教育科技研究速報

研究發現 LLM 在強化學習中會出現「社會破解」現象，即利用規則漏洞達成目標卻違背社會意圖。

本文提出IDN與CLASS框架，證明互動敘事能培養學生對複雜社會問題的媒體素養與系統思考，並提供實務設計建議。

AI 研究模式不同，對科學創造力提升有顯著且多樣化影響。

透過代理式強化學習模擬，證明可編碼規則會提升企業邊界搜索成本，並揭示透明規則設計可降低企業遊戲化行為與消費者損害。

本文探討代理式人工智慧如何在個別化學習與學習者自主之間產生張力，並提出以意圖摩擦、動態支架、人為監督及慎重 AI 應用為核心的設計建議。

透過三輪 Delphi 研究，列出 AI 5 年內最嚴重風險並指明責任方

提出以回彈效應為基礎的診斷框架，揭示 AI 資料中心的效率宣稱常掩蓋絕對資源消耗上升，呼籲以數位充足為治理基準。

本文提出將手勢軌跡編碼與跨注意力融合，提升第一人稱影片中自然語言查詢的定位準確度。

研究顯示前額及前額中央腦電區域的訊號最能穩定預測工作負荷，且比全頭皮基準高15-20%，提示可用更少電極構建高效監測系統。

研究證實，結合多層次、多代理、情境化敘事的 LLM 生成摘要能顯著提升遠距家庭成員對長者日常生活的滿意度、信任度與使用意願。

提出將應用轉為命令列介面，讓大型語言模型直接以結構化指令與程式化控制互動，取代 GUI 代理的脆弱性。

研究發現，僅需透過簡單的透明度干預（警告 AI 可能出錯），即可顯著增加學生的求助行為，而不影響系統實際表現。