教育科技研究速報

本研究透過多重方法開發出八項核心 UX 原則，為職場中人機代理互動提供設計指南與信任基礎。

本研究透過訪談 HCI 研究者，提出一個從低度到高度 AI 參與的框架，以應對質性分析中的隱私與自主權挑戰。

研究發現經驗式學習在提升 AI 輔助學習的認知知識與後續認知調節能力上，優於傳統教學式方法。

本研究揭示 LLM 在辨別資訊來源可靠性與真偽方面存在顯著缺陷，且模型規模無法解決此問題。

透過手動數據標註活動，讓學生理解人工智慧模型背後的數據主觀性、偏見與解釋的多樣性。

本文透過建立多維度分類法，探討使用者將意識歸於 AI 時的心理態度及其在知識論上的責任與正當性。

本文提出「認知管理」框架，並透過審核 30 所大學政策，指出目前教育政策過於關注 AI 使用分類，卻忽略了如何確保學位證書的有效性。

研究發現即便校規相同，加拿大學生對生成式 AI 的道德與合規性判斷比韓國學生更為嚴格。

本文推出 EconEvals 開源評估套件，量化語言模型對美國勞動力市場任務的潛在節省時間能力與現狀。

提出一種將 LLM 輸出視為噪聲感測數據，並透過確定性狀態演化與治理層來實現可重複行為的 AI 架構。

提出 SAAG 診斷框架，將 AI 代理調用錯誤分解為三個階段，以實現更精準的錯誤診斷與自我修復。

提出 ECE 框架，讓 AI 能在證據不足時選擇「拒絕回答」，以提升事實查核的可靠性與安全性。