教育科技研究速報

提出 CDP 框架，透過模擬多樣化的認知剖析，提升 LLM 模擬考生在心理計量校準上與人類考生的對齊度。

研究發現 LLM 在評估數學題目難度時，會因無法識別學習者的錯誤觀念而系統性地低估特定題目的認知難度。

本文主張面對 AI 代理人產生的科學產出，科學界必須建立全新的驗證基礎設施以解決人類無法監督的信任危機。

研究發現學生的數學表現主要受整體能力驅動，而非由離散的特定主題技能組合而成。

研究發現主流大型語言模型在生成故事時，對智能障礙者存在顯著的負面隱性偏見與刻板印象。

開發出一種完全在邊緣設備運行的視覺代理系統，能透過低延遲的感知與驗證機制，引導使用者完成複雜的程序性任務。

研究提出 CKM 模型，透過強制 LLM 在決策前區分事實、假設與情緒，能有效提升模型行為的一致性並減少決策翻轉。

研究提出透過限制模型訓練時間範圍，將 AI 的「幻覺」轉化為探索特定歷史時代本體論的詮釋工具。

探討科學家在使用 AI 代理撰寫程式碼時，如何透過「地標策略」區分人類理解與 AI 上下文的需求。

研究發現 GenAI 能提升各類任務效率，但對品質的影響取決於任務類型，且對不同表現者的影響不一。

本文提出一套基於影片支架的引導協定，協助溝通障礙的中風患者與照護者表達對 AI 透明度的需求。

本文提出利用主動推理框架建立模擬模型，預測人類在解讀圖表時的認知偏差與決策錯誤。