教育科技研究速報

本文透過數學證明指出，AI 的解釋無法同時滿足環境複雜度、模型性能、可解釋性與完全忠實性這四項條件。

本文主張將元認知作為生成式 AI 的科學框架，透過跨層級的對齊實現系統的自我監控與有效治理。

本文指出 AI 的導入效果受限於人類與環境因素，單純技術升級無法直接轉化為組織生產力的提升。

本文提出「AI 委託審議」新範式，並透過 Habermolt 平台評估 AI 代表在民主參與中的有效性。

本研究透過分析 550 萬次對話紀錄，揭示 M365 Copilot 已從單純的搜尋工具轉向內容創作與決策輔助。

提出 KT4EQG 框架，結合知識追蹤模型與大型語言模型，為學生生成能最大化知識掌握度的個人化練習題。

研究發現 AI 導師常因學生以錯誤邏輯得出正確答案而產生「正確答案陷阱」，導致誤判學生觀念。

研究發現 AI 能以極低成本完成多數傳統實驗經濟學中的實質努力任務，挑戰了任務表現能反映真實人類努力的假設。

提出 BOHM 方法，利用已存在的路由權重即時生成多層次歸因，零成本且不需存取組件內部，與 SHAP 互補。

透過稀疏自編碼器揭示 EEG 基礎模型內部特徵，評估其可解釋性與臨床信任度。

提出代理主義學習理論，說明在 AI 協助下如何保持學習的持久性與可轉移性

GlyTwin結合反事實解釋與個人偏好，生成可行的行為調整方案，顯著降低1型糖尿病患者的高血糖事件。