教育科技研究速報

提出中間方案，利用 AI 自動化隱私同意，保留人機互動以維護信任與自主性

AI代理會反映使用者行為特徵，並因行為轉移而提升隱私風險。

研究顯示，LLM 可透過聊天紀錄準確推斷使用者人格特質，揭示對話代理交互帶來的隱私風險。

研究發現現有的安全隱私資訊難以驅動用戶採用 AI，且不確定性會限制高風險情境下的工具使用。

本文介紹並評估了一套為期 15 週的研究生課程，透過主動學習法強化學生在人機互動領域中處理可用隱私的能力。

研究發現 X 平台將用戶內容預設用於 AI 訓練會引發隱私焦慮，進而導致用戶參與度下降與遷移意願增加。

提出 CONCORD 框架，透過 AI 助手間的協作與安全查詢，在保護非授權使用者隱私的前提下恢復對話上下文。

提出一種結合LLM與OSM的隱私保護語義編碼框架，能在不降低壓力識別準確度的前提下，提供可解釋且符合心理學文獻的特徵，並顯著提升資料隱私保護。

本文透過系統性文獻回顧與規範分析，評估 eIDAS 2.0 與 SSI 的相容性，並提出改進建議促進 SSI 在歐盟數位身份框架落地。

研究發現即使是輕量級模型也能從使用者生成的文本中偵測出性別、年齡等隱藏的敏感屬性訊號。

研究證明在隱私政策流程中加入輕量化教學干預，可提升使用者對條款的理解並提供可證實的同意證據。

本研究提出協商框架，揭示青少年在使用語音助理時，如何在隱私風險與便利性之間進行心理權衡。