教育科技研究速報

本文提出將複雜的結構化標註任務分解為子任務，以降低標註者的認知負荷並提升成本效率。

本研究探討提取練習與範例學習在知識遷移能力上的差異，並特別關注練習題目的重複性與多樣性之影響。

本文探討自發目標 AI 如何透過目標生成與自我邊界的建構，重新定義智能主體的本質與存在。

研究發現多代理 LLM 協商受隱藏的「內部信念（錨點）」驅動，這能解釋模型如何超越初始意見範圍達成更高準確度。

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。

本研究開發了一套利用生成式 AI 分析真實教學逐字稿的系統，證明培訓表現能有效預測導師在現實教學中的技能轉移。

研究發現學習成效受自我效能感與練習偏好度影響，且不同練習媒介對不同動機特質學生的成效各異。

研究提出 SearchGEO 框架，揭示 LLM 搜尋代理易受網路惡意內容操縱，導致其將錯誤資訊轉化為錯誤的建議或背書。

本研究提出一種基於高斯過程的雙軸主動學習方法，能更精準且快速地評估工作記憶中空間與特徵負載的交互作用。

本研究透過重現實驗發現知識追蹤模型效能受練習軌跡與題型影響，並提出利用隱私保護基礎設施進行研究複製的方案。

本文提出首個標準化的 AI 評估結果 JSON 架構與社群驅動資料庫，解決評估數據格式不一且難以比較的問題。

本文論證人類社會的核心在於「有限性」與「不可逆的死亡」，這正是機器集體缺乏且無法僅靠智慧彌補的特質。