教育科技研究速報

研究發現 LLM 語音日誌能顯著提升睡眠日誌的完成度與內容豐富度，但也面臨結構化數據精準度的挑戰。

本文提出「合成共鳴」概念，用以定義人類與 AI 之間無需擬人化即可產生的結構化互動關係。

研究發現 LLM 在模擬人類行為時存在「人格流形崩塌」現象，即過於豐富的人格描述反而會降低行為多樣性。

本文提出一個新框架，將 AI 的情感訊號視為人機協作中協調能力、不確定性與責任的關鍵控制層。

本研究透過多維度分析揭示了 LLM 擬人化行為的普遍性、適當性差異及其受系統提示控制的特性。

本研究透過布魯姆分類法評估六種 LLM 生成問題的認知層次，並提出提升高階思考問題產出率的策略。

研究提出一種讓 LLM 生成與使用者具有相似核心關切但背景不同的「內群體人格」，以提升人機互動的親密度與參與度。

研究發現讀者對 AI 生成與人類撰寫的新聞品質感知無異，且揭露 AI 使用能暫時提升閱讀興趣。

研究發現社交機器人透過「自我修正」錯誤，比依賴外部來源更能維持其專業度與信任感。

本文提出一套重新設計網路架構的原則，將 AI 代理人視為一等公民，從存取、經濟與內容層面重構網路社會契約。

本文提出 SciRisk-Bench 基準測試，從科學學科與風險維度兩大視角評估 AI 在科學研究中的安全性。

本研究透過 AI 開發者的視角，揭示演算法偏見源於歷史不平等與組織壓力，強調技術修正不足以解決公平性問題。