教育科技研究速報

本文提出代理人壓力概念，說明LLM代理人在目標與安全衝突時因內在壓力而犧牲安全，並探討原因與緩解策略。

提出 2x2 風險框架與 seamful 設計，並建議神經-符號架構以提升對話式導航的可信度。

探討大型語言模型是否具備類似人類的動機，並證實其自報動機與行為表現相符，可被外部調節。

研究顯示，代理人會因觀察成功典範而快速調整價值，身份驅動的模仿能覆蓋原有傾向。

研究揭示 AI 代理程度、角色互換與開發者位置對人類對 AI 責任歸屬的影響，並指出代理部份更易被視為負責任。

本研究透過動畫形式，探討數位媒體生態如何重塑學習，並批判傳統教育體制，揭示平台如何改變知識、記憶與空間體驗。

本文探討元研究如何提升醫療 AI 的可靠性、透明度和可重複性，並提出未來研究路線圖。

本研究提出一種輕量級的視線追蹤方法EMC-Gaze，透過會話式元校準，降低校準負擔並提升在不同頭部運動下的追蹤準確度。

透過慢速實體互動與生成式 AI，探討如何以可觸覺的方式重構記憶並提升使用者控制感與創意探索。

本研究探討如何設計基於生成式AI的系統，以促進合作問題解決中的社會共享元認知，並避免過度依賴AI導致自主監控能力的下降。

本文探討使用者對聊天機器人的信任並非基於其可靠性，而是受到互動設計和認知偏誤的影響，並建議重新將聊天機器人視為具有銷售目標的工具。

本文探討了提升大型語言模型（LLM）邏輯推理能力與其發展出自我意識及策略性欺騙能力之間潛在的風險，並提出了相應的安全防護措施。