Discovery2026年5月29日
教育科技政策與學術誠信：AI與透明度的雙重挑戰
美國部分州與學區正加速制定 AI 使用指引，並推動教育科技透明化，以確保學生學習成效與隱私安全。 [2][1] 然而教師對 AI 工具的實際使用遠超正式指導，顯示政策落地仍面臨執行與監督挑戰。 [4][2]
edtechaiassessment
edtech policy and academic integrity5 個來源
教育科技研究速報
AI 自動彙整全球學術期刊與教育科技媒體，以繁體中文摘要呈現 SRL・PBL・EdTech 最新研究，讓台灣教師快速掌握前沿知識。
Discovery Engine
每日新聞統整發現
以多來源搜尋與引用式摘要，將分散新聞壓縮成可回溯的每日統整報導。
Discovery2026年5月29日
2026學習分析與AI教育科技趨勢報告
美國各州正加速推動學習分析與AI工具，但缺乏統一治理與教師培訓，導致實務落地面臨挑戰。[1][5] 同時，國際案例顯示透明度與隱私保護是關鍵，若能結合數據基礎設施與教學設計，將提升學生學習成效。[2][3]
edtechaiassessment
learning analytics5 個來源
Discovery2026年5月29日
教育科技新局：AI 工具普及化與教學引導缺失之挑戰
儘管 AI 工具已在美國教室中變得普遍，但多數教師在缺乏正式指導的情況下使用這些技術 [1]。同時，教育界也面臨著教學軟體品質爭議與 AI 帶來的學術誠信挑戰 [3]。
edtechaiassessment
teacher copilots5 個來源
生成式 AI 時代的創造力衡量：區分招聘與人才系統中的人類與 AI 表現
本文提出一套量化框架，透過嵌入空間中的合成新穎性來區分人類與 AI 的創造力，並指出 AI 時代創造力的核心指標已從流暢度轉向獨特性。
arXiv - Computers and Society
AI學習2.0：面向交付的治理框架與成熟度評估
提出AI to Learn 2.0治理框架，將AI輔助工作聚焦於可審核、可轉移的交付成果，並提供成熟度評估與門檻，解決代理失效問題。
arXiv - Computers and Society
個人化基準：按使用者偏好評估大型語言模型
本文證明聚合評分忽略個體差異，並提出以ELO與Bradley‑Terry模型為基礎的個人化LLM排名方法，揭示使用者偏好與查詢特徵對模型評價的顯著影響。
arXiv - Human-Computer Interaction
MER 2026：從辨識情緒到生成情緒理解
MER 2026 持續推進情緒理解研究，推出四項新任務，涵蓋雙人互動、細粒度情緒辨識、偏好預測與生理訊號情緒辨識。
arXiv - Human-Computer Interaction
VIVA Stimuli：網路式眼動追蹤刺激平台
VIVA Stimuli 提供一個可配置、跨平台、即時同步的網路式眼動刺激系統，解決實驗重現性與硬體相容性問題。
arXiv - Human-Computer Interaction
Co-Refine：AI輔助質性分析工具
Co-Refine 透過結合確定性嵌入指標與大型語言模型，實時監測並修正質性編碼中的時間漂移，提升分析可信度。
arXiv - Human-Computer Interaction
超越語義相似度：醫療問答系統的組件級評估框架與健康公平性影響
提出 VB-Score 評估框架，拆解醫療問答模型四項指標，揭示語義與實體準確度差距及健康公平偏差。
arXiv - Human-Computer Interaction
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。