教育科技研究速報

本研究比較了 LLM 與助教在程式教學回饋的品質，發現 LLM 表現更穩定，但存在嚴重的自我偏好評分偏誤。

本文開發並驗證了一套綜合性調查工具，用於診斷學生在 AI 技術概念、實際應用與倫理層面的知識水平。

本文提出 EPS 框架，透過五個層次系統化分析電競中的心理策略錯誤與物理操作失誤。

本研究提出 TOSS 架構，透過分析人類在教導機器人時的直覺決策，揭示了教學決策的結構化邏輯。

研究發現統一的格式（如 JSON）能提升程式碼生成的穩定性，但過度使用 LLM 優化提示詞反而可能降低任務表現。

研究發現 LLM 生成的程式錯誤解釋雖能提升使用者主觀滿意度，卻未能顯著改善實際的除錯效能。

提出 EditPPT 多代理人框架，透過限制工具選擇與雙模態驗證，解決長篇簡報自動編輯中的錯誤累積問題。

研究指出數位行為分析常因選擇性時間點導致「事件效果」誤判，實際上可能只是正在進行中的任務延續。

本研究開發了評估情感 AI 信任的量表，並發現用戶對 AI 的信任與使用邏輯會隨性別、年齡及社會經濟地位而異。

研究探討了搜尋代理類型與資訊傳遞介面如何共同影響使用者對 LLM 提供之健康資訊的信任程度。

提出「即時人工製品」概念與 LiveCanvas 系統，讓創作者能設計隨時間或數據動態變化的生成式媒體。

研究證實透過調整情境難度與即時回饋的適應性模擬訓練，能顯著提升學生的學習成效與參與度。