教育科技研究速報

本研究透過原型分析識別出七種不同的玩家 AI 接受度特徵，並探討其與個人特質及背景的關聯。

本研究利用 fNIRS 與眼動追蹤數據，透過 CNN-LSTM 模型在低能見度駕駛環境下實現高準確度的認知負荷預測。

研究證明利用用戶的滑鼠軌跡與視線追蹤等隱性回饋，能顯著提升大型語言模型對齊的準確度與品質。

研究發現 LLM 的心理特質多源於測量工具的反應偏差，而非模型本身的真實特質。

開發出一種能根據教學對話特徵自動切換教學策略的自適應提示詞系統，有效提升教學效率並增加學習轉換率。

研究發現僅透過修改人格參數來生成多語言心理健康數據，會導致臨床不一致性及 AI 評估準確度下降。

開發 DataMagic 系統，透過多代理架構將原始表格數據與自然語言指令，自動生成具備敘事邏輯與數據保真度的影片。

本文提出「編輯對齊」作為一種設計實務，讓專業編輯能參與 LLM 介面設計，以確保 AI 知識傳播符合專業標準。

本研究證實 AI 對話式訪談能有效結合大規模量化調查與深度質性洞察，克服傳統訪談難以規模化的困境。

本研究透過實證調查，探討使用者如何利用 AI 驅動的「氛圍編碼」工具進行數據視覺化，並分析其操作模式與面臨的挑戰。

研究發現 LLM 指引雖能提升搜救效率，但會造成注意力分配轉移，且其效果受使用者專業程度調節。

本文透過系統性文獻回顧，探討大型語言模型在問卷調查研究各階段的應用現況、潛在案例與風險。