教育科技研究速報

研究發現 LLM 在處理衝突資訊時會產生「權威倒置」，即過度信任用戶的自然語言描述而忽略精確的感測器數據。

本文提出了一種人類與 LLM 協作規劃的設計框架與原型系統，實現對多代理系統中間過程的透明化監督。

研究發現 LLM 的敘事性解釋雖能增加人類對 AI 的依賴，但並未提升決策準確度，甚至可能干擾判斷力。

提出一種結合文本、音訊、視覺與動作的多模態框架，用於精準預測六種連續情緒強度的挑戰賽方案。

本文探討如何整合 6G 通訊技術與腦機介面（BCI），以提升神經訊號傳輸效能並開拓創新應用。

本研究透過四名在家學習的 K-12 學生案例，探討遠端臨場機器人在教室環境中的實際應用效益與挑戰。

開發出 PrivacyAkinator 工具，利用 LLM 生成問題協助新手開發者更快速且精準地識別隱私設計決策。

本文提出 GrandGuard 框架，透過建立專屬高齡者的風險分類與基準測試，解決現有 LLM 在面對長者特定情境風險時的防護不足問題。

研究發現與 AI 對話時視覺表情易出現「撲克臉」偏差，語義分析在情緒識別上比視覺辨識更可靠。

本文探討代表個人知識與風格的「雙生代理人」在面對信任校準時，因模糊人機邊界而產生的獨特挑戰。

本文提出將生成式 AI 從單純的決策支持工具，轉型為如同陶土般的「主動創意媒介」，並建立 SOSS 互動框架。

提出「故事考古學」概念，讓作者透過結構化的故事節拍（Beats）而非單純文字生成，來掌握 AI 協作寫作的主導權。