教育科技研究速報

提出三階段訓練框架，讓 LLM 代理具備模擬未來狀態與評估成功率的「世界模型」能力。

本文探討了有效學習策略（如檢索、間隔與交錯練習）因其認知負荷較高，往往比直覺上較容易但低效的策略更具挑戰性。

本研究探討使用者如何利用生成式 AI 引導溝通策略，發現其能促進自我反思與情緒調節，但也引發自我懷疑。

研究探討多模態提示（如草圖）如何影響設計學生的創意表現，並發現草圖能提升流暢度但使用者仍偏好文字提示。

本文透過數學建模揭示 AI 如何引發工作流程的相變，導致具備強驗證能力的勞工與弱驗證能力者之間品質差距擴大。

研究發現學習到的 AI 依賴會削弱信任校準，使使用者更容易盲目信任錯誤的生成式 AI 健康資訊。

提出「思維敘事（NoT）」提示框架，透過結構化推理過程，顯著提升 AI 在道德困境中的利益相關者識別與不確定性處理能力。

提出一個名為 Pingquanqi 的框架，旨在透過標準化設計規範，治理 AI Agent 對使用者生命時間與認知資源的消耗。

本文提出 AI 在教育中的關鍵在於「介入時機」，應避免讓 AI 取代認知勞動，以免造成學習幻覺。

提出 VeryTrace 框架，將自然語言推理過程轉化為結構化 DSL，實現零樣本的推理錯誤定位與自動修復。

提出 SGPO 框架，透過蒸餾可重複使用的「解題策略」而非單純模仿解題步驟，提升模型推理的泛化能力。

研究發現 LLM 的推理過程（Rationales）若錯誤會顯著降低信任，且用戶在面對錯誤推理時會投入更多認知努力。