教育科技研究速報

本研究分析了學術期刊中 AI 使用聲明，發現 AI 主要用於提升可讀性與語法檢查等低階認知任務。

開發了一套名為 AI Textbook Auditor 的多代理模組化系統，能自動檢測教科書的事實錯誤、技術錯誤與語言品質。

本研究分析學生如何透過自然語言註解引導 AI 生成程式碼，並提出描述規範的三維分類法。

透過比較社會技術系統與以人為本的 AI 指引，提出應結合技術與社會實務來優化 AI 系統設計。

本文提出「干預能力」作為以人為本 AI 的新設計維度，旨在強化人類對 AI 系統的控制、自主與監督能力。

本文揭示了推理型大語言模型在決策支持中存在的語義上下文漂移現象，並提出衡量控制穩定性的數學模型。

本文探討 AI 訓練數據因包含過多生成內容而導致的「模型崩塌」現象，並從媒體考古學角度重新審視其美學意義。

研究提出 Gauntlet 框架，透過多代理人協作與對抗式合成，在技術論文的深度批判能力上超越了人類研究員。

本研究透過概念圖分析大學生對生成式 AI 的認知結構，發現其知識多停留在表面層次。

研究指出全球中學資訊教育的結構性差異，導致學生在 AI 素養的深度與程式語言接觸上存在嚴重的不平等。

研究發現大型語言模型在歷史教學中對弱勢學生存在系統性偏見，導致知識獲取的差異化與敘事隔離。

提出 DeepBias 框架，透過動態生成與演化循環，深度挖掘大型視覺語言模型中隱藏的社會偏見。