教育科技研究速報

研究發現生成式 AI 的普及導致保守派政治論述出現非對稱的同質化趨勢，打破了原有的多樣化發展路徑。

研究發現使用演化策略（ES）進行後訓練，能比強化學習（RL）提供更廣的解題分布與更高的解題覆蓋率。

提出 Meta-LoRA 方法，透過結合 PAC-Bayes 正規化與偏好解耦技術，解決 LLM 在跨領域個性化時的過擬合與負遷移問題。

本研究結合生理訊號與自我報告，揭示了學生飛行員在訓練過程中隨時間累積的壓力與疲勞模式。

本文批判現行將 AI 擬人化視為「使用者誤解」的制度化框架，指出其忽視了使用者經驗的合法性與社會成本。

提出 INSIDE 框架，透過結合布魯姆分類學的內部對話與行為微調，提升 LLM 學生模擬器的推理與行為真實度。

研究證實透過 LoRA 微調小型開源模型，能有效且精準地自動化分析學生數學隱喻的效價與主題。

提出透過遮罩標籤防止標籤洩漏，並引入近期編碼以捕捉遺忘機制，提升知識追蹤模型的預測準確度。

本研究探討 18 至 25 歲年輕族群對 AI 聊天機器人的依賴因素、能力萎縮感及其對心理發展的影響。

開發 UncertaintyVis 系統，透過視覺編碼保留文本中的不確定性語義，避免讀者對自動化圖表產生過度精確的誤解。

本研究推出 DREAMS 資料集，透過臉部影片分析使用者在不同刺激下的參與度與注意力狀態及其關聯性。

研究發現 XAI 的呈現模態會影響人機夥伴關係，語音解釋可能因無法滿足預期而降低協作連結感。