頁導覽體驗。

本文探討 AI 在輔助溝通系統中的應用挑戰，並提出應考慮使用者交織性特質的強健評估方法。

本文探討如何利用虛擬模擬技術，在安全且受控的環境中進行心理健康干預措施的實驗與個人訓練。

開發 SupplyNet 系統，結合 LLM 多智能體模擬與視覺化工具，提升學習者對複雜供應鏈動態的理解與參與度。

本文探討如何透過課程設計引導學生透明且合理地使用生成式 AI，以避免技能退化並強化設計流程。

本文挑戰將解釋性視為模型內部的觀點，主張應從「具身認知」角度出發，將解釋視為使用者在實踐中互動產生的理解過程。

本文探討如何利用 AI 將複雜意見轉化為互動式「意見景觀」，以取代二元對立的視覺化方式，進而減少政治極化。

提出 Adaptive Matrix Validation (AMV) 方法，透過少量結構化問題校準 AI 將自然語言訪談轉化為結構化數據的誤差。

研究發現結合教材文本與視覺特徵，能比單純依賴學生過往表現更準確地預測其測驗成績。