教育科技研究速報

本文透過雙視角框架連結臨床實務與計算方法，評估醫療 LLM 在不同推理層級的表現與挑戰。

本文提出「對抗性社會認識論」框架，用以分析並應對人類與 AI 互動中，利用信任機制進行資訊操弄的複雜現象。

研究發現 LLM 雖具備 CBT 理論知識，但在實際對話中仍傾向於重複「驗證與反映」，難以有效應用專業策略。

本研究透過分析超過七萬名遠距學習者的實際日誌數據，揭示了 AI 學習助手在高等教育中的使用模式與人口統計學差異。

提出 VEGAS 指標，利用測試時的視線追蹤數據，評估影片描述是否能精準對齊觀看者的注意力焦點。

提出 JAM 框架，利用 LLM 作為裁判，在不依賴特定心理學理論標籤的情況下，實現通用的心理特質辨識。

提出 AutoPersonas 架構，透過分離環境事件與人格狀態，解決 AI 角色在長期模擬中陷入行為重複與環境停滯的問題。

研究提出透過注入單字難度訊號，在不使用大型語言模型的情況下，提升純眼動追蹤模型預測閱讀理解的能力。

開發了一種可透過物理操作調整邊長，並能將實體原型數據即時轉化為數位 CAD 模型的可塑網格系統。

研究發現 YouTube 影片將 ChatGPT 分為思考支架、技能練習與產出工具三類，且追求快速產出的內容往往比深層學習內容更具傳播力。

開發出一種能即時評估視覺與聽覺通道可用性的輕量化系統，以優化穿戴式裝置的通知傳遞路徑。

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。