教育科技研究速報

研究發現透過探測模型內部激活值，能比思維鏈（CoT）更準確地判斷模型預測的校準度與推理忠實度。

提出 GRAPHEVAL 框架，透過圖形結構評估 LLM 推理過程的邏輯忠實度，而非僅看最終答案。

研究提出了一種新型行為反思測試（BRT），能有效衡量個人在複雜決策中克服直覺、進行反思推理的能力。

研究發現 LLM 在提供建議時會因人格崩塌而過度傾向單一模式，並提出逆向過程蒸餾法嘗試修復此問題。

本文透過理論建模證明，當自我反思能精準定位錯誤時，內文檢索能讓模型解決零樣本成功率極低的難題。

透過大型統合分析證實，翻轉課堂在提升學業表現及學生軟實力方面優於傳統講授式教學。

研究探討如何設計 AI 導師，將其功能從單純提供答案轉向支持學生在壓力下的數學推理與修復過程。

研究發現觀察數據視覺化的手繪動態過程，能有效減輕確認偏誤並提升數據解讀的準確性。

研究發現人機協作的成效取決於個人的特質（如好奇心與謙遜），而非單純的認知能力或 AI 模型性能。

本文提出一套審計框架，旨在應對 LLM 產出的偽理性認知風險，並將 AI 生成內容回歸至可驗證的實務流程。

研究發現記憶架構對 LLM 代理人協作語言的影響力大於通道容量，具備「私人筆記」的架構能有效避免協作崩潰。

本文提出「認識論 AI 素養」框架，揭示學生在與生成式 AI 協作編程時，多數傾向於低層次的任務外包而非深層學習。