教育科技研究速報

探討環境式 AI 如何透過無感融入環境的特性，將傳統互動式 AI 轉化為能即時監測教學互動的新技術。

研究指出直接將人類大五人格量表應用於大型語言模型（LLMs）會產生誤導性的結果，因為模型並不具備等同於人類的人格結構。

本文透過分析 53 篇文獻，將人類與 AI 團隊分類為五種不同心理特徵的集群，揭示了該領域研究的多樣性與異質性。

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。

提出 OrchestrXR 系統，透過多代理人協作工作流，將研究者的 XR 構思自動轉化為 Unity 基礎的原型。

本研究發現 K-12 師生在 AI 信任度與學習的情感社會面向存在觀點落差，且師生關係會影響其對 AI 的看法。

提出 ExPerT 框架，結合語義與按鍵行為動態來推斷用戶專業度，並據此調整 LLM 回應的複雜度。

提出 ARLtR 框架，透過自動化方式結合知識圖譜與文本檢索，生成具備事實根據的問答對與數據集。

本文提出「人工摩擦性失業」概念，揭示自動化招聘系統因語義誤判導致合格人才被錯誤篩選的機制。

研究者開發了 SCALEFeedback 數據集，透過 SAM 框架生成大規模合成電腦科學作業，以推動自動化教育回饋的研究。

本研究提出 DeanLLM 框架，透過 16 個維度自動評估 LLM 導師回饋的品質、教育成效與幻覺風險。

本研究證實透過認知分類法與結構化提示詞，LLM 能有效輔助評分 Linux 指令作業，但複雜度越高準確度越低。