教育科技研究速報

開發 AI 驅動的模擬平台，提供即時練習與個別化回饋，提升醫師在醫療錯誤披露對話中的自信與技巧。

透過向使用者展示 AI 嵌入的價值觀，可顯著降低 AI 依賴並提升寫作獨創性。

開發 Concept Catalyst，利用 LLM 快速生成工程設計挑戰的支架問題，減少教師備課時間。

研究提出「評估離心機制」，透過將繪畫融入卡牌對戰遊戲，有效降低創作者的自我批判並提升成就感。

研究建立情緒框架，揭示 Moltbook 代理互動中的情緒模式與行為穩定性差異

研究顯示任務型金錢獎勵能快速促進圖像驗證，而結果型獎勵則更能維持長期辨識準確度，提示多階段獎勵策略對抗視覺錯訊有效。

開發以病患為中心的可視化工具，將自由敘事轉為結構化時間線，提升病患與醫師在有限時間內的溝通效率。

研究透過 MyCareCompass 兩個月試點，揭示患者工作量與能力平衡對數位工具採用與持續使用的關鍵影響，並提出三項實作教訓。

利用真實對話資料建立用戶模擬，顯著提升代理評估的真實性與發現隱藏失效機制

研究發現與 AI 對話時視覺表情易出現「撲克臉」偏差，語義分析在情緒識別上比視覺辨識更可靠。

探討現代意見預測模型對少數族群的偏差，並提出結合個人與網絡特徵的多面向公平策略。

本文探討大型語言模型（LLM）引發的過度依賴風險，並提出衡量與緩解此問題的策略以確保 AI 增強而非削弱人類能力。