教育科技研究速報

本研究分析了五大 AI 開發工具生態系，揭示了視障與色覺障礙開發者在面對 AI 介面時面臨的視覺無障礙障礙。

提出一種輕量化且強大的運動推理框架，能在保護隱私的前提下，高效辨識教室中的異常事件。

提出 OneDayAgent 框架，透過任務分解、記憶維護與驗證修復機制，解決自主代理人在長程任務中的目標漂移與上下文溢出問題。

開發 AgentForge 平台，透過角色扮演與鷹架支持，幫助新手學習如何與 AI 代理協作進行軟體修復。

本文提出將「重建持久世界」作為核心目標，從敘事描述中提取實體、關係與狀態，以支持連貫的互動內容生成。

開發了一款結合大型語言模型（LLM）與視覺分析的系統，協助研究者進行跨領域合作夥伴的發現、任務轉化與溝通準備。

提出一種雙向人機增強框架，透過多代理架構實現 AI 輔助人類標註與人類知識回饋 AI 的閉環系統。

開發 AutoCue 系統，透過多模態 LLM 自動推論並視覺化教學影片中缺失的滑鼠與鍵盤操作，以降低學習者的認知負荷。

本研究發現 Google AI 總覽會顯著減少用戶點擊來源網站的意願，並增加搜尋階段結束的機率。

本文提出一個將空間參考分解為來源、錨點與框架的框架，並利用 LLM 實現多模態空間操控流程。

本研究透過生理訊號分析發現，專業玩家在情緒高漲時仍能維持說服策略並展現更佳的情緒調節能力。

提出 EOPA 架構，透過證據驅動的線上適應機制，讓主動式 AI 能精準掌握使用者偏好並優化互動時機。