教育科技研究速報

提出 CogTax 分類法，結合認知複雜度與操作影響力，為命令列教育提供結構化的教學與評量框架。

研究證實使用 AI 驅動的擬真化具身代理進行對話式調查，能顯著提升受訪者回應的資訊量與參與效率。

本文推出名為 AA 的多視角多模態資料集，透過多角度同步影像提升螢幕注視估計的精準度與魯棒性。

研究指出非典型語音辨識應區分「逐字記錄」與「意圖內容」兩種基準，以避免錯誤評估模型性能。

提出 EE-Eval 框架，透過有限狀態機（FSM）將 AI 生成的互動式教學內容轉化為可量化的行為模型進行評估。

本研究利用腦電圖（EEG）與機器學習技術，成功透過神經活動特徵來識別與分類程式設計師的專業技能水平。

本文提出「魯棒個體公平性」概念，並開發 RIFair 框架以揭露深度學習模型在面對擾動時隱藏的脆弱性。

提出一種透過操縱模型內部激活狀態的白箱審計框架，以更精準地檢測大型語言模型的偏見與敏感度。

本研究透過對德國體育系學生的調查，揭示了學生對 AI 工具的高接受度、對學術表現提升的期待，以及對抄襲與教學準備度的擔憂。

研究發現 LLM 在面對顯性標籤時表現公平，但隱藏標籤後公平性大幅下降，揭示了其道德行為僅是「表演式合規」。

本文提出 DURA 框架，透過去神祕化、引導使用、反思與評量，成功將 LLM 有效整合於 CS2 課程中。

研究證實結合價值敏感設計的對話式 AI 能顯著提升低識字族群在敏感議題調查中的完成率。