教育科技研究速報

本研究發現多款 AI 助手在進行網路檢索時，對於網站所有者透過 robots.txt 設定的存取限制，表現出不一致且不合規的行為。

本研究探討如何利用大型語言模型（LLM）作為教學工具，強化建築教育中的自主學習、協作與反思能力。

本文提出自主代理量表（AAS），透過七個維度與雙時段評估，區分 AI 的任務反應性與真正的自我導向行為。

研究發現日常 AI 使用不只是認知卸載，其中包含具備學習科學特徵的選擇性非正式學習行為。

本文提出「層次歸因」框架，用以區分 AI 代理行為是源於底層計算架構，還是受外部角色與治理規則所形塑。

研究發現資工教師目前的 AI 政策多傾向於防範作弊，而非促進學習，這增加了教學負擔並損害師生關係。

本研究透過縱向追蹤發現，學生已將 AI 使用常態化，而教職員仍對學術誠信與評量設計深感憂慮。

透過文獻與 Reddit 社群討論的混合分析，揭示學生對同儕評分的利弊看法及 AI 帶來的信任挑戰。

提出 ToolVerse 框架，透過大規模工具環境與新演算法，提升 LLM 代理處理複雜長程任務的能力。

本文分析了現有可信賴 AI 工具與框架的侷限性，指出其在生命週期覆蓋與倫理維度上的實踐落差。

研究探討了世界模型、簡化與驗證機制對編碼代理解決複雜邏輯任務的貢獻與效能差異。

研究發現 AI 審查者的錯誤偵測能力與其建議被實際採納的能力是分離的，高精準度不代表能有效修正錯誤。